أنواع تقنيات تعلم الذكاء الاصطناعي المستخدمة في الرؤية الحاسوبية

تعلم الآلة هو أحد أنواع الذكاء الاصطناعي (AI) الذي يساعد أجهزة الكمبيوتر على التعلم من البيانات حتى تتمكن من اتخاذ القرارات بشكل مستقل، دون الحاجة إلى برمجة مفصلة لكل مهمة. يتضمن ذلك إنشاء نماذج خوارزمية يمكنها تحديد الأنماط في البيانات. ومن خلال تحديد الأنماط في البيانات والتعلم منها، يمكن لهذه الخوارزميات تحسين أدائها تدريجيًا بمرور الوقت.

أحد المجالات التي يلعب فيها تعلم الآلة دورًا حاسمًا هو الرؤية الحاسوبية، وهو مجال من مجالات الذكاء الاصطناعي يركز على البيانات المرئية. تستخدم الرؤية الحاسوبية تعلم الآلة لمساعدة أجهزة الكمبيوتر على اكتشاف الأنماط والتعرف عليها في الصور ومقاطع الفيديو. وبفضل التطورات في تعلم الآلة، يُقدر القيمة السوقية العالمية للرؤية الحاسوبية بنحو 175.72 مليار دولار بحلول عام 2032.

في هذه المقالة، سنلقي نظرة على الأنواع المختلفة لتعلم الآلة المستخدمة في الرؤية الحاسوبية، بما في ذلك التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم التعزيزي، وتعلم النقل، وكيف يلعب كل منها دورًا في تطبيقات مختلفة. لنبدأ!

Link to this sectionنظرة عامة على تعلم الآلة في الرؤية الحاسوبية#

تعتمد الرؤية الحاسوبية على تعلم الآلة، وخاصة تقنيات مثل التعلم العميق والشبكات العصبية، لتفسير وتحليل المعلومات المرئية. تُمكّن هذه الطرق أجهزة الكمبيوتر من أداء مهام الرؤية الحاسوبية مثل اكتشاف الكائنات في الصور، وتصنيف الصور حسب الفئة، والتعرف على الوجوه. يعد تعلم الآلة ضروريًا أيضًا لتطبيقات الرؤية الحاسوبية في الوقت الفعلي مثل مراقبة الجودة في التصنيع والتصوير الطبي في الرعاية الصحية. في هذه الحالات، تساعد الشبكات العصبية أجهزة الكمبيوتر على تفسير البيانات المرئية المعقدة، مثل تحليل فحوصات الدماغ لـ اكتشاف الأورام.

في الواقع، العديد من نماذج الرؤية الحاسوبية المتقدمة، مثل Ultralytics YOLO11، مبنية على شبكات عصبية.

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.

Link to this sectionاستكشاف التعلم الخاضع للإشراف#

التعلم الخاضع للإشراف هو النوع الأكثر شيوعًا لاستخدام تعلم الآلة. في التعلم الخاضع للإشراف، يتم تدريب النماذج باستخدام بيانات مصنفة. يتم وضع علامة على كل إدخال مع المخرجات الصحيحة، مما يساعد النموذج على التعلم. يشبه هذا التعلم طالبًا يتعلم من معلم، حيث تعمل هذه البيانات المصنفة كدليل أو مشرف.

أثناء التدريب، يتم تزويد النموذج ببيانات الإدخال (المعلومات التي يحتاجها للمعالجة) وبيانات المخرجات (الإجابات الصحيحة). يساعد هذا الإعداد النموذج على تعلم الارتباط بين المدخلات والمخرجات. الهدف الرئيسي من التعلم الخاضع للإشراف هو أن يكتشف النموذج قاعدة أو نمطًا يربط بدقة كل إدخال بمخرجاته الصحيحة. بفضل هذا التعيين، يمكن للنموذج إجراء تنبؤات دقيقة عندما يواجه بيانات جديدة. على سبيل المثال، يعتمد التعرف على الوجوه في الرؤية الحاسوبية على التعلم الخاضع للإشراف لتحديد الوجوه بناءً على هذه الأنماط المكتسبة.

من الاستخدامات الشائعة لذلك هو فتح هاتفك الذكي باستخدام التعرف على الوجه. يتم تدريب النموذج على صور مصنفة لوجهك بحيث يقوم، عند قيامك بفتح هاتفك، بمقارنة الصورة الحية بما تعلمه. إذا اكتشف تطابقًا، يتم إلغاء قفل هاتفك.

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

Link to this sectionكيف يعمل التعلم غير الخاضع للإشراف في الذكاء الاصطناعي؟#

التعلم غير الخاضع للإشراف هو نوع من تعلم الآلة يستخدم بيانات غير مصنفة - حيث لا يتم إعطاء النموذج أي توجيه أو إجابات صحيحة أثناء التدريب. بدلاً من ذلك، يتعلم اكتشاف الأنماط والرؤى بمفرده.

