أنواع تقنيات تعلم الذكاء الاصطناعي المستخدمة في الرؤية الحاسوبية

التعلم الآلي نوع من الذكاء الاصطناعي (AI) يساعد أجهزة الكمبيوتر على التعلم من البيانات لاتخاذ القرارات بصورة مستقلة، دون الحاجة إلى برمجة تفصيلية لكل مهمة. ويتضمن إنشاء نماذج خوارزمية قادرة على تحديد الأنماط في البيانات. ومن خلال تحديد الأنماط في البيانات والتعلم منها، تستطيع هذه الخوارزميات تحسين أدائها تدريجيًا بمرور الوقت.

من المجالات التي يؤدي فيها التعلم الآلي دورًا أساسيًا الرؤية الحاسوبية، وهي مجال من الذكاء الاصطناعي يركز على البيانات المرئية. وتستخدم الرؤية الحاسوبية التعلم الآلي لمساعدة أجهزة الكمبيوتر على اكتشاف الأنماط في الصور ومقاطع الفيديو والتعرف عليها. وبفضل التطورات في التعلم الآلي، يُقدّر أن تبلغ القيمة السوقية العالمية للرؤية الحاسوبية نحو 175.72 مليار دولار بحلول عام 2032.

في هذا المقال، سنتناول أنواع التعلم الآلي المختلفة المستخدمة في الرؤية الحاسوبية، ومنها التعلم الخاضع للإشراف وغير الخاضع للإشراف والتعلم بالتعزيز والتعلم بالنقل، وسنوضح دور كل نوع في التطبيقات المختلفة.

لمحة عامة عن التعلم الآلي في الرؤية الحاسوبية#

تعتمد الرؤية الحاسوبية على التعلم الآلي، ولا سيما تقنيات مثل التعلم العميق والشبكات العصبية، لتفسير المعلومات المرئية وتحليلها. وتتيح هذه الأساليب لأجهزة الكمبيوتر تنفيذ مهام الرؤية الحاسوبية، مثل اكتشاف الأجسام في الصور وتصنيف الصور حسب الفئة والتعرف على الوجوه. ويُعد التعلم الآلي ضروريًا أيضًا لتطبيقات الرؤية الحاسوبية الآنية، مثل ضبط الجودة في التصنيع والتصوير الطبي في الرعاية الصحية. وفي هذه الحالات، تساعد الشبكات العصبية أجهزة الكمبيوتر على تفسير البيانات المرئية المعقدة، مثل تحليل صور الدماغ من أجل اكتشاف الأورام.

في الواقع، بُنيت نماذج متقدمة كثيرة للرؤية الحاسوبية، مثل Ultralytics YOLO11، على الشبكات العصبية.

الشكل 1. تجزئة صور الدماغ باستخدام Ultralytics YOLO11.

هناك عدة أنواع من أساليب التعلم في تعلم الآلة، مثل التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزز، والتعلم بالنقل، وهي التي تحدد الإمكانات المتاحة في الرؤية الحاسوبية. في الأقسام التالية، سنتناول كل نوع من هذه الأنواع لفهم إسهامه في الرؤية الحاسوبية.

استكشاف التعلم الخاضع للإشراف#

يُعد التعلم الخاضع للإشراف أكثر أنواع تعلم الآلة استخدامًا. في التعلم الخاضع للإشراف، تُدرَّب النماذج باستخدام بيانات موسومة. يُرفق بكل مُدخل الوسم الصحيح للمخرج، مما يساعد النموذج على التعلم. وعلى غرار تعلم الطالب من معلمه، تعمل هذه البيانات الموسومة بوصفها دليلًا أو إشرافًا.

أثناء التدريب، تُزوَّد النماذج ببيانات الإدخال (المعلومات التي تحتاج إلى معالجتها) وبيانات الإخراج (الإجابات الصحيحة). يساعد هذا الإعداد النموذج على تعلم الصلة بين المدخلات والمخرجات. والهدف الرئيسي من التعلم الخاضع للإشراف هو أن يكتشف النموذج قاعدة أو نمطًا يربط كل مُدخل بمخرجه الصحيح بدقة. وباستخدام هذا الربط، يستطيع النموذج تقديم تنبؤات دقيقة عند مواجهة بيانات جديدة. فعلى سبيل المثال، يعتمد التعرّف على الوجوه في الرؤية الحاسوبية على التعلم الخاضع للإشراف لتحديد الوجوه استنادًا إلى الأنماط التي تعلمها.

من الاستخدامات الشائعة لهذه التقنية فتح قفل هاتفك الذكي عبر التعرّف على الوجه. يُدرَّب النموذج على صور موسومة لوجهك، بحيث يقارن الصورة المباشرة بما تعلمه عندما تحاول فتح هاتفك. وإذا اكتشف تطابقًا، يفتح الهاتف.

الشكل 2. يمكن استخدام التعرف على الوجه لفتح قفل هاتفك الذكي.

