ما هي البيانات الاصطناعية في الرؤية الحاسوبية؟ نظرة عامة

لطالما كانت البيانات عاملاً محركاً في مجالات مثل التحليلات والذكاء الاصطناعي (AI). في الواقع، إن الطريقة التي نجمع بها البيانات وننشئها ونستخدمها تشكل مستقبل الأنظمة الذكية. على سبيل المثال، تعتمد السيارات ذاتية القيادة على ملايين الصور المصنفة وقراءات المستشعرات، بدءاً من لافتات الطرق وحتى حركة المشاة، لتعلم كيفية التنقل في الطرق بأمان.

أحد أكثر أنواع البيانات حيوية لدفع هذا التقدم، خاصة في مجالات مثل المركبات ذاتية القيادة والأمن، هو البيانات البصرية مثل الصور ومقاطع الفيديو.

على وجه الخصوص، يُعرف مجال الذكاء الاصطناعي الذي يمكّن الآلات من تفسير هذه المعلومات المرئية باسم computer vision. فهو يساعد الأنظمة على فهم المدخلات المرئية وتحليلها تماماً مثلما يفعل البشر، مما يدعم مهام مثل التعرف على الوجه، واكتشاف إشارات المرور، وتحليل الصور الطبية.

ومع ذلك، فإن جمع مجموعات بيانات بصرية عالية الجودة وواسعة النطاق من العالم الحقيقي يمكن أن يكون مستهلكاً للوقت ومكلفاً، وغالباً ما يثير مخاوف تتعلق بالخصوصية. ولهذا السبب يستكشف الباحثون بنشاط مفهوم الاستفادة من البيانات الاصطناعية.

تشير Synthetic data إلى المرئيات المُنشأة اصطناعياً والتي تحاكي بدقة الصور والفيديوهات الواقعية. ويتم إنشاؤها باستخدام تقنيات مثل النمذجة ثلاثية الأبعاد، والمحاكاة الحاسوبية، وأساليب الذكاء الاصطناعي التوليدي مثل Generative Adversarial Networks (GANs)، والتي تتعلم الأنماط من البيانات الحقيقية لإنتاج أمثلة جديدة واقعية.

من المتوقع أن تلعب البيانات الاصطناعية دوراً حاسماً في AI development قريباً - حيث تتوقع شركة جارتنر أنه بحلول عام 2030، ستصبح أكثر أهمية من البيانات الواقعية. في هذه المقالة، سنستكشف ما هي البيانات الاصطناعية في سياق computer vision، وكيف يتم إنشاؤها، وأين يتم تطبيقها في سيناريوهات العالم الحقيقي. لنبدأ!

ما هي البيانات الاصطناعية في الرؤية الحاسوبية؟#

فترض أنك تريد تدريب vision AI model لاكتشاف الكائنات في بيئات وروف متنوعة. الاعتماد على البيانات الواقعية وحدها قد يكون صعباً ويبدو أحياناً محدوداً.

وفي الوقت نفسه، يمكن استخدام البيانات الاصطناعية لإنشاء مجموعة البيانات المناسبة، والتي تحتوي على كائنات في ظروف مختلفة مُنشأة اصطناعياً. باستخدام أدوات مثل 3D modeling والمحاكاة، يمكن للمطورين إنشاء صور مع التحكم الدقيق في عوامل مثل الإضاءة، والزوايا، ووضع الكائنات. وهذا بدوره يوفر مرونة أكبر لتدريب النماذج مقارنة بالبيانات الواقعية.

تعد البيانات الاصطناعية مفيدة بشكل خاص عندما يكون جمع بيانات العالم الحقيقي صعباً أو مستحيلاً. على سبيل المثال، يتطلب تدريب نموذج للتعرف على الأشخاص في مجموعة واسعة من الأوضاع، مثل الجري أو القرفصاء أو الاستلقاء، التقاط آلاف الصور في العديد من الإعدادات والزوايا وظروف الإضاءة المختلفة.

من ناحية أخرى، باستخدام البيانات الاصطناعية، يمكن للمطورين بسهولة إنشاء هذه الاختلافات مع تسميات دقيقة، مما يوفر الوقت والجهد مع تحسين أداء النموذج.

