ما البيانات الاصطناعية في الرؤية الحاسوبية؟ نظرة عامة

لطالما كانت البيانات عاملًا محركًا في مجالات مثل التحليلات والذكاء الاصطناعي (AI). وفي الواقع، يشكّل أسلوب جمع البيانات وتوليدها واستخدامها مستقبل الأنظمة الذكية. فعلى سبيل المثال، تعتمد السيارات ذاتية القيادة على ملايين الصور الموسومة وقراءات المستشعرات، بدءًا من إشارات المرور ووصولًا إلى تحركات المشاة، لتتعلم كيفية التنقل بأمان على الطرق.

ومن أهم أنواع البيانات التي تدعم هذا التقدم، لا سيما في مجالات مثل المركبات ذاتية القيادة والأمن، البيانات المرئية كالصوَر ومقاطع الفيديو.

ويُطلق على مجال الذكاء الاصطناعي الذي يمكّن الآلات من تفسير هذه المعلومات المرئية اسم الرؤية الحاسوبية. فهو يساعد الأنظمة على فهم المدخلات المرئية وتحليلها على نحو يشبه البشر، ويدعم مهامًا مثل التعرف على الوجوه واكتشاف إشارات المرور وتحليل الصور الطبية.

لكن جمع مجموعات بيانات مرئية واسعة النطاق وعالية الجودة من العالم الحقيقي قد يستغرق وقتًا طويلًا ويكون مكلفًا، وغالبًا ما يثير مخاوف تتعلق بالخصوصية. لذلك يستكشف الباحثون بنشاط مفهوم الاستفادة من البيانات الاصطناعية.

تشير البيانات الاصطناعية إلى صور مرئية مولّدة اصطناعيًا تحاكي صور العالم الحقيقي ومقاطع الفيديو فيه عن قرب. وتُنشأ باستخدام تقنيات مثل النمذجة ثلاثية الأبعاد والمحاكاة الحاسوبية وأساليب الذكاء الاصطناعي التوليدي، مثل الشبكات التوليدية التنافسية (GANs)، التي تتعلم الأنماط من البيانات الحقيقية لإنتاج أمثلة جديدة واقعية.

من المتوقع أن تؤدي البيانات الاصطناعية دورًا محوريًا في تطوير الذكاء الاصطناعي قريبًا، إذ تتوقع Gartner أن تصبح بحلول عام 2030 أكثر أهمية من بيانات العالم الحقيقي. في هذه المقالة، سنستكشف مفهوم البيانات الاصطناعية في سياق الرؤية الحاسوبية، وكيفية توليدها، ومجالات تطبيقها في سيناريوهات العالم الحقيقي.

ما البيانات الاصطناعية في الرؤية الحاسوبية؟#

لنفترض أنك تريد تدريب نموذج ذكاء اصطناعي للرؤية لاكتشاف الأجسام في بيئات وظروف متنوعة. قد يكون الاعتماد على بيانات العالم الحقيقي وحدها صعبًا ومحدودًا أحيانًا.

في المقابل، يمكن استخدام البيانات الاصطناعية لإنشاء مجموعة البيانات المناسبة، التي تضم أجسامًا في ظروف متنوعة مولّدة اصطناعيًا. وباستخدام أدوات مثل النمذجة ثلاثية الأبعاد والمحاكاة، يستطيع المطورون توليد صور مع تحكم دقيق في عوامل مثل الإضاءة والزوايا ومواضع الأجسام. وهذا بدوره يوفر مرونة أكبر لتدريب النماذج مقارنةً ببيانات العالم الحقيقي.

تكون البيانات الاصطناعية مفيدة على نحو خاص عندما يصعب جمع بيانات العالم الحقيقي أو يستحيل ذلك. فعلى سبيل المثال، يتطلب تدريب نموذج للتعرف على الأشخاص في مجموعة واسعة من الوضعيات، مثل الجري أو القرفصاء أو الاستلقاء، التقاط آلاف الصور في بيئات وزوايا وظروف إضاءة مختلفة كثيرة.

أما باستخدام البيانات الاصطناعية، فيستطيع المطورون إنشاء هذه التنويعات بسهولة مع تسميات دقيقة، مما يوفر الوقت والجهد ويحسن أداء النموذج.