كيف يعمل التعلم غير الخاضع للإشراف في الذكاء الاصطناعي؟#

التعلم غير الخاضع للإشراف نوع من التعلم الآلي يستخدم بيانات غير موسومة؛ فلا يتلقى النموذج أي توجيه أو إجابات صحيحة أثناء التدريب. وبدلًا من ذلك، يتعلم اكتشاف الأنماط والرؤى بنفسه.

يحدد التعلم غير الخاضع للإشراف الأنماط باستخدام ثلاث طرق رئيسية:

• التجميع: يجمع نقاط البيانات المتشابهة معًا. ويفيد في مهام مثل تقسيم العملاء إلى شرائح، حيث يمكن تجميع العملاء المتشابهين استنادًا إلى سلوكهم أو سماتهم.
• الترابط: يُستخدم لتحديد العلاقات بين العناصر، مما يساعد على كشف الروابط داخل البيانات (مثل العثور على المنتجات التي تُشترى معًا غالبًا في تحليل سلة السوق، وهو أسلوب شائع في تنقيب البيانات).
• خفض الأبعاد: يبسّط مجموعات البيانات بإزالة السمات الزائدة، مما يساعد في التصور والمعالجة.

من التطبيقات الأساسية للتعلم غير الخاضع للإشراف ضغط الصور، حيث تقلل تقنيات مثل التجميع بخوارزمية k-means حجم الصورة دون التأثير في جودتها البصرية. تُجمع وحدات البكسل في عناقيد، ويُمثَّل كل عنقود بلون متوسط، فتنتج صورة بألوان أقل وحجم ملف أصغر.

الشكل 3. مثال على ضغط الصور غير الخاضع للإشراف.

ومع ذلك، يواجه التعلم غير الخاضع للإشراف بعض القيود. فغياب الإجابات المحددة مسبقًا قد يصعّب تقييم الدقة والأداء. وغالبًا ما يتطلب تفسير النتائج ووضع تسميات للمجموعات جهدًا يدويًا، كما أنه حساس لمشكلات مثل القيم المفقودة والضوضاء، مما قد يؤثر في جودة النتائج.

شرح التعلم المعزز#

على خلاف التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف، لا يعتمد التعلم المعزز على بيانات التدريب. بل يستخدم وكلاء قائمين على الشبكات العصبية للتفاعل مع بيئة بهدف تحقيق غاية محددة.

تتضمن العملية ثلاثة مكونات رئيسية:

• الوكيل: المتعلم أو متخذ القرار.
• البيئة: كل ما يتفاعل معه الوكيل، وقد يكون واقعيًا أو افتراضيًا.
• إشارة المكافأة: قيمة رقمية تُمنح بعد كل إجراء، وتوجه الوكيل نحو الهدف.

عندما يتخذ الوكيل إجراءات، فإنه يؤثر في البيئة، التي تستجيب بدورها بتغذية راجعة. وتساعد التغذية الراجعة الوكيل على تقييم خياراته وتعديل سلوكه. كما تساعد إشارة المكافأة الوكيل على فهم الإجراءات التي تقربه من تحقيق هدفه.

يُعد التعلم المعزز أساسيًا لحالات استخدام مثل القيادة الذاتية والروبوتات. ففي القيادة الذاتية، تُكتسب مهارات مثل التحكم في المركبة، واكتشاف الأجسام، وتجنب العوائق من خلال التغذية الراجعة. تُدرَّب النماذج باستخدام وكلاء الشبكات العصبية لاكتشاف المشاة أو الأجسام الأخرى واتخاذ الإجراء المناسب من أجل تجنب التصادمات. وبالمثل، يتيح التعلم المعزز للروبوتات تنفيذ مهام مثل مناولة الأجسام والتحكم في الحركة.

من الأمثلة المعروفة على تطبيق التعلم المعزز مشروعٌ أجرته OpenAI، حيث درّب الباحثون وكلاء الذكاء الاصطناعي على لعب لعبة الفيديو الجماعية الشهيرة Dota 2. وباستخدام الشبكات العصبية، عالج هؤلاء الوكلاء كميات هائلة من المعلومات الواردة من بيئة اللعبة لاتخاذ قرارات سريعة واستراتيجية. ومن خلال التغذية الراجعة المستمرة، تعلم الوكلاء وتحسنوا بمرور الوقت، حتى بلغوا مستوى مهارة يكفي للتغلب على بعض أفضل لاعبي اللعبة.

الشكل 4. تفسير الإنسان والذكاء الاصطناعي لمصفوفة Dota.

فهم أساسيات التعلم بالنقل#

يختلف التعلم بالنقل عن أنواع التعلم الأخرى. فبدلًا من تدريب نموذج من الصفر، يبدأ بنموذج مُدرَّب مسبقًا على مجموعة بيانات كبيرة، ثم يضبطه بدقة لمهمة جديدة ذات صلة. وتُستخدم المعرفة المكتسبة أثناء التدريب الأولي لتحسين الأداء في المهمة الجديدة. يقلل التعلم بالنقل الوقت اللازم للتدريب على مهمة جديدة، بحسب درجة تعقيدها. ويعمل ذلك عبر الاحتفاظ بالطبقات الأولية للنموذج، التي تلتقط السمات العامة، واستبدال الطبقات الأخيرة بطبقات مخصصة للمهمة الجديدة.

