أنواع تقنيات تعلّم الذكاء الاصطناعي المستخدمة في الرؤية الحاسوبية

تعلّم الآلة هو نوع من الذكاء الاصطناعي (AI) يساعد أجهزة الكمبيوتر على التعلّم من البيانات لكي تتمكن من اتخاذ القرارات بنفسها، من دون الحاجة إلى برمجة تفصيلية لكل مهمة. ويتضمن إنشاء نماذج خوارزمية قادرة على تحديد الأنماط في البيانات. ومن خلال تحديد الأنماط في البيانات والتعلّم منها، تستطيع هذه الخوارزميات تحسين أدائها تدريجيًا بمرور الوقت.

من المجالات التي يؤدي فيها تعلّم الآلة دورًا محوريًا الرؤية الحاسوبية، وهي إحدى مجالات الذكاء الاصطناعي التي تركز على البيانات المرئية. تستخدم الرؤية الحاسوبية تعلّم الآلة لمساعدة أجهزة الكمبيوتر على اكتشاف الأنماط والتعرّف إليها في الصور ومقاطع الفيديو. وبفضل التقدم في تعلّم الآلة، تُقدَّر القيمة السوقية العالمية للرؤية الحاسوبية بنحو 175.72 مليار دولار بحلول عام 2032.

في هذه المقالة، سنستعرض الأنواع المختلفة لتعلّم الآلة المستخدمة في الرؤية الحاسوبية، بما في ذلك التعلّم الخاضع للإشراف، والتعلّم غير الخاضع للإشراف، والتعلّم بالتعزيز، والتعلّم بالنقل، وكيف يؤدي كل منها دورًا في تطبيقات مختلفة. لنبدأ!

نظرة عامة على تعلّم الآلة في الرؤية الحاسوبية#

تعتمد الرؤية الحاسوبية على تعلّم الآلة، ولا سيما تقنيات مثل التعلّم العميق والشبكات العصبية، لتفسير المعلومات المرئية وتحليلها. وتتيح هذه الأساليب لأجهزة الكمبيوتر تنفيذ مهام الرؤية الحاسوبية مثل اكتشاف الكائنات في الصور، وتصنيف الصور حسب الفئة، والتعرّف على الوجوه. كما يُعد تعلّم الآلة أساسيًا لتطبيقات الرؤية الحاسوبية في الوقت الفعلي، مثل مراقبة الجودة في التصنيع والتصوير الطبي في الرعاية الصحية. وفي هذه الحالات، تساعد الشبكات العصبية أجهزة الكمبيوتر على تفسير البيانات المرئية المعقدة، مثل تحليل فحوصات الدماغ بهدف اكتشاف الأورام.

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

الشكل 1. تقسيم فحوصات الدماغ باستخدام Ultralytics YOLO11.

توجد عدة أنواع من أساليب التعلّم في تعلّم الآلة، مثل التعلّم الخاضع للإشراف، والتعلّم غير الخاضع للإشراف، والتعلّم بالنقل، والتعلّم بالتعزيز، وهي تدفع حدود ما يمكن تحقيقه في الرؤية الحاسوبية. في الأقسام التالية، سنستكشف كل نوع منها لفهم كيفية إسهامه في الرؤية الحاسوبية.

استكشاف التعلّم الخاضع للإشراف#

يُعدّ التعلُّم الخاضع للإشراف النوع الأكثر استخدامًا من تعلُّم الآلة. في التعلُّم الخاضع للإشراف، تُجرى تدريب النماذج باستخدام بيانات موسومة. تُوسم كل مدخلة بالمخرج الصحيح، ما يساعد النموذج على التعلُّم. وعلى غرار تعلُّم الطالب من معلّم، تعمل هذه البيانات الموسومة كدليل أو مشرف.

أثناء التدريب، يُزوَّد النموذج ببيانات الإدخال (المعلومات التي يحتاج إلى معالجتها) وبيانات الإخراج (الإجابات الصحيحة). يساعد هذا الإعداد النموذج على تعلّم العلاقة بين المدخلات والمخرجات. ويتمثل الهدف الرئيسي من التعلّم الخاضع للإشراف في أن يكتشف النموذج قاعدة أو نمطًا يربط كل مدخلة بمخرجتها الصحيحة بدقة. وباستخدام هذا الربط، يستطيع النموذج إجراء تنبؤات دقيقة عند مواجهته بيانات جديدة. فعلى سبيل المثال، يعتمد التعرّف على الوجوه في الرؤية الحاسوبية على التعلّم الخاضع للإشراف لتحديد الوجوه استنادًا إلى هذه الأنماط المتعلَّمة.

من الاستخدامات الشائعة لذلك فتح الهاتف الذكي باستخدام التعرّف على الوجه. يُدرَّب النموذج على صور معنونة لوجهك، بحيث يقارن الصورة الحية بما تعلّمه عند محاولة فتح هاتفك. وإذا اكتشف تطابقًا، يُفتح هاتفك.

