استخدام التعلّم الخاضع للإشراف الذاتي لإزالة التشويش من الصور

الصور جزء من حياتنا اليومية، بدءًا من الصور التي نلتقطها وصولًا إلى مقاطع الفيديو التي تسجلها الكاميرات في الأماكن العامة. وهي تحتوي على معلومات قيّمة، وتتيح التقنيات الحديثة تحليل هذه البيانات وتفسيرها.

وعلى وجه الخصوص، تتيح الرؤية الحاسوبية، وهي فرع من فروع الذكاء الاصطناعي (AI)، للآلات معالجة المعلومات البصرية وفهم ما تراه، على غرار البشر. لكن الصور في التطبيقات الواقعية غالبًا ما تكون بعيدة عن الكمال.

قد تخفي ضوضاء الصور الناجمة عن المطر أو الغبار أو الإضاءة الخافتة أو محدودية المستشعرات تفاصيل مهمة، ما يصعّب على نماذج الذكاء الاصطناعي بالرؤية اكتشاف الكائنات أو تفسير المشاهد بدقة. ويساعد إزالة الضوضاء من الصور على تقليلها، ما يتيح لنماذج الذكاء الاصطناعي بالرؤية رؤية التفاصيل بوضوح أكبر وإصدار تنبؤات أفضل.

الشكل 1. مثال على إزالة الضوضاء من صورة. (المصدر)

تقليديًا، اعتمدت إزالة الضوضاء من الصور على التعلم الخاضع للإشراف، حيث تُدرّب النماذج باستخدام أزواج من الصور المشوشة والنقية لتعلّم كيفية إزالة الضوضاء. لكن جمع صور مرجعية نقية تمامًا ليس عمليًا دائمًا.

لمعالجة هذا التحدي، طوّر الباحثون أساليب إزالة الضوضاء ذاتية الإشراف من الصور. وتهدف هذه الأساليب إلى تدريب نماذج الذكاء الاصطناعي على التعلم مباشرة من البيانات، وإنشاء إشارات التعلم الخاصة بها لإزالة الضوضاء والحفاظ على التفاصيل المهمة دون الحاجة إلى صور مرجعية نقية.

سنلقي في هذه المقالة نظرة فاحصة على مزيلات الضوضاء ذاتية الإشراف للصور، وكيفية عملها، والتقنيات الأساسية التي تستند إليها، وتطبيقاتها في العالم الواقعي.

ما إزالة الضوضاء ذاتية الإشراف من الصور؟#

قد تصعّب الصور المشوشة على نماذج الذكاء الاصطناعي بالرؤية تفسير محتوى الصورة. فمثلًا، قد تبدو صورة ملتقطة في ظروف إضاءة خافتة محببة أو ضبابية، ما يخفي السمات الدقيقة التي تساعد النموذج على تحديد الكائنات بدقة.

في إزالة الضوضاء القائمة على التعلم الخاضع للإشراف، تُدرّب النماذج باستخدام أزواج من الصور، إحداها مشوشة والأخرى نقية، لتعلّم كيفية إزالة الضوضاء غير المرغوب فيها. وعلى الرغم من فعالية هذا النهج، فإن جمع بيانات مرجعية نقية تمامًا يستغرق وقتًا طويلًا ويصعب غالبًا في ظروف العالم الواقعي.

لذلك اتجه الباحثون إلى إزالة الضوضاء ذاتية الإشراف من الصور. وتستند هذه الطريقة إلى مفهوم التعلم ذاتي الإشراف، حيث تعلّم النماذج نفسها بإنشاء إشارات التعلم الخاصة بها من البيانات.

لأن هذه الطريقة لا تعتمد على مجموعات بيانات كبيرة ذات تسميات، تكون إزالة الضوضاء ذاتية الإشراف أسرع وأسهل في التوسع والتطبيق عبر مجالات مثل التصوير في الإضاءة الخافتة والتصوير الطبي وتحليل صور الأقمار الصناعية، حيث لا تتوفر غالبًا صور مرجعية نقية.

بدلًا من الاعتماد على صور مرجعية نقية، تُدرّب هذه الطريقة مباشرة على بيانات مشوشة من خلال التنبؤ بالبكسلات المحجوبة أو إعادة بناء الأجزاء المفقودة. ومن خلال هذه العملية، يتعلم النموذج التمييز بين تفاصيل الصور ذات المعنى والضوضاء العشوائية، ما ينتج صورًا أوضح وأكثر دقة.