يُعد نقل الأسلوب الفني تطبيقًا شيقًا للتعلم بالنقل في الرؤية الحاسوبية. تتيح هذه التقنية للنموذج تحويل صورة لتتوافق مع أسلوب عمل فني مختلف. ولتحقيق ذلك، تُدرَّب شبكة عصبية أولًا على مجموعة بيانات كبيرة من الصور المقترنة بأساليبها الفنية. ومن خلال هذه العملية، يتعلم النموذج تحديد السمات العامة للصور وأنماط الأساليب الفنية.

بعد تدريب النموذج، يمكن ضبطه بدقة لتطبيق أسلوب لوحة معينة على صورة جديدة. وتتكيف الشبكة مع الصورة الجديدة مع الحفاظ على سمات الأسلوب المكتسبة، مما يتيح لها إنشاء نتيجة فريدة تجمع بين المحتوى الأصلي والأسلوب الفني المحدد. فعلى سبيل المثال، يمكنك التقاط صورة لسلسلة جبلية وتطبيق أسلوب لوحة الصرخة لإدفارد مونك عليها، فتنتج صورة تجسد المشهد بأسلوب اللوحة الجريء والمعبر.

الشكل 5. مثال على نقل الأسلوب الفني باستخدام التعلم بالنقل.

نظرة على الاختلافات بين أنواع التعلم الآلي#

بعد أن استعرضنا الأنواع الرئيسية للتعلم الآلي، دعونا نلقي نظرة فاحصة على كل منها لمساعدتك على فهم الأنسب للتطبيقات المختلفة.

• التعلم الخاضع للإشراف: يتميز هذا النوع بدقة عالية عند استخدام بيانات موسومة، لكنه يتطلب قدرًا كبيرًا من البيانات وقد يكون حساسًا للضوضاء.
• التعلم غير الخاضع للإشراف: يفيد في استكشاف البيانات غير الموسومة بحثًا عن أنماط خفية، إلا أن نتائجه قد تكون أقل دقة وأصعب في التفسير.
• التعلم المعزز: يدرّب الوكلاء على اتخاذ قرارات متتابعة في بيئات معقدة، لكنه يتطلب غالبًا قدرًا كبيرًا من القدرة الحاسوبية.
• التعلم بالنقل: يستخدم هذا النهج نماذج مدربة مسبقًا لتسريع التدريب وتحسين الأداء في المهام الجديدة، لا سيما عند محدودية البيانات.

الشكل 6. مقارنة بين جميع أنواع التعلم الآلي. الصورة من إعداد المؤلف.

يعتمد اختيار نوع التعلم الآلي المناسب على عدة عوامل. يكون التعلم الخاضع للإشراف ملائمًا عند توافر بيانات موسومة وفيرة ومهمة واضحة. ويفيد التعلم غير الخاضع للإشراف في استكشاف البيانات أو عندما تكون الأمثلة الموسومة نادرة. أما التعلم المعزز فيناسب المهام المعقدة التي تتطلب اتخاذ قرارات متتابعة، في حين يكون التعلم بالنقل خيارًا ممتازًا عند محدودية البيانات أو الموارد. وبمراعاة هذه العوامل، يمكنك اختيار النهج الأنسب لمشروع الرؤية الحاسوبية.

في الختام#

تستطيع تقنيات التعلم الآلي معالجة تحديات متنوعة، لا سيما في مجالات مثل الرؤية الحاسوبية. ومن خلال فهم الأنواع المختلفة، وهي التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزز، والتعلم بالنقل، يمكنك اختيار النهج الأنسب لاحتياجاتك.

يلائم التعلم الخاضع للإشراف المهام التي تتطلب دقة عالية وبيانات موسومة، في حين يناسب التعلم غير الخاضع للإشراف اكتشاف الأنماط في البيانات غير الموسومة. ويعمل التعلم المعزز بكفاءة في البيئات المعقدة القائمة على اتخاذ القرارات، أما التعلم بالنقل فيفيد عند الرغبة في البناء على نماذج مدربة مسبقًا باستخدام بيانات محدودة.

لكل أسلوب نقاط قوة وتطبيقات فريدة، بدءًا من التعرف على الوجوه وصولًا إلى الروبوتات ونقل الأسلوب الفني. وقد يتيح اختيار النوع المناسب إمكانات جديدة في قطاعات مثل الرعاية الصحية والسيارات والترفيه.

لاستكشاف المزيد، تفضل بزيارة مستودع GitHub وتفاعل مع مجتمعنا. واستكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والزراعة على صفحات الحلول لدينا.