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

كيف يعمل التعلّم غير الخاضع للإشراف في الذكاء الاصطناعي؟#

التعلّم غير الخاضع للإشراف هو نوع من تعلّم الآلة يستخدم بيانات غير معنونة؛ إذ لا يُزوَّد النموذج بأي توجيه أو إجابات صحيحة أثناء التدريب. وبدلًا من ذلك، يتعلّم اكتشاف الأنماط والرؤى بنفسه.

يحدد التعلّم غير الخاضع للإشراف الأنماط باستخدام ثلاث طرق رئيسية:

• التجميع: يجمع نقاط البيانات المتشابهة معًا. ويفيد ذلك في مهام مثل تقسيم العملاء، حيث يمكن تجميع العملاء المتشابهين استنادًا إلى سلوكياتهم أو سماتهم.
• الارتباط: يُستخدم لتحديد العلاقات بين العناصر، ما يساعد على اكتشاف الروابط داخل البيانات (مثل العثور على المنتجات التي تُشترى معًا غالبًا في تحليل سلة المشتريات).
• تقليل الأبعاد: يبسّط مجموعات البيانات بإزالة السمات الزائدة، ما يساعد في التصور والمعالجة.

من التطبيقات الرئيسية للتعلّم غير الخاضع للإشراف ضغط الصور، حيث تقلل تقنيات مثل تجميع k-means حجم الصورة من دون التأثير في جودتها المرئية. تُجمع وحدات البكسل في عناقيد، ويمثّل كل عنقود لون متوسط، ما ينتج صورة تحتوي على ألوان أقل وحجم ملف أصغر.

الشكل 3. مثال على ضغط الصور غير الخاضع للإشراف.

ومع ذلك، يواجه التعلّم غير الخاضع للإشراف بعض القيود. فمن دون إجابات محددة مسبقًا، قد يواجه صعوبة في الدقة وتقييم الأداء. وغالبًا ما يتطلب جهدًا يدويًا لتفسير النتائج ووضع تسميات للمجموعات، كما أنه حساس لمشكلات مثل القيم المفقودة والضوضاء، التي قد تؤثر في جودة النتائج.

شرح التعلّم بالتعزيز#

على خلاف التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف، لا يعتمد التعلّم بالتعزيز على بيانات التدريب. بل يستخدم وكلاء قائمين على الشبكات العصبية للتفاعل مع بيئة بهدف تحقيق هدف محدد.

تتضمن العملية ثلاثة مكونات رئيسية:

• الوكيل: المتعلّم أو متخذ القرار.
• البيئة: كل ما يتفاعل معه الوكيل، وقد تكون حقيقية أو افتراضية.
• إشارة المكافأة: قيمة عددية تُمنح بعد كل إجراء، لتوجيه الوكيل نحو الهدف.

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

يُعد التعلّم بالتعزيز أساسيًا لحالات استخدام مثل القيادة الذاتية والروبوتات. ففي القيادة الذاتية، تتعلّم مهام مثل التحكم في المركبة واكتشاف الكائنات وتجنبها استنادًا إلى التغذية الراجعة. وتُدرَّب النماذج باستخدام وكلاء قائمين على الشبكات العصبية لاكتشاف المشاة أو الكائنات الأخرى واتخاذ الإجراء المناسب لتجنب التصادم. وبالمثل، يتيح التعلّم بالتعزيز في الروبوتات تنفيذ مهام مثل معالجة الكائنات والتحكم في الحركة.

من الأمثلة الرائعة على التعلّم بالتعزيز أثناء العمل مشروعٌ من OpenAI، درّب فيه الباحثون وكلاء الذكاء الاصطناعي على لعب لعبة الفيديو الشهيرة متعددة اللاعبين Dota 2. وباستخدام الشبكات العصبية، عالج هؤلاء الوكلاء كميات هائلة من المعلومات المستقاة من بيئة اللعبة لاتخاذ قرارات سريعة واستراتيجية. ومن خلال التغذية الراجعة المستمرة، تعلّم الوكلاء وتحسّنوا بمرور الوقت، ووصلوا في النهاية إلى مستوى مهارة مكّنهم من هزيمة بعض أفضل لاعبي اللعبة.

الشكل 4. تفسير بشري مقابل تفسير الذكاء الاصطناعي لـ Dota Matrix.

فهم أساسيات التعلّم بالنقل#

يختلف التعلّم بالنقل عن أنواع التعلّم الأخرى. فبدلًا من تدريب نموذج من الصفر، يستخدم نموذجًا مدرَّبًا مسبقًا على مجموعة بيانات كبيرة، ثم يضبطه بدقة لمهمة جديدة لكنها ذات صلة. وتُستخدم المعرفة المكتسبة أثناء التدريب الأولي لتحسين أداء المهمة الجديدة. ويقلل التعلّم بالنقل الوقت المطلوب للتدريب على مهمة جديدة، تبعًا لتعقيدها. ويعمل ذلك من خلال الاحتفاظ بالطبقات الأولية للنموذج التي تلتقط السمات العامة، واستبدال الطبقات النهائية بطبقات المهمة الجديدة المحددة.

