ما ذكاء السرب؟ استكشاف دوره في الذكاء الاصطناعي للرؤية

عمومًا، عندما ننظر إلى سرب من الطيور يشكّل حرف V مثاليًا أو إلى نمل يتجمع حول مصدر للغذاء، فإننا نعجب بجمال الطبيعة فحسب من دون أن نتوقف للتفكير في العمليات المعقدة والذكية التي تجري وراء ذلك. لكن العلماء توقفوا وألقوا نظرة فاحصة، ولاحظوا وجود نظام رائع يكمن وراء هذه السلوكيات.

في الواقع، ألهمت هذه الظواهر الطبيعية مفهوم ذكاء السرب في الذكاء الاصطناعي، حيث تعمل عوامل بسيطة عديدة معًا لمعالجة مشكلات معقدة. وبدلًا من الاعتماد على قائد مركزي واحد، تتواصل هذه العوامل وتتكيّف وتتعلّم من بعضها بعضًا، تمامًا مثل العديد من الأنظمة الطبيعية.

يحظى مفهوم ذكاء السرب باهتمام متزايد باعتباره مجالًا بحثيًا مثيرًا للاهتمام في تحسين الذكاء الاصطناعي والتعلّم العميق، ولا سيما في الرؤية الحاسوبية. وهو يقدّم طريقة جديدة لتحسين كيفية تعلّم الآلات واكتشافها للأجسام، بل وحتى كيفية عملها معًا في مجموعات.

في هذه المقالة، سنستكشف كيفية استخدام ذكاء السرب في الرؤية الحاسوبية اليوم. وسنلقي نظرة أيضًا على كيفية دعمه لتدريب النماذج، وما الذي يميّزه، ولماذا يهم مستقبل الذكاء الاصطناعي.

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

ما هو ذكاء السرب؟#

ذكاء السرب هو أحد فروع الذكاء الاصطناعي، حيث تعمل عوامل بسيطة عديدة معًا لحل المشكلات باستخدام السلوك الجماعي. تخيّل كيف يعثر النحل على أفضل مناطق الأزهار في حقل واسع. يستكشف كل نحل مساحة صغيرة ويتبادل إشارات بسيطة مع الآخرين. لا يوجد قائد مكلّف بمهمة العثور على أفضل منطقة للأزهار، لكن الخلية تجد معًا المسار الأكثر كفاءة للوصول إلى أفضل الموارد.

وبالمثل، يتخذ كل عامل في السرب قراراته استنادًا إلى المعلومات المحلية فقط. فلا يملك رؤية كاملة للنظام، لكنه يستجيب للإشارات أو الأنماط القريبة. ومع مرور الوقت، تجد المجموعة حلولًا ذكية من خلال التعاون، من دون الحاجة إلى وحدة تحكم مركزية.

فيما يلي بعض الخصائص الرئيسية التي تحدد ذكاء السرب:

• اللامركزية: يعمل كل عامل بمفرده من دون مسؤول مركزي عن العمليات. ويتخذ كل عامل قراراته باستخدام المعلومات المتاحة لديه فقط.
• التنظيم الذاتي: تتغير المجموعة طبيعيًا وتُشكّل أنماطًا مفيدة من دون تحكم خارجي. وتعمل العوامل معًا وتتكيّف من تلقاء نفسها.
• قواعد العوامل البسيطة: يتبع كل عامل قواعد بسيطة تستند فقط إلى ما يحدث من حوله مباشرةً. وتستخدم العوامل المعلومات المحلية، لا البيانات المعقدة.
• السلوك الناشئ: تتراكم الأفعال الصغيرة لكل عامل لتكوين نتائج ذكية ومعقدة. ويمكنها معًا حل مشكلات لا يستطيع أي عامل منفرد التعامل معها.

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

خوارزميات ذكاء السرب الشائعة#

يندرج مفهوم ذكاء السرب ضمن مجال أكبر يُعرف باسم الذكاء الاصطناعي المستوحى من الأحياء، ويركز على دراسة كيفية حل الطبيعة للمشكلات وتطبيق تلك الأفكار في الأنظمة الاصطناعية. وبناءً على هذه الدراسات، طوّر الباحثون مع مرور الوقت العديد من الأساليب القائمة على السرب.