الشكل 1. مجموعة بيانات اصطناعية ذات وضعيات بشرية مختلفة وتغيرات في الإضاءة (source).

البيانات الاصطناعية مقابل البيانات الحقيقية في الذكاء الاصطناعي#

بعد ذلك، دعنا نظرة عن قرب على الاختلافات بين البيانات الاصطناعية والبيانات الحقيقية. لكلا النوعين مزاياه وعيوبه عندما يتعلق الأمر بـ training AI models.

على سبيل المثال، البيانات الاصطناعية مفيدة عندما يصعب جمع البيانات الحقيقية، لكنها قد لا تلتقط كل تفصيل صغير موجود في الحياة الواقعية. في الوقت نفسه، تكون البيانات الحقيقية أكثر أصالة، ولكن قد يكون من الصعب الحصول عليها، ومستهلكة للوقت في وضع التسميات، وقد لا تغطي كل حالة.

من خلال الجمع بين البيانات الاصطناعية والحقيقية، يمكن للمطورين الحصول على أفضل ما في العالمين. يساعد هذا التوازن نماذج الذكاء الاصطناعي على التعلم بدقة أكبر، والتعميم بشكل أفضل عبر سيناريوهات مختلفة، وتقليل التحيز.

شكل 2. البيانات الاصطناعية مقابل البيانات الحقيقية في الذكاء الاصطناعي. الصورة من قبل المؤلف.

نظرة على توليد البيانات لنماذج الرؤية الحاسوبية#

من بناء عوالم افتراضية باستخدام أدوات ثلاثية الأبعاد إلى توليد الصور باستخدام الذكاء الاصطناعي التوليدي، إليك بعض الطرق الشائعة المستخدمة لإنشاء training data اصطناعية لنماذج computer vision:

• النمذجة ثلاثية الأبعاد: يستخدم المطورون برامج ثلاثية الأبعاد لإنشاء كائنات ومشاهد رقمية. يسمح هذا بالتحكم الكامل في أشياء مثل الإضاءة، وزوايا الكاميرا، وموضع الكائن، وهو مفيد لإنشاء صور واقعية للأشخاص والمركبات والبيئات.
• المحاكاة: تقوم بإعادة إنشاء مواقف العالم الحقيقي، مثل حركة المرور أو بيئات المصانع، باستخدام محركات قائمة على الفيزياء. تعد عمليات المحاكاة مفيدة لتوليد بيانات التدريب بأمان في مجالات مثل الروبوتات والسيارات ذاتية القيادة.
• شبكات الخصومة التوليدية: GANs هي نوع من نماذج التعلم العميق المكونة من شبكتين: واحدة تنشئ الصور والأخرى تقيمها. معاً، تولدان صوراً واقعية للغاية، مثل وجوه البشر أو مناظر الشوارع، من خلال التعلم من أمثلة حقيقية.
• التوليد الإجرائي: تستخدم هذه التقنية قواعد محددة مسبقاً أو نماذج رياضية لتوليد هياكل بصرية معقدة تلقائياً مثل التضاريس، أو المباني، أو القوام. غالباً ما تُستخدم في منصات الألعاب والمحاكاة ويمكنها إنتاج مجموعات بيانات متنوعة واسعة النطاق بأقل تدخل بشري.
• توزيع النطاق (Domain randomization): يمكن لهذه التقنية تغيير أشياء مثل الإضاءة، والألوان، وأشكال الكائنات عشوائياً في المشاهد الاصطناعية. الهدف من هذه التقنية هو مساعدة النماذج على التركيز على ما يهم حقاً، مما يجعلها أكثر قابلية للتكيف مع بيئات العالم الحقيقي.

الشكل 3. أمثلة للبيانات: (أ) تعتمد على النماذج ثلاثية الأبعاد، (ب) مشاهد اصطناعية متعددة الكائنات، و(ج) صور مجموعة بيانات حقيقية (source).

تدريب نموذج الرؤية الحاسوبية بالبيانات الاصطناعية#

الآن وبعد أن ناقشنا بعض الطرق المختلفة المستخدمة لإنشاء البيانات الاصطناعية، دعونا نمر عبر كيفية استخدامها لتدريب نماذج الذكاء الاصطناعي.