قد يبدو التعلم ذاتي الإشراف مشابهًا لـالتعلم غير الخاضع للإشراف، لكنه في الواقع حالة خاصة منه. ويتمثل الفرق الأساسي في أن النموذج في التعلم ذاتي الإشراف ينشئ تسمياته أو إشارات تدريبه الخاصة من البيانات لتعلّم مهمة محددة. أما التعلم غير الخاضع للإشراف، فيركز على اكتشاف الأنماط أو البنى الخفية في البيانات من دون مهمة صريحة أو هدف محدد مسبقًا.

استراتيجيات التعلم في إزالة الضوضاء ذاتية الإشراف#

تستطيع مزيلات الضوضاء ذاتية الإشراف التعلم بطرائق متعددة. فبعضها يملأ وحدات البكسل المحجوبة أو المفقودة، بينما يقارن بعضها الآخر نسخًا متعددة مشوشة من الصورة نفسها للعثور على التفاصيل المتسقة.

على سبيل المثال، تركز طريقة شائعة تُعرف بالتعلم بنقطة عمياء على تدريب نموذج إزالة الضوضاء بحيث يتجاهل البكسل الذي يعيد بناءه ويعتمد بدلًا من ذلك على السياق المحيط. وبمرور الوقت، يعيد النموذج بناء صور عالية الجودة مع الحفاظ على الأنسجة والحواف والألوان الأساسية.

كيف يزيل التعلم ذاتي الإشراف الضوضاء#

سنستكشف بعد ذلك العملية التي يستخدمها التعلم ذاتي الإشراف لإزالة الضوضاء.

تبدأ عملية إزالة الضوضاء ذاتية الإشراف عادةً بإدخال صور مشوشة إلى نموذج إزالة الضوضاء. ويحلل النموذج وحدات البكسل المجاورة لتقدير الشكل الذي ينبغي أن تبدو عليه كل وحدة بكسل غير واضحة أو محجوبة، ويتعلم تدريجيًا التمييز بين الضوضاء والتفاصيل المرئية الحقيقية.

تأمل صورة لسماء داكنة ومحببة. ينظر النموذج إلى النجوم القريبة والأنماط المحيطة ليتنبأ بالشكل الذي ينبغي أن تبدو عليه كل رقعة مشوشة دون ضوضاء. ومن خلال تكرار هذه العملية على الصورة بأكملها، يتعلم فصل الضوضاء العشوائية عن السمات ذات المعنى، منتجًا نتيجة أوضح وأكثر دقة.

بعبارة أخرى، يتنبأ النموذج بنسخة أنقى من الصورة استنادًا إلى السياق، من دون الحاجة إلى صورة مرجعية نقية تمامًا. ويمكن تنفيذ هذه العملية باستخدام أنواع مختلفة من النماذج، لكل منها مزايا فريدة في التعامل مع الضوضاء.

أنواع النماذج المستخدمة للحد من ضوضاء الصور ذاتيًا#

إليك لمحة سريعة عن أنواع النماذج الشائعة الاستخدام لإزالة الضوضاء ذاتية الإشراف من الصور:

• الشبكات العصبية الالتفافية (CNNs): نماذج CNNs هي نماذج تعلّم عميق مصممة للتعرف على الأنماط في المناطق الصغيرة من الصورة. وتمسح الصور باستخدام مرشحات لاكتشاف الحواف والأشكال والأنسجة. وفي إزالة الضوضاء ذاتية الإشراف، غالبًا ما تستخدم هذه النماذج تقنيات النقطة العمياء، حيث يُستبعد البكسل المستهدف من المدخلات كي يتنبأ النموذج بقيمته استنادًا إلى البكسلات المحيطة فقط. ويساعد ذلك النموذج على تجنب نسخ الضوضاء واستنتاج تفاصيل أنقى بدلًا من ذلك.
• المشفّرات التلقائية: الشبكات العصبية التلقائية التي تتعلم ضغط البيانات وإعادة بنائها. وهي تختزل الصورة أولًا إلى تمثيل أصغر (ترميز)، ثم تعيد بناءها (فك الترميز). وفي أثناء هذه العملية، تتعلم استخلاص السمات المرئية المهمة، مثل الأشكال والأنسجة، مع تصفية الضوضاء العشوائية والتفاصيل غير ذات الصلة.
• النماذج القائمة على Transformer: طُوّرت نماذج Transformer في الأصل لمعالجة اللغة الطبيعية، لكنها تُستخدم الآن على نطاق واسع في مهام الرؤية. وتعالج الصورة بأكملها دفعة واحدة، متعلمةً كيفية ترابط المناطق المختلفة بعضها ببعض. ويتيح هذا المنظور الشامل الحفاظ على التفاصيل الدقيقة والاتساق البنيوي، حتى في الصور المعقدة أو عالية الدقة.