تشمل بعض الأساليب أو الخوارزميات الشائعة القائمة على السرب تحسين سرب الجسيمات (PSO)، وتحسين مستعمرة النمل (ACO)، وتحسين مستعمرة النحل (BCO). يحاكي PSO كيفية تحرك الطيور أو الأسماك في مجموعات للعثور على الحلول المثلى. في المقابل، يستند ACO إلى كيفية عثور النمل على المسارات باستخدام آثار الرائحة، بينما يحاكي BCO كيفية استكشاف النحل لمصادر الغذاء ومشاركتها. وتُستخدم هذه الأساليب حاليًا في الروبوتات والتعلّم العميق والرؤية الحاسوبية لحل المشكلات المعقدة بكفاءة.

من الأمثلة التقنية المبهرة بصريًا على ذكاء السرب عروض أضواء الطائرات المسيّرة، حيث تُحلّق آلاف الطائرات المسيّرة بتنسيق مثالي لتشكيل أشكال ورسوم متحركة معقدة في السماء. تعمل كل طائرة مسيّرة كعامل بسيط يستجيب للإشارات المحلية من دون قائد. ويحاكي هذا الإعداد كيفية تحرك أسراب الطيور أو الحشرات كمجموعة من خلال الاستجابة لجيرانها.

الشكل 3. عرض أضواء للطائرات المسيّرة.

كيفية عمل ذكاء السرب في أنظمة الذكاء الاصطناعي#

يُستخدم ذكاء السرب غالبًا في المهام التي تتضمن البحث واتخاذ القرارات والتحسين. وهو يعمل جيدًا في الحالات التي توجد فيها حلول محتملة كثيرة ويكون الهدف هو العثور على الحل الأمثل. وعلى خلاف الأساليب التقليدية التي تعتمد على نظام واحد، تستخدم الأساليب القائمة على السرب عوامل بسيطة متعددة تستكشف معًا وتتعلّم من بعضها بعضًا.

يمكن الاستفادة من الأساليب القائمة على السرب عند وجود عدد كبير من العوامل أو أنماط غير واضحة. وتشيع مثل هذه الحالات في تعلّم الآلة والتعلّم العميق.

على سبيل المثال، إذا كنت تدرّب نموذجًا للرؤية الحاسوبية، فهناك العديد من معلمات التدريب التي يجب أخذها في الاعتبار. ويمكن لذكاء السرب اختبار قيم مختلفة للمعلمات في الوقت نفسه. ويسرّع ذلك التدريب من خلال تجربة إعدادات مختلفة كثيرة بسرعة وفي آن واحد، مما يوفر الوقت وينتج نموذجًا ذا أداء أفضل عمومًا.

فيما يلي نظرة فاحصة على كيفية عمل خوارزميات السرب عادةً:

• تهيئة العوامل: يبدأ كل عامل بتخمين عشوائي من بين جميع الإجابات الممكنة؛ تخيّل أن كل عامل يبدأ من موضع مختلف على خريطة.

• تقييم الملاءمة: يختبر العوامل تخميناتها بعد ذلك لمعرفة مدى قربها من الحل المثالي. ويمكن تشبيه ذلك بمنح كل تخمين درجة؛ فكلما كان التخمين أفضل، ارتفعت الدرجة.

• مشاركة المعلومات: تتشارك العوامل درجاتها ونتائجها مع جيرانها. ويساعدها ذلك على تعديل تخميناتها من خلال التعلّم من خبرتها الخاصة ومن خبرات الآخرين.

• التقارب: مع مرور الوقت، تبدأ العوامل في التحرك نحو أفضل التخمينات. وتصبح مواضعها أكثر تشابهًا مع اقترابها جميعًا من الحل الأمثل، وتستمر هذه العملية حتى العثور على إجابة جيدة بما يكفي أو إيقاف العملية.

ذكاء السرب في الروبوتات وأنظمة الرؤية#

بالإضافة إلى 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 التي تساعد على تحديد محتوى الصورة. ويمكن لخوارزميات السرب البحث بسرعة في كميات كبيرة من البيانات لاستخراج هذه العناصر الأساسية، مما يجعل العملية أكثر كفاءة.