بمجرد إنشائها، يمكن عادةً دمج البيانات الاصطناعية مباشرة في خط أنابيب التدريب بنفس طريقة بيانات العالم الحقيقي. وهي تتضمن عادةً التسميات التوضيحية اللازمة، مثل ملصقات الكائنات، أو مربعات الإحاطة (bounding boxes)، أو أقنعة التجزئة (segmentation masks)، مما يعني أنه يمكن استخدامها لمهام التعلم الخاضع للإشراف، حيث تتعلم النماذج من أزواج المدخلات والمخرجات المصنفة، دون الحاجة إلى وضع التسميات يدوياً.

أثناء التدريب، يقوم النموذج بمعالجة الصور الاصطناعية ليتعلم اكتشاف الميزات، والتعرف على الأنماط، وتصنيف الكائنات. يمكن استخدام هذه البيانات لبناء نسخة أولية من النموذج من الصفر أو لإثراء مجموعة بيانات موجودة، مما يساعد في تحسين أداء النموذج.

في العديد من سير العمل، تُستخدم البيانات الاصطناعية أيضاً للتدريب المسبق، مما يمنح النماذج فهماً أساسياً واسعاً قبل ضبطها بأمثلة من العالم الحقيقي. وبالمثل، تُستخدم لزيادة مجموعات البيانات عن طريق تقديم اختلافات محكومة، مثل ظروف الإضاءة المختلفة، أو الزوايا، أو فئات الكائنات النادرة، لتحسين التعميم وتقليل الإفراط في التجهيز (overfitting).

من خلال الجمع بين البيانات الاصطناعية والحقيقية، يمكن للفرق تدريب نماذج أكثر قوة تؤدي أداءً جيداً عبر مجموعة واسعة من الظروف، كل ذلك مع تقليل الاعتماد على جهود جمع البيانات اليدوية المستهلكة للوقت والمكلفة.

تطبيقات العالم الحقيقي للبيانات الاصطناعية في الرؤية الحاسوبية#

مع تزايد عملية البيانات الاصطناعية وإمكانية الوصول إليها، بدأنا نرى اعتمادها عبر مجموعة متنوعة من حالات الاستخدام الواقعية لذكاء الرؤية الاصطناعي. دعنا نستكشف بعضاً من أبرز applications in computer vision حيث تُستخدم.

استخدام البيانات الاصطناعية لاكتشاف الكائنات في المركبات ذاتية القيادة#

يتطلب تعليم السيارات ذاتية القيادة القيادة بأمان تدريب النماذج على نطاق واسع من السيناريوهات، بما في ذلك المواقف النادرة أو الخطيرة. ومع ذلك، قد يكون جمع بيانات العالم الحقيقي لهذه الحالات الحدية أمراً صعباً وغير آمن أحياناً. يمكن أن تساعد البيانات الاصطناعية في إنشاء مشاهد تستطيع النماذج من خلالها تعلم detect الكائنات في المواقف الصعبة. ويمكنها أيضاً محاكاة تكوينات المستشعرات المختلفة، مما يساعد نظراً لأن ليس كل السيارات ذاتية القيادة تستخدم نفس الأجهزة.

منصة NVIDIA’s DRIVE Sim هي مثال ممتاز على ذلك. فهي تنشئ بيانات اصطناعية عالية الجودة باستخدام نماذج ثلاثية الأبعاد واقعية للغاية، وبيئات افتراضية، ومحاكاة للمستشعرات. ويمكنها أيضاً توليد صور لزوايا قيادة متعددة من صورة واحدة. يساعد استخدام البيانات الاصطناعية على هذا النحو في تقليل الحاجة إلى اختبارات واقعية مكلفة مع منح النموذج التنوع الذي يحتاجه للتعلم بفعالية.

الشكل 4. إنشاء مناظر قيادة متعددة من صورة واحدة (source).

تقليل التحيز في الذكاء الاصطناعي للتصوير الطبي باستخدام البيانات الاصطناعية#

يمكن تدريب نماذج computer vision مثل Ultralytics YOLO11 التي تدعم مهام مثل اكتشاف الكائنات وتجزئة المثيلات خصيصاً لتطبيقات التصوير الطبي. ومع ذلك، غالباً ما تحتوي بيانات التدريب الواقعية على تحيزات، حيث قد لا تمثل بشكل كافٍ المرضى من جميع الفئات الديموغرافية.

