أنواع تقنيات تعلم الذكاء الاصطناعي المستخدمة في الرؤية الحاسوبية

Machine learning هو نوع من artificial intelligence (AI) يساعد أجهزة الكمبيوتر على التعلم من البيانات بحيثสามารถ اتخاذ القرارات بأنفسها، دون الحاجة إلى برمجة مفصلة لكل مهمة. وهو يتضمن إنشاء algorithmic models قادرة على تحديد الأنماط في البيانات. من خلال تحديد الأنماط في data والتعلم منها، يمكن لهذه الخوارزميات تحسين performance الخاص بها تدريجياً بمرور الوقت.

أحد المجالات التي يلعب فيها machine learning دوراً حاسماً هو computer vision، وهو مجال من مجالات الذكاء الاصطناعي يركز على visual data. تستخدم Computer vision التعلم الآلي لمساعدة أجهزة الكمبيوتر على اكتشاف التعرف على الأنماط في الصور ومقاطع الفيديو. وبدفع من التطورات في مجال التعلم الآلي، يُقدر global market value الخاص بالرؤية الحاسوبية بنحو 175.72 مليار دولار بحلول عام 2032.

في هذه المقالة، سنلقي نظرة على الأنواع المختلفة للتعلم الآلي المستخدمة في computer vision، بما في ذلك التعلم الخاضع للإشراف، وغير الخاضع للإشراف، والمعزز، والتعلم النقلي، وكيف يلعب كل منها دوراً في التطبيقات المختلفة. لنبدأ الآن!

نظرة عامة على تعلم الآلة في الرؤية الحاسوبية#

تعتمد الرؤية الحاسوبية على التعلم الآلي، وخاصة تقنيات مثل deep learning وneural networks، لتفسير وتحليل المعلومات المرئية. تجعل هذه الطرق من الممكن لأجهزة الكمبيوتر أداء computer vision tasks مثل detecting objects في الصور، وclassifying images حسب الفئة، وrecognizing faces. يعد التعلم الآلي أيضاً أمراً بالغ الأهمية لتطبيقات computer vision applications في الوقت الفعلي مثل quality control في manufacturing وmedical imaging في healthcare. في هذه الحالات، تساعد neural networks أجهزة الكمبيوتر على تفسير البيانات المرئية المعقدة، مثل analyzing brain scans لـ detect tumors.

في الواقع، تم بناء العديد من نماذج الرؤية الحاسوبية المتقدمة، مثل Ultralytics YOLO11، على الشبكات العصبية.

الشكل 1. تقسيم فحوصات الدماغ باستخدام Ultralytics YOLO11.

هناك العديد من طرق التعلم في تعلم الآلة، مثل التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، وتعلم النقل، والتعلم التعزيزي، التي تدفع حدود ما هو ممكن في الرؤية الحاسوبية. في الأقسام التالية، سنستكشف كل نوع من هذه الأنواع لفهم كيفية مساهمتها في الرؤية الحاسوبية.

استكشاف التعلم الخاضع للإشراف#

Supervised learning هو نوع التعلم الآلي الأكثر استخداماً. في التعلم الخاضع للإشراف، يتم trained النماذج باستخدام labeled data. يتم وضع علامة على كل مدخلات بالإخراج الصحيح، مما يساعد النموذج على التعلم. على غرار student learning من المعلم، تعمل هذه البيانات المسماة كدليل أو مشرف.

أثناء training، يتم إعطاء النموذج بيانات الإدخال (المعلومات التي يحتاج إلى معالجتها) وبيانات الإخراج (الإجابات الصحيحة). يساعد هذا الإعداد النموذج على تعلم الاتصال بين المدخلات والمخرجات. الهدف الرئيسي للتعلم الخاضع للإشراف هو أن يكتشف النموذج قاعدة أو نمطاً يربط بدقة كل مدخلات بمخرجاتها الصحيحة. مع هذا التعيين، يمكن للنموذج إجراء تنبؤات دقيقة عندما يواجه بيانات جديدة. على سبيل المثال، يعتمد التعرف على الوجه في computer vision على التعلم الخاضع للإشراف للتعرف على الوجوه بناءً على هذه الأنماط المكتسبة.

من الاستخدامات الشائعة لذلك إلغاء قفل smartphone الخاص بك باستخدام التعرف على الوجه. يتم تدريب النموذج على صور مسماة لوجهك بحيث، عندما تذهب إلغاء قفل هاتفك، فإنه يقارن الصورة الحية بما تعلمه. إذا اكتشف مطابقة، يتم إلغاء قفل هاتفك.

Fig 2. يمكن استخدام التعرف على الوجه لإلغاء قفل هاتفك الذكي.

