ما ذكاء السرب؟ استكشاف دوره في الذكاء الاصطناعي للرؤية

عادةً، عندما نرى سربًا من الطيور يشكل حرف V مثاليًا أو نملًا يتجمع حول مصدر غذاء، نعجب بجمال الطبيعة دون أن نتوقف للتفكير في العمليات المعقدة والذكية التي تجري وراء ذلك. لكن العلماء توقفوا وأمعنوا النظر، ولاحظوا وجود نظام مذهل وراء هذه السلوكيات.

في الواقع، ألهمت هذه الظواهر الطبيعية مفهوم ذكاء السرب في الذكاء الاصطناعي، حيث تتعاون عوامل بسيطة كثيرة لمعالجة مشكلات معقدة. وبدلًا من الاعتماد على قائد مركزي واحد، تتواصل هذه العوامل وتتكيف وتتعلم بعضها من بعض، تمامًا كما يحدث في كثير من الأنظمة الطبيعية.

يحظى مفهوم ذكاء السرب باهتمام متزايد بوصفه مجالًا بحثيًا مثيرًا في تحسين الذكاء الاصطناعي والتعلم العميق، ولا سيما الرؤية الحاسوبية. وهو يقدم أسلوبًا جديدًا لتحسين تعلم الآلات واكتشافها للكائنات، بل وحتى تعاونها ضمن مجموعات.

في هذه المقالة، سنستكشف كيفية استخدام ذكاء السرب في الرؤية الحاسوبية اليوم. كما سنلقي نظرة على كيفية دعمه لتدريب النماذج، وما يميزه، وأسباب أهميته لمستقبل الذكاء الاصطناعي.

الشكل 1. أمثلة على ذكاء السرب في الطبيعة. الصورة من إعداد المؤلف.

ما ذكاء السرب؟#

ذكاء الأسراب جزء من الذكاء الاصطناعي، إذ تعمل فيه عوامل بسيطة كثيرة معًا لحل المشكلات باستخدام السلوك الجماعي. تخيل كيف يعثر النحل على أفضل رقع الأزهار في حقل واسع. تستكشف كل نحلة منطقة صغيرة وتتبادل إشارات بسيطة مع غيرها. لا يوجد قائد لمهمة العثور على أفضل رقعة من الأزهار، لكن الخلية تجد معًا أكفأ طريق إلى أفضل الموارد.

وبالمثل، يتخذ كل عامل في السرب قراراته استنادًا إلى المعلومات المحلية وحدها. ولا يملك رؤية كاملة للنظام، لكنه يستجيب للإشارات أو الأنماط القريبة. ومع مرور الوقت، تتوصل المجموعة إلى حلول ذكية بالتعاون دون الحاجة إلى وحدة تحكم مركزية.

فيما يلي بعض السمات الرئيسية التي تحدد ذكاء السرب:

• اللامركزية: يعمل كل عامل بمفرده دون وجود جهة مركزية تتولى الإدارة. ويتخذ كل عامل قراراته باستخدام المعلومات المتاحة لديه فقط.
• التنظيم الذاتي: تتغير المجموعة طبيعيًا وتكوّن أنماطًا مفيدة دون تحكم خارجي. وتتعاون العوامل وتتكيف من تلقاء نفسها.
• قواعد بسيطة للعوامل: يتبع كل عامل قواعد بسيطة تستند فقط إلى ما يحدث حوله مباشرةً. وتستخدم العوامل المعلومات المحلية، لا البيانات المعقدة.
• السلوك الناشئ: تتضافر الأفعال البسيطة لكل وكيل لتنتج نتائج ذكية ومعقدة. ويمكنها معًا حل مشكلات لا يستطيع أي وكيل منفرد حلها بمفرده.

الشكل 2. الخصائص الرئيسية لذكاء السرب. الصورة من إعداد المؤلف.

خوارزميات ذكاء السرب الشائعة#

تندرج فكرة ذكاء السرب ضمن مجال أوسع يُعرف باسم الذكاء الاصطناعي المستوحى من الأحياء، ويركز هذا المجال على دراسة كيفية حل الطبيعة للمشكلات، والاستفادة من تلك الأفكار في الأنظمة الاصطناعية. وبناءً على هذه الدراسات، طوّر الباحثون، بمرور الوقت، العديد من الأساليب القائمة على الأسراب.

تشمل بعض الأساليب أو الخوارزميات الشائعة القائمة على الأسراب تحسين سرب الجسيمات (PSO)، وتحسين مستعمرة النمل (ACO)، وتحسين مستعمرة النحل (BCO). تحاكي PSO حركة الطيور أو الأسماك في مجموعات للعثور على الحلول المثلى. أما ACO فتعتمد على كيفية عثور النمل على المسارات باستخدام آثار الرائحة، في حين تستلهم BCO كيفية استكشاف النحل لمصادر الغذاء ومشاركتها. وتُستخدم هذه الأساليب اليوم في الروبوتات والتعلم العميق والرؤية الحاسوبية لحل المشكلات المعقدة بكفاءة.