الشكل 2. نظرة على بنية قائمة على CNN تُستخدم لإزالة الضوضاء من الصور بالتعلم الذاتي الإشراف. (المصدر)

يساعد تدريب هذه النماذج باستخدام صور ملتقطة في ظروف إضاءة وإعدادات ISO مختلفة على أدائها جيدًا في كثير من المواقف الواقعية. في الكاميرات الرقمية، تتحكم إعدادات ISO في مدى تفتيح الكاميرا للصورة من خلال تضخيم الإشارة التي تستقبلها.

تجعل قيمة ISO الأعلى الصور أكثر سطوعًا في الأماكن المظلمة، لكنها تزيد الضوضاء وتقلل التفاصيل أيضًا. ومن خلال التعلم من صور ملتقطة بمستويات ISO مختلفة، تتحسن قدرة النماذج على التمييز بين التفاصيل الحقيقية والضوضاء، ما يؤدي إلى نتائج أوضح وأكثر دقة.

كيف تتعلم أداة إزالة الضوضاء التمييز بين الضوضاء والتفاصيل الحقيقية؟#

تتعلم أدوات إزالة الضوضاء التمييز بين الضوضاء وتفاصيل الصور الحقيقية من خلال تقنيات تدريب مختلفة، وهي مستقلة عن أنواع النماذج المستخدمة لإزالة الضوضاء. وتصف أنواع النماذج، مثل CNNs والمشفّرات التلقائية والمحولات، بنية الشبكة وكيفية معالجتها للمعلومات المرئية.

أما تقنيات التدريب، فتحدد كيفية تعلّم النموذج. تستخدم بعض الأساليب التنبؤ القائم على السياق، حيث يملأ النموذج وحدات البكسل المفقودة أو المحجوبة مستعينًا بالمعلومات من المناطق المجاورة.

وتستخدم أساليب أخرى التعلم القائم على إعادة البناء، حيث يضغط النموذج الصورة إلى صيغة أبسط ثم يعيد بناءها، ما يساعده على التعرّف على البنى ذات المعنى، مثل الحواف والأنسجة، مع ترشيح الضوضاء العشوائية.

يحدد نوع النموذج وتقنية التدريب معًا مدى فعالية أداة إزالة الضوضاء في تنقية الصور. ومن خلال الجمع بين البنية المناسبة ونهج التعلم المناسب، تستطيع أدوات إزالة الضوضاء ذاتية الإشراف التكيف مع أنواع كثيرة من الضوضاء وإنتاج صور أوضح وأكثر دقة حتى من دون بيانات مرجعية خالية من الضوضاء.

التقنيات الأساسية لإزالة الضوضاء من الصور بالذكاء الاصطناعي ذاتي الإشراف#

فيما يلي بعض تقنيات التدريب الأكثر استخدامًا، والتي تتيح إزالة الضوضاء من الصور بفعالية باستخدام التعلم الذاتي الإشراف:

• Noise2Noise: تدرّب هذه الطريقة نموذجًا باستخدام نسختين مشوشتين من الصورة نفسها. وبما أن الضوضاء في كل نسخة عشوائية، يتعلم النموذج التركيز على التفاصيل المتسقة التي تمثل الصورة الحقيقية وتجاهل الضوضاء. وتكون هذه الطريقة أفضل أداءً عند توفر لقطات متعددة مشوشة للمشهد نفسه، كما في التصوير المتتابع أو التصوير الطبي والعلمي.
• Noise2Void أو Noise2Self: تدرّب هذه التقنيات نموذجًا على صورة مشوشة واحدة، وذلك بإخفاء (حجب) بكسل وطلب التنبؤ بقيمته استنادًا إلى وحدات البكسل المحيطة. وهذا يمنع النموذج من مجرد نسخ البيانات المشوشة ويساعده على تعلم البنية الطبيعية للصور. وهي مفيدة خصوصًا عندما لا تتوفر سوى صورة مشوشة واحدة، كما في المجهر أو علم الفلك أو التصوير في الإضاءة المنخفضة.
• شبكات النقاط العمياء: صُممت هذه الشبكات خصيصًا بحيث لا يستطيع النموذج رؤية البكسل الذي يعيد بناءه. وبدلًا من ذلك، يعتمد على المعلومات من المنطقة المحيطة لتقدير الشكل الذي ينبغي أن يبدو عليه ذلك البكسل. وهذا يجعل إزالة الضوضاء أكثر دقة وأقل تحيزًا، وغالبًا ما تُدمج هذه الشبكات مع أساليب Noise2Void أو Noise2Self في مهام إزالة الضوضاء على مستوى البكسل.
• المشفّرات التلقائية المقنّعة (MAE): في هذا النهج، تُحجب أجزاء من الصورة ويتعلم النموذج إعادة بناء المناطق المفقودة. ومن خلال ذلك، يتعلم التفاصيل الدقيقة والبنية العامة، ما يساعده على التمييز بين المحتوى الحقيقي والضوضاء. وتتميز المشفّرات التلقائية المقنّعة بفاعلية خاصة مع الصور عالية الدقة أو المعقدة، حيث يسهم فهم السياق الأوسع في تحسين الاستعادة.

تقييم أنظمة إزالة الضوضاء من الصور#

تتطلب إزالة الضوضاء من الصور تحقيق توازن دقيق بين هدفين: تقليل الضوضاء والحفاظ على التفاصيل الدقيقة. فالإفراط في إزالة الضوضاء قد يجعل الصورة باهتة أو ضبابية، بينما قد يؤدي التقليل منها إلى بقاء التحبب أو التشوهات غير المرغوب فيها.

لفهم مدى نجاح النموذج في تحقيق هذا التوازن، يستخدم الباحثون مقاييس تقييم تقيس وضوح الصورة والحفاظ على التفاصيل معًا. وتوضح هذه المقاييس مدى نجاح النموذج في تنقية الصورة من دون فقدان معلومات مرئية مهمة.

فيما يلي مقاييس تقييم شائعة تساعد على قياس جودة الصورة وأداء إزالة الضوضاء:

• متوسط مربع الخطأ (MSE): يقيس متوسط مربعات الفروق بين الصورة الأصلية والصورة بعد إزالة الضوضاء. ويسلط الضوء على مدى تقارب الناتج من الصورة الأصلية على مستوى البكسل. وتشير قيم MSE الأقل إلى أخطاء أقل ونتيجة أدق.
• نسبة الإشارة إلى الضوضاء القصوى (PSNR): يقارن هذا المقياس قوة إشارة الصورة الأصلية بالضوضاء المتبقية، ويُعبّر عنه بالديسيبل. ويُستخدم لمعرفة مقدار التفاصيل الأصلية التي حُفظت بعد إزالة الضوضاء. وتشير قيم PSNR الأعلى إلى صور أوضح وأعلى جودة.
• مقياس مؤشر التشابه البنيوي (SSIM): يقيّم SSIM البنية والسطوع والتباين لقياس التشابه بين الصورة بعد إزالة الضوضاء والصورة الأصلية. ويركز على كيفية رؤية البشر للصور، لا على الأرقام المجردة فحسب. وتشير درجات SSIM الأعلى إلى أن الصورة تبدو أكثر طبيعية وأقرب إلى الأصل.
• المقاييس الإدراكية: تستخدم هذه المقاييس نماذج التعلم العميق للحكم على مدى واقعية الصورة وطبيعتها. وبدلًا من مقارنة وحدات البكسل الفردية، تركز على المظهر العام والأنسجة والتشابه المرئي. وفي معظم الحالات، تعني الدرجات الأقل أن الصورة أقرب إلى الأصل وأكثر إرضاءً بصريًا للبشر.

تطبيقات إزالة الضوضاء ذاتية الإشراف#

بعد أن أصبح لدينا فهم أفضل لمفهوم إزالة الضوضاء، لنتعرف على كيفية تطبيق إزالة الضوضاء من الصور بالتعلم الذاتي الإشراف في مواقف العالم الحقيقي.