كيف يعمل التعلم غير الخاضع للإشراف في الذكاء الاصطناعي؟#

Unsupervised learning هو نوع من التعلم الآلي الذي يستخدم بيانات غير مسماة - لا يتم منح النموذج أي إرشادات أو إجابات صحيحة أثناء التدريب. بدلاً من ذلك، يتعلم اكتشاف الأنماط والرؤى بمفرده.

يحدد التعلم غير الخاضع للإشراف الأنماط باستخدام ثلاث طرق رئيسية:

• Clustering: يجمع نقاط البيانات المتشابهة معاً. إنه مفيد لمهام مثل customer segmentation، حيث يمكن تجميع العملاء المتشابهين بناءً على behaviors أو السمات الخاصة بهم.
• الارتباط (Association): يُستخدم لتحديد العلاقات بين العناصر، مما يساعد على كشف الروابط داخل البيانات (على سبيل المثال، العثور على المنتجات التي غالباً ما يتم شراؤها معاً في market basket analysis).
• Dimensionality reduction: يبسط مجموعات البيانات عن طريق إزالة الميزات الزائدة، مما يساعد في التصور والمعالجة.

التطبيق الرئيسي للتعلم غير الخاضع للإشراف هو image compression، حيث تقلل تقنيات مثل k-means clustering حجم الصورة دون التأثير على الجودة المرئية. يتم تجميع وحدات البكسل في مجموعات، ويتم تمثيل كل مجموعة بمتوسط لون، مما ينتج عنه صورة ذات ألوان أقل وحجم ملف أصغر.

الشكل 3. مثال على ضغط الصور غير الخاضع للإشراف.

وممع ذلك، يواجه التعلم غير الخاضع للإشراف قيوداً معينة. بدون إجابات محددة مسبقاً، يمكن أن يعاني من الدقة وperformance evaluation. غالباً ما يتطلب جهداً يدوياً لتفسير النتائج وتسمية المجموعات، وهو حساس لمشاكل مثل القيم المفقودة والضوضاء، والتي يمكن أن تؤثر على جودة النتائج.

شرح التعلم التعزيزي#

على عكس التعلم الخاضع للإشراف وغير الخاضع للإشراف، لا يعتمد reinforcement learning على بيانات التدريب. وبدلاً من ذلك، فإنه يستخدم وكلاء الشبكة العصبية للتفاعل مع بيئة لتحقيق هدف معين.

تتضمن العملية ثلاثة مكونات رئيسية:

• الوكيل (Agent): المتعلم أو صانع القرار.
• البيئة: كل ما يتفاعل معه الوكيل، والذي يمكن أن يكون حقيقيًا أو افتراضيًا.
• إشارة المكافأة: قيمة رقمية تُعطى بعد كل إجراء، لتوجيه الوكيل نحو الهدف.

مع قيام الوكيل باتخاذ إجراءات، فإنه يؤثر على البيئة، التي تستجيب بعد ذلك بتعليقات. تساعد التعليقات الوكيل على تقييم خياراته وتعديل سلوكه. تساعد إشارة المكافأة الوكيل على فهم الإجراءات التي تقربه من تحقيق هدفه.

يعد التعلم المعزز أمراً رئيسياً لحالات الاستخدام مثل autonomous driving وrobotics. في autonomous driving، تتعلم مهام مثل ضوابط السيارة، واكتشاف الكائنات وتجنبها بناءً على التعليقات. يتم تدريب النماذج باستخدام وكلاء الشبكة العصبية للكشف عن المشاة أو الأشياء الأخرى واتخاذ الإجراء المناسب لـ avoid collision. وبالمثل، في robotics، يمكن التعلم المعزز مهام مثل معالجة الأشياء والتحكم في الحركة.

مثال رائع على التعلم المعزز قيد التنفيذ هو مشروع لشركة OpenAI، حيث قام الباحثون بـ trained AI agents لعب video game الشهير متعدد اللاعبين، Dota 2. باستخدام الشبكات العصبية، عالج هؤلاء الوكلاء كميات هائلة من المعلومات من game environment لاتخاذ قرارات سريعة واستراتيجية. من خلال التعليقات المستمرة، تعلم الوكلاء وتحسنوا بمرور الوقت، ووصلوا في النهاية إلى مستوى مهارة عالٍ بما يكفي للتغلب على بعض game’s top players.

Fig 4. تفسير بشري مقابل تفسير الذكاء الاصطناعي لمصفوفة دوتا (Dota Matrix).

فهم أساسيات تعلم النقل#

Transfer learning يختلف عن أنواع التعلم الأخرى. بدلاً من training a model من الصفر، فإنه يستخدم pre-trained model على dataset كبير ويقوم بضبطه لمهمة جديدة ولكن ذات صلة. تُستخدم المعرفة المكتسبة أثناء التدريب الأولي لتحسين performance المهمة الجديدة. يقلل Transfer learning الوقت اللازم للتدريب على مهمة جديدة، اعتماداً على تعقيدها. وهو يعمل عن طريق الاحتفاظ بالطبقات الأولية للنموذج التي تلتقط الميزات العامة واستبدال الطبقات النهائية بطبقات المهمة المحددة الجديدة.