يُعد نقل الأسلوب الفني تطبيقًا مثيرًا للاهتمام للتعلّم بالنقل في الرؤية الحاسوبية. تتيح هذه التقنية للنموذج تحويل صورة لتطابق أسلوب عمل فني مختلف. ولتحقيق ذلك، تُدرَّب شبكة عصبية أولًا على مجموعة بيانات كبيرة من الصور المقترنة بأساليبها الفنية. ومن خلال هذه العملية، يتعلّم النموذج تحديد سمات الصور العامة وأنماط الأسلوب.

بعد تدريب النموذج، يمكن ضبطه بدقة لتطبيق أسلوب لوحة فنية محددة على صورة جديدة. وتتكيف الشبكة مع الصورة الجديدة مع الحفاظ على سمات الأسلوب المتعلَّمة، ما 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، ما ينتج صورة تجسّد المشهد ولكن بأسلوب اللوحة الجريء والتعبيري.

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

نظرة على الفروق بين أنواع تعلّم الآلة#

بعد أن غطّينا الأنواع الرئيسية لتعلّم الآلة، دعونا نلقِ نظرةً أقرب على كل نوع لمساعدتك على فهم الأنسب للتطبيقات المختلفة.

• التعلّم الخاضع للإشراف: يتميز هذا النوع بدقة عالية عند التعامل مع البيانات المعنونة، لكنه يتطلب كمية كبيرة من البيانات وقد يكون حساسًا للضوضاء.
• التعلّم غير الخاضع للإشراف: يفيد في استكشاف البيانات غير المعنونة للعثور على الأنماط الخفية، رغم أن النتائج قد تكون أقل دقة وأصعب في التفسير.
• التعلّم بالتعزيز: يدرّب الوكلاء على اتخاذ قرارات متتابعة خطوةً بخطوة في بيئات معقدة، لكنه يتطلب غالبًا قدرة حوسبية كبيرة.
• التعلّم بالنقل: يستخدم هذا النهج نماذج مدرَّبة مسبقًا لتسريع التدريب وتحسين الأداء في المهام الجديدة، ولا سيما عندما تكون البيانات محدودة.

الشكل 6. مقارنة بين جميع أنواع تعلّم الآلة. الصورة من إعداد المؤلف.

يعتمد اختيار نوع تعلّم الآلة المناسب على عدة عوامل. يعمل التعلّم الخاضع للإشراف جيدًا إذا كانت لديك بيانات معنونة وفيرة ومهمة واضحة. ويفيد التعلّم غير الخاضع للإشراف في استكشاف البيانات أو عندما تكون الأمثلة المعنونة نادرة. ويُعد التعلّم بالتعزيز مثاليًا للمهام المعقدة التي تتطلب اتخاذ قرارات خطوةً بخطوة، بينما يكون التعلّم بالنقل مناسبًا عندما تكون البيانات محدودة أو الموارد مقيّدة. ومن خلال مراعاة هذه العوامل، يمكنك اختيار النهج الأنسب لـمشروع الرؤية الحاسوبية الخاص بك.

في الختام#

يمكن لتقنيات تعلّم الآلة معالجة مجموعة متنوعة من التحديات، ولا سيما في مجالات مثل الرؤية الحاسوبية. ومن خلال فهم الأنواع المختلفة، أي التعلّم الخاضع للإشراف، والتعلّم غير الخاضع للإشراف، والتعلّم بالتعزيز، والتعلّم بالنقل، يمكنك اختيار النهج الأفضل لاحتياجاتك.

يناسب التعلّم الخاضع للإشراف المهام التي تتطلب دقة عالية وبيانات معنونة، بينما يُعد التعلّم غير الخاضع للإشراف مثاليًا للعثور على الأنماط في البيانات غير المعنونة. ويعمل التعلّم بالتعزيز جيدًا في البيئات المعقدة القائمة على اتخاذ القرارات، كما يفيد التعلّم بالنقل عندما تريد البناء على نماذج مدرَّبة مسبقًا باستخدام بيانات محدودة.

يمتلك كل أسلوب نقاط قوة وتطبيقات فريدة، بدءًا من التعرّف على الوجوه ووصولًا إلى الروبوتات ونقل الأسلوب الفني. ويمكن لاختيار النوع المناسب أن يفتح إمكانات جديدة في قطاعات مثل الرعاية الصحية والسيارات والترفيه.

لمزيد من الاستكشاف، تفضل بزيارة مستودع GitHub وتفاعل مع مجتمعنا. واستكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والزراعة على صفحات حلولنا. 🚀