استخدام إزالة الضوضاء ذاتية الإشراف في التصوير الفلكي#

ليس من السهل التقاط صور واضحة للنجوم والمجرات. فالسماء ليلًا مظلمة، لذا تحتاج الكاميرات غالبًا إلى أزمنة تعريض طويلة، ما قد يؤدي إلى ضوضاء غير مرغوب فيها. وقد تطمس هذه الضوضاء التفاصيل الكونية الدقيقة وتجعل رصد الإشارات الخافتة أكثر صعوبة.

يمكن لأدوات إزالة الضوضاء التقليدية أن تساعد في الحد منها، لكنها غالبًا ما تزيل تفاصيل مهمة معها. وتوفر إزالة الضوضاء ذاتية الإشراف بديلًا أكثر ذكاءً. فمن خلال التعلم مباشرةً من الصور المشوشة، يستطيع نموذج الذكاء الاصطناعي التعرّف على الأنماط التي تمثل السمات الحقيقية وفصلها عن الضوضاء العشوائية.

والنتيجة صور أوضح بكثير للأجرام السماوية، مثل النجوم والمجرات والشمس، تكشف تفاصيل خافتة قد لا تُلاحظ لولا ذلك. كما يمكنها إبراز السمات الفلكية الدقيقة، وتحسين وضوح الصورة وجعل البيانات أكثر فائدة للأبحاث العلمية.

الشكل 3. يمكن لإزالة الضوضاء من الصور تحسين صور التصوير الفلكي. (المصدر)

إزالة الضوضاء ذاتية الإشراف في التصوير الطبي#

غالبًا ما تلتقط الصور الطبية، مثل صور MRI وCT والصور المجهرية، ضوضاء تجعل رؤية التفاصيل الصغيرة أكثر صعوبة. وقد يشكل ذلك مشكلة عندما يحتاج الأطباء إلى رصد العلامات المبكرة للمرض أو تتبع التغيرات بمرور الوقت.

قد تنشأ ضوضاء الصور بسبب حركة المريض أو ضعف قوة الإشارة أو القيود المفروضة على كمية الإشعاع المستخدمة. ولتحسين وضوح الصور الطبية، بحث العلماء في أساليب إزالة الضوضاء ذاتية الإشراف، مثل Noise2Self وأساليب أخرى مشابهة.

في إحدى الدراسات، دُرّبت هذه النماذج مباشرة على صور دماغ بالرنين المغناطيسي مشوشة، فتعلمت أنماط الضوضاء بنفسها ونقّحت الصور من دون الحاجة إلى أمثلة واضحة تمامًا. وأظهرت الصور المعالجة أنسجة أكثر وضوحًا وتباينًا أفضل، ما سهّل تحديد البنى الدقيقة. ويمكن لمزيلات الضوضاء المدعومة بالذكاء الاصطناعي، مثل هذه، تبسيط سير عمل التصوير التشخيصي وتسريع التحليل.

الشكل 4. استخدام تقنيات مختلفة لإزالة الضوضاء ذاتية الإشراف على صور MRI للدماغ. (المصدر)

تحسين أنظمة الرؤية بإزالة الضوضاء ذاتية الإشراف#

يمكن أن يكون لإزالة الضوضاء أثر كبير في مجموعة واسعة من تطبيقات الرؤية الحاسوبية. فهي تزيل الضوضاء والتشوهات غير المرغوب فيها، وتنتج بيانات إدخال أنقى وأكثر اتساقًا لمعالجتها بواسطة نماذج الذكاء الاصطناعي للرؤية.

تؤدي الصور الأوضح إلى تحسين الأداء في مهام الرؤية الحاسوبية، مثل اكتشاف الكائنات وتقسيم المثيلات والتعرّف على الصور. وفيما يلي أمثلة على تطبيقات يمكن أن تستفيد فيها نماذج Vision AI، مثل Ultralytics YOLO11 وUltralytics YOLO26، من إزالة الضوضاء:

• الفحص الصناعي: تدعم إزالة الضوضاء اكتشاف عيوب الأسطح أو الحالات الشاذة في بيئات التصنيع بدقة أكبر، ما يؤدي إلى تحسين مراقبة الجودة.
• القيادة الذاتية والملاحة: تحسن إزالة الضوضاء اكتشاف الكائنات والعوائق في الظروف الصعبة، مثل الإضاءة المنخفضة أو المطر أو الضباب، ما يعزز السلامة والموثوقية عمومًا.
• المراقبة والأمن: تحسن إزالة الضوضاء جودة الصور في بث الفيديو منخفض الإضاءة أو عالي الضغط، ما يتيح تحديد الكائنات أو الأشخاص وتتبعهم على نحو أفضل.
• التصوير تحت الماء: تقلل إزالة الضوضاء من التشتت وتشوه الضوء، ما يعزز الرؤية والتعرّف على الكائنات في الظروف العكرة تحت الماء.

مزايا إزالة الضوضاء ذاتية الإشراف وعيوبها#

فيما يلي بعض الفوائد الرئيسية لاستخدام إزالة الضوضاء ذاتية الإشراف في أنظمة التصوير:

• التكيف مع الضوضاء: تستطيع أساليب إزالة الضوضاء ذاتية الإشراف التعلم مباشرةً من البيانات المشوشة من دون الحاجة إلى صور مرجعية نظيفة مقترنة. وهذا يجعلها شديدة القدرة على التكيف مع مجموعة واسعة من مستويات الضوضاء وأنواعها في العالم الحقيقي، مثل ضوضاء المستشعر أو ضبابية الحركة أو التداخل البيئي.
• الحفاظ على التفاصيل: تحافظ هذه النماذج، عند تصميمها جيدًا، على الأنسجة الدقيقة والحواف الضرورية لتفسير الصور بدقة. وتساعد أساليب مثل شبكات النقاط العمياء والتعلم القائم على الإخفاء في الحفاظ على المعلومات البنيوية مع الحد من الضوضاء.
• تقليل المعالجة المسبقة: من خلال تعلم تحويل المدخلات المشوشة إلى تمثيلات نظيفة باستخدام البيانات المتاحة فقط، يقلل النموذج الحاجة إلى الترشيح اليدوي أو خوارزميات إزالة الضوضاء المصممة يدويًا أو مجموعات بيانات التدريب المنقحة.

على الرغم من فوائدها، تنطوي إزالة الضوضاء ذاتية الإشراف أيضًا على بعض القيود. وفيما يلي عوامل ينبغي أخذها في الاعتبار:

• المتطلبات الحاسوبية: قد تتطلب البنى العميقة للشبكات العصبية المستخدمة في إزالة الضوضاء ذاتية الإشراف، ولا سيما النماذج القائمة على Transformer، قدرًا كبيرًا من القدرة الحاسوبية وموارد الذاكرة مقارنةً بتقنيات الترشيح التقليدية.
• تعقيد تصميم النموذج: يتطلب تحقيق أفضل النتائج اختيار إعدادات النموذج بعناية، مثل استراتيجية الإخفاء ودالة الخسارة، وقد تختلف هذه الإعدادات باختلاف أنواع الضوضاء.
• تحديات التقييم: لا تتوافق مقاييس جودة الصور الشائعة دائمًا مع مدى طبيعية الصورة المنقاة أو واقعيتها، لذا غالبًا ما تكون هناك حاجة إلى فحوصات بصرية أو خاصة بالمهمة.

أبرز النقاط#

تساعد إزالة الضوضاء ذاتية الإشراف نماذج الذكاء الاصطناعي على التعلم مباشرةً من الصور المشوشة، لإنتاج نتائج أوضح مع الحفاظ على التفاصيل الدقيقة. وتعمل بفاعلية في مجموعة متنوعة من الظروف الصعبة، مثل الإضاءة المنخفضة وقيم ISO العالية والصور الغنية بالتفاصيل. ومع استمرار تطور الذكاء الاصطناعي، يُرجح أن تؤدي هذه التقنيات دورًا أساسيًا في تطبيقات الرؤية الحاسوبية المختلفة.

انضم إلى مجتمعنا واستكشف مستودع GitHub للتعرف على المزيد عن الذكاء الاصطناعي. وإذا كنت تتطلع إلى بناء مشروعك الخاص في مجال Vision AI، فاطلع على خيارات الترخيص. تعرّف على مزيد من التطبيقات، مثل الذكاء الاصطناعي في الرعاية الصحية وVision AI في قطاع التجزئة، بزيارة صفحات حلولنا.