الشكل 1. مجموعة بيانات اصطناعية تتضمن وضعيات بشرية وظروف إضاءة متنوعة (المصدر).

البيانات الاصطناعية مقارنةً ببيانات العالم الحقيقي في الذكاء الاصطناعي#

لنلقِ نظرة أقرب على أوجه الاختلاف بين البيانات الاصطناعية وبيانات العالم الحقيقي. لكل منهما مزايا وعيوب عند تدريب نماذج الذكاء الاصطناعي.

فعلى سبيل المثال، تفيد البيانات الاصطناعية عندما يصعب جمع البيانات الحقيقية، لكنها قد لا تلتقط كل التفاصيل الدقيقة الموجودة في الحياة الواقعية. وفي المقابل، تكون البيانات الحقيقية أكثر أصالة، لكن قد يصعب الحصول عليها، ويستغرق وسمها وقتًا طويلًا، وقد لا تغطي جميع الحالات.

ومن خلال الجمع بين البيانات الاصطناعية والحقيقية، يستطيع المطورون الاستفادة من مزايا كليهما. ويساعد هذا التوازن نماذج الذكاء الاصطناعي على التعلم بدقة أكبر والتعميم على نحو أفضل في سيناريوهات مختلفة والحد من التحيز.

الشكل 2. البيانات الاصطناعية مقارنةً ببيانات العالم الحقيقي في الذكاء الاصطناعي. الصورة من إعداد المؤلف.

نظرة على توليد البيانات لنماذج الرؤية الحاسوبية#

فيما يلي بعض الأساليب الشائعة لإنشاء بيانات التدريب الاصطناعية لنماذج الرؤية الحاسوبية، بدءًا من بناء عوالم افتراضية بأدوات ثلاثية الأبعاد وصولًا إلى توليد الصور باستخدام الذكاء الاصطناعي التوليدي:

• النمذجة ثلاثية الأبعاد: يستخدم المطورون برامج ثلاثية الأبعاد لإنشاء أجسام ومشاهد رقمية. ويتيح ذلك التحكم الكامل في أمور مثل الإضاءة وزوايا الكاميرا ومواضع الأجسام، كما يفيد في توليد صور واقعية للأشخاص والمركبات والبيئات.
• المحاكاة: تعيد هذه التقنية إنشاء مواقف من العالم الحقيقي، مثل حركة المرور أو بيئات المصانع، باستخدام محركات تستند إلى الفيزياء. وتفيد المحاكاة في توليد بيانات التدريب بأمان لمجالات مثل الروبوتات والسيارات ذاتية القيادة.
• الشبكات التوليدية التنافسية: GANs نوع من نماذج التعلم العميق يتكون من شبكتين: إحداهما تنشئ الصور والأخرى تقيّمها. وتعمل الشبكتان معًا على توليد صور واقعية للغاية، مثل الوجوه البشرية أو مشاهد الشوارع، من خلال التعلم من أمثلة حقيقية.
• التوليد الإجرائي: تستخدم هذه التقنية قواعد محددة مسبقًا أو نماذج رياضية لتوليد تراكيب مرئية معقدة تلقائيًا، مثل التضاريس والمباني والأنسجة. ويشيع استخدامها في منصات الألعاب والمحاكاة، ويمكنها إنتاج مجموعات بيانات كبيرة ومتنوعة بأقل قدر من التدخل البشري.
• عشوائية المجال: يمكنها تغيير عناصر مثل الإضاءة والألوان وأشكال الأجسام عشوائيًا في المشاهد الاصطناعية. وتهدف هذه التقنية إلى مساعدة النماذج على التركيز على العناصر المهمة فعلًا، ما يجعلها أكثر قدرة على التكيف مع بيئات العالم الحقيقي.

الشكل 3. أمثلة على البيانات: (أ) صور قائمة على نموذج ثلاثي الأبعاد، و(ب) مشاهد اصطناعية متعددة الأجسام، و(ج) صور من مجموعة بيانات حقيقية (المصدر).