من الأمثلة اللافتة على التقنيات المستوحاة من الأسراب عروض الأضواء بالطائرات المسيّرة، حيث تُحلّق آلاف الطائرات المسيّرة بتناسق تام لتشكيل صور متحركة وأشكال معقدة في السماء. وتتبع كل طائرة مسيّرة مساراً مخططاً قبل العرض، بينما تستند خوارزميات التشكيل في هذه العروض إلى روبوتات الأسراب، التي تحاكي حركة أسراب الطيور أو الحشرات كمجموعة من خلال الاستجابة لجوارها.

الشكل 3. عرض أضواء بالطائرات المسيّرة.

كيفية عمل ذكاء السرب في أنظمة الذكاء الاصطناعي#

يُستخدم ذكاء السرب غالبًا في المهام التي تتضمن البحث واتخاذ القرار والتحسين. ويكون فعالًا في الحالات التي تتوفر فيها حلول محتملة كثيرة، ويكون الهدف العثور على الحل الأمثل. وعلى خلاف الأساليب التقليدية التي تعتمد على نظام واحد، تستخدم الأساليب القائمة على الأسراب وكلاء متعددين وبسطاء يستكشفون معًا ويتعلم بعضهم من بعض.

يمكن الاستفادة من الأساليب القائمة على الأسراب عندما يكون هناك عدد كبير من العوامل أو أنماط غير واضحة. وتشيع مثل هذه الحالات في التعلم الآلي والتعلم العميق.

على سبيل المثال، عند تدريب نموذج للرؤية الحاسوبية، ينبغي مراعاة إعدادات تدريب كثيرة، أو معلمات فائقة. يستطيع ذكاء الأسراب اختبار قيم مختلفة بالتوازي، وتضييق نطاق البحث بسرعة وصولًا إلى الإعدادات التي تنتج نموذجًا أفضل أداءً.

إليك نظرة أقرب على آلية عمل خوارزميات السرب عادةً:

• تهيئة الوكلاء: يبدأ كل وكيل بتخمين عشوائي من بين جميع الإجابات الممكنة؛ تخيل أن كل وكيل يبدأ من نقطة مختلفة على الخريطة.
• تقييم الملاءمة: يختبر الوكلاء تخميناتهم لمعرفة مدى قربها من الحل المثالي. تخيل أن كل تخمين يحصل على درجة؛ فكلما كان التخمين أفضل، ارتفعت درجته.
• مشاركة المعلومات: يتبادل الوكلاء درجاتهم ونتائجهم مع جيرانهم. ويساعدهم ذلك على تعديل تخميناتهم بالتعلم من خبراتهم وخبرات الآخرين.
• التقارب: بمرور الوقت، تبدأ الوكلاء في التحرك نحو أفضل التخمينات. وتصبح مواقعها أكثر تشابهًا مع اقترابها جميعًا من الحل الأمثل، وتستمر هذه العملية حتى العثور على إجابة جيدة بما يكفي أو إيقاف العملية.

ذكاء السرب في أنظمة الروبوتات والرؤية#

إلى جانب تدريب النماذج، يمكن استخدام ذكاء السرب في تطبيقات الرؤية الحاسوبية لتحسين مهام مختلفة. ومن هذه المهام استخراج السمات، حيث يحلل النظام الصور للعثور على تفاصيل مهمة مثل الحواف والألوان والأنسجة، وهي تفاصيل تساعد على تحديد محتوى الصورة. ويمكن لخوارزميات السرب البحث سريعًا في كميات كبيرة من البيانات لاستخراج هذه العناصر الأساسية، مما يجعل العملية أكثر كفاءة.

ومن التطبيقات الأخرى المؤثرة تجزئة الصور، التي تتضمن تقسيم الصورة إلى مناطق منفصلة، مثل فصل السماء عن المباني في مشهد لمدينة. وتُنشئ التقنيات المستوحاة من سلوك النمل أو ACO «آثار رائحة» افتراضية تساعد على تجميع الأجزاء المتشابهة من الصورة استنادًا إلى الأنماط والأنسجة. وهذا يسهل على النظام فهم المناطق المختلفة.

الشكل 4. فهم تحسين مستعمرة النمل.

إضافةً إلى ذلك، يمكن استخدام ذكاء السرب لضبط الإعدادات تلقائيًا والمتعلقة بكيفية إنشاء نماذج الرؤية الحاسوبية للتنبؤات. فعلى سبيل المثال، في اكتشاف الأجسام، تُعد عتبة الثقة معلمة أساسية، وهي الحد الأدنى للاحتمال الذي يجب أن يبلغه الاكتشاف ليُعتبر صالحًا. ويساعد ذلك على تحديد مدى دقة النموذج في التعرف على الأجسام وتحديد مواقعها. ومن خلال الضبط الدقيق المستمر لهذه الإعدادات، تساعد الأساليب القائمة على الأسراب في الحفاظ على دقة النموذج حتى مع تغير الظروف.