يعد نقل النمط الفني تطبيقاً مثيراً لاهتمام التعلم النقلي في الرؤية الحاسوبية. تتيح هذه التقنية للنموذج تحويل صورة لتتطابق مع نمط artwork مختلف. لتحقيق ذلك، يتم تدريب الشبكة العصبية أولاً على مجموعة بيانات كبيرة من الصور المقترنة بأساليبها الفنية. من خلال هذه العملية، يتعلم النموذج تحديد ميزات الصورة العامة وأنماط الأسلوب.

بمجرد تدريب النموذج، يمكن ضبطه لتطبيق نمط لوحة معينة على صورة جديدة. تتكيف الشبكة مع الصورة الجديدة مع الحفاظ على ميزات النمط المكتسبة، مما يسمح لها بإنشاء نتيجة فريدة تجمع بين المحتوى الأصلي والنمط الفني المحدد. على سبيل المثال، يمكنك التقاط صورة لسلسلة جبال وتطبيق نمط لوحة الصرخة لإدفارد مونك، مما يؤدي إلى صورة تلتقط المشهد ولكن بأسلوب اللوحة الجريء والمعبر.

Fig 5. مثال على نقل الأسلوب الفني باستخدام التعلم النقلي.

نظرة على الاختلافات بين أنواع تعلم الآلة#

الآن بعد أن غطينا الأنواع الرئيسية لتعلم الآلة، دعونا نلقي نظرة فاحصة على كل منها لمساعدتك على فهم الخيار الأفضل لتطبيقات مختلفة.

• التعلم الخاضع للإشراف: هذا النوع دقيق للغاية عند العمل مع بيانات مصنفة ولكنه يتطلب الكثير من البيانات ويمكن أن يكون حساسًا للضوضاء.
• التعلم غير الخاضع للإشراف: إنه مفيد لاستكشاف البيانات غير المصنفة للعثور على أنماط مخفية، على الرغم من أن النتائج قد تكون أقل دقة وأصعب في التفسير.
• التعلم التعزيزي: يقوم بتدريب الوكلاء على اتخاذ قرارات خطوة بخطوة في بيئات معقدة ولكنه غالبًا ما يتطلب قدرة حوسبة كبيرة.
• تعلم النقل: يستخدم هذا النهج نماذج مدربة مسبقًا لتسريع التدريب وتحسين الأداء في المهام الجديدة، خاصة عندما تكون البيانات محدودة.

الشكل 6. مقارنة بين جميع أنواع تعلم الآلة. الصورة من المؤلف.

يعتمد اختيار نوع التعلم الآلي المناسب على عدة عوامل. يعمل التعلم الخاضع للإشراف بشكل جيد إذا كان لديك بيانات مسماة وفيرة ومهمة واضحة. يكون التعلم غير الخاضع للإشراف مفيداً لاستكشاف البيانات أو عندما تكون الأمثلة المسماة نادرة. يعتبر التعلم المعزز مثاليًا للمهمات المعقدة التي تتطلب اتخاذ قرار خطوة بخطوة، بينما يكون التعلم النقلي رائعاً عندما تكون البيانات محدودة أو الموارد مقيدة. من خلال مراعاة هذه العوامل، يمكنك تحديد النهج الأكثر ملاءمة لـ computer vision project الخاص بك.

ختاماً#

يمكن لتقنيات تعلم الآلة معالجة مجموعة متنوعة من التحديات، خاصة في مجالات مثل الرؤية الحاسوبية. من خلال فهم الأنواع المختلفة، وهي التعلم الخاضع للإشراف، وغير الخاضع للإشراف، والتعزيزي، وتعلم النقل، يمكنك اختيار أفضل نهج لاحتياجاتك.

يعد التعلم الخاضع للإشراف رائعًا للمهام التي تتطلب دقة عالية وبيانات مصنفة، بينما يعد التعلم غير الخاضع للإشراف مثاليًا للعثور على أنماط في البيانات غير المصنفة. يعمل التعلم التعزيزي بشكل جيد في الإعدادات المعقدة القائمة على القرارات، ويعد تعلم النقل مفيدًا عندما تريد البناء على نماذج مدربة مسبقًا ببيانات محدودة.

لكل طريقة نقاط قوة وتطبيقات فريدة، من التعرف على الوجوه إلى الروبوتات إلى نقل النمط الفني. يمكن لاختيار النوع المناسب أن يفتح إمكانيات جديدة عبر صناعات مثل الرعاية الصحية، والسيارات، والترفيه.

لاكتشاف المزيد، قم بزيارة مستودع GitHub الخاص بنا، وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والزراعة على صفحات الحلول الخاصة بنا. 🚀