تدريب نماذج ذكاء الرؤية باستخدام البيانات الاصطناعية#

بعد أن استعرضنا بعض الأساليب المختلفة لإنشاء البيانات الاصطناعية، فلنلقِ نظرة على كيفية استخدامها في تدريب نماذج الذكاء الاصطناعي.

يمكن عادةً دمج البيانات الاصطناعية بعد توليدها مباشرةً في مسار التدريب بالطريقة نفسها التي تُدمج بها بيانات العالم الحقيقي. وتتضمن عادةً التعليقات التوضيحية اللازمة، مثل تسميات الأجسام ومربعات الإحاطة وأقنعة التجزئة، ما يعني إمكانية استخدامها في مهام التعلم الخاضع للإشراف، حيث تتعلم النماذج من أزواج المدخلات والمخرجات الموسومة، من دون الحاجة إلى الوسم اليدوي.

أثناء التدريب، يعالج النموذج الصور الاصطناعية ليتعلم اكتشاف السمات والتعرف على الأنماط وتصنيف الأجسام. ويمكن استخدام هذه البيانات لبناء نسخة أولية من النموذج من الصفر أو لإثراء مجموعة بيانات موجودة، مما يساعد على تحسين أداء النموذج.

في كثير من مسارات العمل، تُستخدم البيانات الاصطناعية أيضًا في التدريب المسبق، لتزويد النماذج بفهم تأسيسي واسع قبل ضبطها بدقة باستخدام أمثلة من العالم الحقيقي. وبالمثل، تُستخدم لزيادة مجموعات البيانات من خلال إدخال تنويعات مضبوطة، مثل ظروف الإضاءة والزوايا المختلفة أو فئات الأجسام النادرة، لتحسين التعميم والحد من فرط التكيّف.

ومن خلال الجمع بين البيانات الاصطناعية والحقيقية، تستطيع الفرق تدريب نماذج أكثر متانة تحقق أداءً جيدًا في نطاق واسع من الظروف، مع تقليل الاعتماد على جهود جمع البيانات اليدوية المكلفة والمستهلكة للوقت.

تطبيقات البيانات الاصطناعية في الرؤية الحاسوبية في العالم الحقيقي#

مع تزايد عملية البيانات الاصطناعية وسهولة الوصول إليها، بدأنا نرى اعتمادها في مجموعة متنوعة من حالات استخدام ذكاء الرؤية في العالم الحقيقي. لنتعرف على بعض من أهم تطبيقات الرؤية الحاسوبية التي تُستخدم فيها.

استخدام البيانات الاصطناعية لاكتشاف الأجسام في المركبات ذاتية القيادة#

يتطلب تعليم السيارات ذاتية القيادة التنقل بأمان تدريب النماذج على نطاق واسع من السيناريوهات، بما في ذلك الحالات النادرة أو الخطرة. لكن جمع بيانات العالم الحقيقي لهذه الحالات الاستثنائية قد يكون صعبًا وغير آمن أحيانًا. ويمكن للبيانات الاصطناعية المساعدة في إنشاء مشاهد تتعلم فيها النماذج اكتشاف الأجسام في المواقف الصعبة. كما يمكنها محاكاة إعدادات مختلفة للمستشعرات، وهذا مفيد لأن السيارات ذاتية القيادة لا تستخدم جميعها العتاد نفسه.

تُعد منصة NVIDIA DRIVE Sim مثالًا رائعًا على ذلك. فهي تنشئ بيانات اصطناعية عالية الجودة باستخدام نماذج ثلاثية الأبعاد واقعية بصريًا وبيئات افتراضية ومحاكاة للمستشعرات. كما يمكنها توليد صور من زوايا قيادة متعددة انطلاقًا من صورة واحدة. ويساعد استخدام بيانات اصطناعية كهذه على تقليل الحاجة إلى اختبارات العالم الحقيقي المكلفة، مع توفير التنوع اللازم ليتعلم النموذج بفاعلية.

الشكل 4. إنشاء مشاهد قيادة متعددة انطلاقًا من صورة واحدة (المصدر).

الحد من التحيز في الذكاء الاصطناعي للتصوير الطبي باستخدام البيانات الاصطناعية#

يمكن تدريب نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، التي تدعم مهامًا مثل اكتشاف الأجسام وتجزئة المثيلات، تدريبًا مخصصًا لتطبيقات التصوير الطبي. لكن بيانات التدريب من العالم الحقيقي غالبًا ما تحتوي على تحيزات، لأنها قد لا تمثل المرضى من جميع الفئات السكانية تمثيلًا كافيًا.