التحسين القائم على الأسراب لنشر الذكاء الاصطناعي الطرفي#

يدرس الباحثون أيضًا استخدام التحسين القائم على الأسراب في الأجهزة الطرفية التي تشغّل حلول الذكاء الاصطناعي. فـالأجهزة الطرفية أنظمة صغيرة ولامركزية، مثل المستشعرات والكاميرات والهواتف الذكية وغيرها من أجهزة إنترنت الأشياء.

تجمع هذه الأجهزة البيانات وتعالجها في موقع إنشائها بدلًا من إرسالها جميعًا إلى خادم مركزي. ونظرًا إلى محدودية قدرتها الحاسوبية، من المهم تحسين طريقة عملها.

ولتحقيق ذلك، يمكن تشغيل خوارزميات خفيفة الوزن مستوحاة من ذكاء السرب إلى جانب نموذج الذكاء الاصطناعي الرئيسي للمساعدة في اتخاذ قرارات سريعة وآنية. فعلى سبيل المثال، يمكن لهذه الخوارزميات تعديل الإعدادات مباشرةً، لضمان استجابة النظام حتى إذا تغيرت البيئة أو الموارد المتاحة. ويكون ذلك مفيدًا على نحو خاص في أنظمة الروبوتات وإنترنت الأشياء (IoT)، حيث يتطلب الأمر غالبًا اتخاذ إجراء فوري، ولا يتوفر وقت للاعتماد على المعالجة عن بُعد عبر السحابة.

مزايا ذكاء السرب وقيوده#

يقدم ذكاء السرب نهجًا جديدًا لحل مشكلات الذكاء الاصطناعي باستخدام وكلاء بسيطين يعملون معًا، لكن من المهم الموازنة بين مزايا هذه الخوارزميات وعيوبها قبل دمجها في حل للذكاء الاصطناعي. فلنستكشف المزايا والتحديات المحتملة.

فيما يلي بعض الفوائد الرئيسية التي تجعل ذكاء السرب مفيدًا في أنظمة الذكاء الاصطناعي:

• قابل للتوسع ومرن: يعمل بكفاءة سواء أكان عدد الوكلاء قليلًا أم كبيرًا، ويتكيف مع أنواع مختلفة من المشكلات.
• مناسب لفضاءات البحث المعقدة والمليئة بالضوضاء: يمكنه التعامل مع البيئات المضطربة أو غير المتوقعة التي قد تواجه فيها الأساليب التقليدية صعوبة.
• قابل للتنفيذ بالتوازي والتكيف: يمكن تشغيل الوكلاء بالتوازي وتحديثهم أثناء التعلم، مما يدعم سرعة اتخاذ القرار.

من ناحية أخرى، إليك بعض القيود المرتبطة بذكاء السرب:

• بطء التقارب: قد يستغرق العثور على حل جيد وقتًا أطول مقارنةً بالأساليب الأكثر تركيزًا. ويحدث ذلك لأن الأساليب القائمة على الأسراب مصممة لاستكشاف نطاق واسع من الاحتمالات.
• خطر التقارب المبكر: قد تستقر الوكلاء على حل في وقت مبكر قبل استكشاف بدائل أفضل. وقد يحول هذا القرار المبكر دون اكتشاف أفضل حل ممكن.
• الحساسية للمعلمات: غالبًا ما تعتمد فعالية ذكاء السرب على الضبط الدقيق لإعداداته الداخلية، وقد يتطلب تحقيق أفضل أداء إجراء اختبارات وتعديلات كثيرة.

أبرز النقاط#

يستلهم ذكاء السرب أفكاره من الطبيعة لحل المشكلات المعقدة من خلال العمل الجماعي بدلًا من الاعتماد على قائد. وهو يوفر طريقة فعالة لتدريب النماذج وتحسينها، خاصةً عندما يكون فضاء البحث واسعًا أو غير متوقع.

يمكن لأساليب السرب أيضًا تحسين مهام مثل اكتشاف الأجسام واختيار السمات وضبط المعلمات. ومع استمرار الأبحاث في هذا المجال، يُرجح أن نشهد دورًا أكبر للذكاء الاصطناعي المستوحى من الأحياء في رسم مستقبل الرؤية الحاسوبية.

انضم إلى مجتمعنا المتنامي! استكشف مستودع GitHub للتعمق في الذكاء الاصطناعي. هل ترغب في إنشاء مشروعاتك الخاصة في الرؤية الحاسوبية؟ اطّلع على خيارات الترخيص. تعرّف على كيفية مساهمة الرؤية الحاسوبية في الرعاية الصحية في تحسين الكفاءة، واستكشف أثر الذكاء الاصطناعي في التصنيع بزيارة صفحات حلولنا!