يحدد التعلم غير الخاضع للإشراف الأنماط باستخدام ثلاث طرق رئيسية:

• التجميع: يجمع نقاط البيانات المتشابهة معًا. إنه مفيد لمهام مثل تقسيم العملاء، حيث يمكن تجميع العملاء المتشابهين بناءً على سلوكياتهم أو سماتهم.
• الارتباط: يُستخدم لتحديد العلاقات بين العناصر، مما يساعد في الكشف عن الروابط داخل البيانات (على سبيل المثال، العثور على المنتجات التي يتم شراؤها غالبًا معًا في تحليل سلة السوق).
• تقليل الأبعاد: يبسط مجموعات البيانات عن طريق إزالة الميزات الزائدة، مما يساعد في التصور والمعالجة.

من التطبيقات الرئيسية للتعلم غير الخاضع للإشراف هو ضغط الصور، حيث تقلل تقنيات مثل تجميع k-means حجم الصورة دون التأثير على الجودة المرئية. يتم تجميع البكسلات في مجموعات، ويتم تمثيل كل مجموعة بلون متوسط، مما ينتج عنه صورة بعدد أقل من الألوان وحجم ملف أصغر.

الشكل 3. مثال على ضغط الصور غير الخاضع للإشراف.

However, unsupervised learning does face certain limitations. Without predefined answers, it can struggle with accuracy and performance evaluation. It often requires manual effort to interpret results and label groups, and it is sensitive to issues like missing values and noise, which can impact the quality of the results.

Link to this sectionشرح التعلم التعزيزي#

على عكس التعلم الخاضع للإشراف وغير الخاضع للإشراف، لا يعتمد التعلم التعزيزي على بيانات التدريب. بدلاً من ذلك، فإنه يستخدم وكلاء الشبكة العصبية للتفاعل مع بيئة لتحقيق هدف محدد.

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 التعزيزي أمرًا أساسيًا لحالات الاستخدام مثل القيادة الذاتية والروبوتات. في القيادة الذاتية، تتعلم مهام مثل التحكم في المركبة واكتشاف الكائنات وتجنبها بناءً على التعليقات. يتم تدريب النماذج باستخدام وكلاء الشبكة العصبية لاكتشاف المشاة أو الكائنات الأخرى واتخاذ الإجراء المناسب لـ تجنب الاصطدام. وبالمثل، في الروبوتات، يُمكّن التعلم التعزيزي مهام مثل التعامل مع الكائنات والتحكم في الحركة.

مثال رائع للتعلم التعزيزي في العمل هو مشروع من قبل OpenAI، حيث قام الباحثون بـ تدريب وكلاء الذكاء الاصطناعي للعب لعبة الفيديو الشهيرة متعددة اللاعبين، Dota 2. باستخدام الشبكات العصبية، عالج هؤلاء الوكلاء كميات هائلة من المعلومات من بيئة اللعبة 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 أفضل لاعبي اللعبة.

الشكل 4. تفسير الإنسان مقابل الذكاء الاصطناعي لمصفوفة Dota.

Link to this sectionفهم أساسيات تعلم النقل#

تعلم النقل يختلف عن الأنواع الأخرى من التعلم. فبدلاً من تدريب نموذج من الصفر، فإنه يستخدم نموذجًا مدربًا مسبقًا على مجموعة بيانات كبيرة ويقوم بضبطه لمهمة جديدة، ولكن ذات صلة. تُستخدم المعرفة المكتسبة أثناء التدريب الأولي لتحسين أداء المهمة الجديدة. يقلل تعلم النقل من الوقت المطلوب للتدريب على مهمة جديدة، اعتمادًا على تعقيدها. يعمل عن طريق الاحتفاظ بالطبقات الأولية للنموذج التي تلتقط الميزات العامة واستبدال الطبقات النهائية بطبقات المهمة الجديدة المحددة.

يعد نقل النمط الفني تطبيقًا مثيرًا للاهتمام لتعلم النقل في الرؤية الحاسوبية. تُمكّن هذه التقنية النموذج من تحويل صورة لتتناسب مع نمط أعمال فنية مختلفة. لتحقيق ذلك، يتم أولاً تدريب شبكة عصبية على مجموعة بيانات كبيرة من الصور المقترنة بأنماطها 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.

الشكل 5. مثال على نقل النمط الفني باستخدام تعلم النقل.

Link to this sectionنظرة 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 تعلم الآلة المناسب على عدة عوامل. يعمل التعلم الخاضع للإشراف بشكل جيد إذا كان لديك وفرة من البيانات المصنفة ومهمة واضحة. يعد التعلم غير الخاضع للإشراف مفيدًا لاستكشاف البيانات أو عندما تكون الأمثلة المصنفة نادرة. التعلم التعزيزي مثالي للمهام المعقدة التي تتطلب اتخاذ قرارات خطوة بخطوة، بينما يعد تعلم النقل رائعًا عندما تكون البيانات محدودة أو الموارد مقيدة. من خلال النظر في هذه العوامل، يمكنك اختيار النهج الأكثر ملاءمة لـ مشروع الرؤية الحاسوبية الخاص بك.

Link to this sectionختاماً#

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.

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