فعلى سبيل المثال، يقل تشخيص سرطان الجلد لدى ذوي البشرة الداكنة، مما يؤدي إلى قلة البيانات المتاحة لهذه الفئات. وقد يسهم هذا الاختلال في التشخيص الخاطئ والتفاوت في نتائج الرعاية الصحية، لا سيما في مجالات مثل علم الأمراض النسيجي والأشعة السينية للصدر والأمراض الجلدية.

يمكن للصور الاصطناعية أن تساعد على سد هذه الفجوة في البيانات. فمن خلال توليد أمثلة إضافية ومتنوعة، مثل أشكال مختلفة من تشوهات الأنسجة، وطيف واسع من حالات الرئة، ودرجات ألوان البشرة مع أنواع مختلفة من الآفات، يمكن للبيانات الاصطناعية تحسين أداء النموذج لدى الفئات غير الممثلة تمثيلًا كافيًا.

يعمل الباحثون حاليًا على تطوير مجموعات بيانات اصطناعية والتحقق من صحتها لدعم هذه الأهداف. كما يستكشفون كيفية استخدام البيانات الاصطناعية في اختبار الأدوات الطبية واستراتيجيات العلاج من دون الاعتماد على سجلات المرضى الحقيقية، مما يساعد على تسريع الأبحاث مع حماية خصوصية المرضى. ومن خلال هذا العمل، تمهد البيانات الاصطناعية الطريق لأنظمة ذكاء اصطناعي طبي أكثر شمولًا ودقة وأخلاقية.

تطوير الذكاء الاصطناعي الزراعي باستخدام البيانات الاصطناعية للزراعة الدقيقة#

يعتمد بناء أنظمة ذكاء الرؤية للتطبيقات الزراعية على توفر كميات كبيرة من البيانات الموسومة. لكن جمع صور المحاصيل والأمراض وظروف الحقول ووسمها عملية بطيئة ومكلفة، وغالبًا ما تحد منها عوامل مثل الطقس ومواسم النمو أو صعوبة الوصول إلى مناطق معينة.

تجعل هذه التحديات تدريب نماذج الرؤية الحاسوبية على مهام مثل اكتشاف أمراض النباتات أو مراقبة المحاصيل أو التنبؤ بالغلات أمرًا صعبًا. وهنا يمكن للبيانات الاصطناعية أن تساعد من خلال محاكاة بيئات زراعية مختلفة لتوليد أمثلة تدريب مفيدة.

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

أبرز النقاط#

يمثل استخدام البيانات الاصطناعية خطوة مهمة إلى الأمام في تدريب نماذج الذكاء الاصطناعي، لا سيما أنظمة الرؤية الحاسوبية في المجالات التي تكون فيها بيانات العالم الحقيقي محدودة أو يصعب الحصول عليها. وبدلًا من الاعتماد حصريًا على الصور أو مقاطع الفيديو الحقيقية، التي قد تكون مكلفة وتستغرق وقتًا طويلًا أو تثير مخاوف تتعلق بالخصوصية، تتيح لنا البيانات الاصطناعية توليد صور واقعية وموسومة عند الطلب.

وتُسهّل هذه البيانات تدريب نماذج ذكاء الرؤية على مهام مثل القيادة الذاتية واكتشاف الأمراض ومراقبة المحاصيل. ومع استمرار تطور الذكاء الاصطناعي، يُتوقع أن تؤدي البيانات الاصطناعية دورًا أكبر في تسريع الابتكار وتحسين إمكانية الوصول إليه عبر القطاعات.

تعرّف على المزيد عن الذكاء الاصطناعي عبر مستودعنا على GitHub، وانضم إلى مجتمعنا المتنامي. اكتشف أثر تطبيقات مثل الذكاء الاصطناعي في المركبات ذاتية القيادة والرؤية الحاسوبية في الزراعة. استكشف خيارات الترخيص لدينا وحوّل مشاريع ذكاء الرؤية إلى واقع.