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

الشكل 4. فهم تحسين مستعمرة النمل.

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

التحسين القائم على السرب لعمليات نشر الذكاء الاصطناعي الطرفي#

يستكشف الباحثون أيضًا التحسين القائم على السرب لاستخدامه في الأجهزة الطرفية التي تشغّل حلول الذكاء الاصطناعي. الأجهزة الطرفية هي أنظمة صغيرة ولا مركزية، مثل المستشعرات والكاميرات والهواتف الذكية أو غيرها من أجهزة إنترنت الأشياء.

تجمع هذه الأجهزة البيانات وتعالجها في المكان الذي تُنشأ فيه مباشرةً، بدلًا من إرسال كل شيء إلى خادم مركزي. ونظرًا إلى محدودية قدرتها الحاسوبية، فمن 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 وفورية. فعلى سبيل المثال، يمكن لهذه الخوارزميات ضبط الإعدادات أثناء التشغيل، بما يضمن بقاء النظام سريع الاستجابة حتى إذا تغيرت البيئة أو الموارد المتاحة. ويفيد ذلك خصوصًا في الروبوتات وأنظمة إنترنت الأشياء (IoT)، حيث يلزم اتخاذ إجراء فوري غالبًا ولا يتوفر وقت للاعتماد على المعالجة عن بُعد المستندة إلى السحابة.

مزايا ذكاء السرب وقيوده#

مع أن ذكاء السرب يقدّم نهجًا جديدًا لحل مشكلات الذكاء الاصطناعي باستخدام عوامل بسيطة تعمل معًا، فمن المهم موازنة الإيجابيات والسلبيات قبل دمج هذه الخوارزميات في حل للذكاء الاصطناعي. فلنستكشف المزايا والتحديات المحتملة معًا.

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

• قابل للتوسع ومرن: يعمل جيدًا سواء أكان عدد العوامل قليلًا أم كبيرًا، ويتكيف مع أنواع مختلفة من المشكلات.
• مناسب لمساحات البحث المعقدة والمليئة بالضوضاء: يمكنه التعامل مع البيئات الفوضوية أو غير المتوقعة التي قد تواجه فيها الأساليب التقليدية صعوبة.
• قابل للتنفيذ بالتوازي وقابل للتكيّف: يمكن تشغيل العوامل بالتوازي وتحديثها أثناء تعلّمها، مما يدعم سرعة اتخاذ القرارات.

ومن ناحية أخرى، فيما يلي بعض القيود المرتبطة بذكاء السرب:

• تقارب أبطأ: قد يستغرق العثور على حل جيد وقتًا أطول مقارنةً بالأساليب الأكثر تركيزًا. ويحدث ذلك لأن الأساليب القائمة على السرب مصممة لاستكشاف نطاق واسع من الاحتمالات.

• خطر التقارب المبكر: قد تستقر العوامل على حل مبكرًا جدًا قبل استكشاف بدائل أفضل. وقد يمنع هذا القرار المبكر 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.

أهم النقاط المستخلصة#

يستلهم ذكاء السرب أفكاره من الطبيعة لحل المشكلات المعقدة من خلال العمل الجماعي بدلًا من الاعتماد على قائد. وهو يوفّر طريقة فعّالة لتدريب النماذج وتحسينها، ولا سيما عندما تكون مساحة البحث واسعة أو غير متوقعة.

يمكن لأساليب السرب أيضًا تحسين مهام مثل اكتشاف الأجسام واختيار السمات وضبط المعلمات. ومع استمرار البحث في هذا المجال، من المرجح أن نرى المزيد من الذكاء الاصطناعي المستوحى من الأحياء يشكّل مستقبل الرؤية الحاسوبية.

انضم إلى مجتمعنا المتنامي! واستكشف مستودعنا على GitHub للتعمق أكثر في الذكاء الاصطناعي. هل تتطلع إلى بناء مشاريعك الخاصة في الرؤية الحاسوبية؟ اطّلع على خيارات الترخيص. وتعرّف على كيفية تحسين الرؤية الحاسوبية في الرعاية الصحية للكفاءة، واستكشف تأثير الذكاء الاصطناعي في التصنيع من خلال زيارة صفحات حلولنا!