على سبيل المثال، يتم تشخيص skin cancer بشكل أقل تكراراً لدى الأفراد ذوي درجات البشرة الداكنة، مما يؤدي إلى محدودية البيانات لتلك الفئات السكانية. يمكن أن يسهم هذا الخلل في التشخيص الخاتي ونتائج الرعاية الصحية غير المتساوية، لا سيما في مجالات مثل علم الأمراض النسيجي، وأشعة الصدر السينية، والأمراض الجلدية.

يمكن للصور الاصطناعية أن تلعب دوراً في اتخاذ خطوة نحو سد هذه الفجوة في البيانات. من خلال إنشاء أمثلة إضافية ومتنوعة، مثل تشوهات الأنسجة المتنوعة، ومجموعة واسعة من حالات الرئة، ودرجات لون البشرة مع أنواع مختلفة من الآفات، يمكن للبيانات الاصطناعية المساعدة في تحسين أداء النموذج عبر المجموعات الأقل تمثيلاً.

يعمل الباحثون حالياً على تطوير مجموعات بيانات اصطناعية والتحقق من صحتها لدعم هذه الأهداف. كما يستكشون كيف يمكن استخدام البيانات الاصطناعية لـ test medical tools واستراتيجيات العلاج دون الاعتماد على سجلات المرضى الحقيقية، مما يساعد على تسريع البحث مع حماية خصوصية المرضى. من خلال هذا العمل، تمهد البيانات الاصطناعية الطريق لنظم ذكاء اصطناعي طبية أكثر شمولاً ودقة وأخلاقية.

تطوير الذكاء الاصطناعي الزراعي باستخدام البيانات الاصطناعية للزراعة الدقيقة#

يعتمد بناء أنظمة رؤية الذكاء الاصطناعي للتطبيقات الزراعية على الوصول إلى كميات كبيرة من البيانات المصنفة. ومع ذلك، فإن جمع وتصنيف صور المحاصيل، والأمراض، وظروف الحقول بطيء ومكلف وغالباً ما يكون مقيداً بأشياء مثل الطقس، ومواسم النمو، أو مدى صعوبة الوصول إلى مناطق معينة.

تجعل هذه التحديات من الصعب تدريب نماذج computer vision للتعامل مع مهام مثل اكتشاف أمراض النبات، أو monitoring crops، أو التنبؤ بالمحاصيل. وهنا يأتي دور البيانات الاصطناعية في المساعدة - من خلال محاكاة بيئات زراعية مختلفة لتوليد أمثلة تدريبية مفيدة.

الشكل 5. استخدام الصور الاصطناعية لتحسين اكتشاف الأمراض (source).

أبرز النقاط#

يمثل استخدام البيانات الاصطناعية خطوة مهمة للأمام في تدريب نماذج الذكاء الاصطناعي، خاصة لأنظمة الرؤية الحاسوبية في المجالات التي تكون فيها بيانات العالم الحقيقي محدودة أو يصعب الحصول عليها. بدلاً من الاعتماد فقط على الصور أو مقاطع الفيديو الحقيقية، والتي يمكن أن تكون مكلفة، أو مستهلكة للوقت، أو تثير مخاوف تتعلق بالخصوصية، تسمح لنا البيانات الاصطناعية بإنشاء صور مصنفة وواقعية عند الطلب.

وهذا يجعل تدريب نماذج رؤية الذكاء الاصطناعي أسهل لمهام مثل القيادة الذاتية، أو اكتشاف الأمراض، أو مراقبة المحاصيل. ومع استمرار تطور الذكاء الاصطناعي، من المقرر أن تلعب البيانات الاصطناعية دوراً أكبر في تسريع الابتكار وتحسين إمكانية الوصول عبر الصناعات.

تعرف على المزيد حول الذكاء الاصطناعي على GitHub repository الخاص بنا وانضم إلى community المتنامية الخاصة بنا. اكتشف تأثير التطبيقات مثل AI in autonomous vehicles وcomputer vision in agriculture. استكشف خيارات licensing لدينا وابدأ في تنفيذ مشاريع vision AI الخاصة بك.