بالنقر على "قبول جميع ملفات تعريف الارتباط"، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين تصفح الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. المزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر على "قبول جميع ملفات تعريف الارتباط"، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين تصفح الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. المزيد من المعلومات
اكتشف كيف يتم استخدام البيانات التركيبية لتدريب نماذج الذكاء الاصطناعي في تطبيقات الرؤية الحاسوبية في مجموعة من الصناعات مثل الرعاية الصحية والروبوتات.
لطالما كانت البيانات عاملاً محركاً في مجالات مثل التحليلات والذكاء الاصطناعي (AI). في الواقع، إن الطريقة التي نجمع بها البيانات وننشئها ونستخدمها هي التي تشكل مستقبل الأنظمة الذكية. على سبيل المثال، تعتمد السيارات ذاتية القيادة على ملايين الصور المصنفة وقراءات أجهزة الاستشعار، من لافتات الشوارع إلى حركات المشاة، لتتعلم كيفية التنقل في الطرق بأمان.
أحد أهم أنواع البيانات التي تدعم هذا التقدم، خاصة في مجالات مثل المركبات ذاتية القيادة والأمن، هي البيانات المرئية مثل الصور ومقاطع الفيديو.
يُطلق على مجال الذكاء الاصطناعي الذي يُمكّن الآلات من تفسير هذه المعلومات المرئية اسم الرؤية الحاسوبية. ويساعد هذا المجال الأنظمة على فهم وتحليل المدخلات البصرية مثلما يفعل البشر، ويدعم مهام مثل التعرف على الوجوه واكتشاف إشارات المرور وتحليل الصور الطبية.
ومع ذلك، قد يستغرق جمع مجموعات بيانات مرئية واسعة النطاق وعالية الجودة من العالم الحقيقي وقتاً طويلاً ومكلفاً وغالباً ما يثير مخاوف تتعلق بالخصوصية. لهذا السبب يستكشف الباحثون بنشاط مفهوم الاستفادة من البيانات الاصطناعية.
تشير البيانات الاصطناعية إلى مرئيات مصطنعة تحاكي الصور ومقاطع الفيديو في العالم الحقيقي. يتم إنشاؤها باستخدام تقنيات مثل النمذجة ثلاثية الأبعاد والمحاكاة الحاسوبية وأساليب الذكاء الاصطناعي التوليدي مثل شبكات الخصومة التوليدية (GANs)، التي تتعلم أنماطًا من البيانات الحقيقية لإنتاج أمثلة جديدة واقعية.
من المتوقع أن تلعب البيانات الاصطناعية دورًا حاسمًا في تطوير الذكاء الاصطناعي قريبًا - حيث تتوقع مؤسسة Gartner أنه بحلول عام 2030، ستصبح البيانات الاصطناعية أكثر أهمية من بيانات العالم الحقيقي. في هذه المقالة، سنستكشف ما هي البيانات التركيبية في سياق الرؤية الحاسوبية، وكيف يتم إنشاؤها، وأين يتم تطبيقها في سيناريوهات العالم الحقيقي. لنبدأ!
ما هي البيانات التركيبية في الرؤية الحاسوبية؟
لنفترض أنك تريد تدريب نموذج ذكاء اصطناعي بصري لاكتشاف الأجسام في بيئات وظروف متنوعة. قد يكون الاعتماد على بيانات العالم الواقعي فقط أمرًا صعبًا وأحيانًا يبدو محدودًا.
وفي الوقت نفسه، يمكن استخدام البيانات الاصطناعية لإنشاء مجموعة البيانات المناسبة، التي تحتوي على كائنات في ظروف مختلفة مصطنعة. وباستخدام أدوات مثل النمذجة والمحاكاة ثلاثية الأبعاد، يمكن للمطورين إنشاء صور ذات تحكم دقيق في عوامل مثل الإضاءة والزوايا ووضع الأجسام. وهذا بدوره يوفر مرونة أكبر في تدريب النماذج مقارنةً ببيانات العالم الحقيقي.
تكون البيانات الاصطناعية مفيدة بشكل خاص عندما يكون جمع البيانات الواقعية صعباً أو مستحيلاً. على سبيل المثال، قد يتطلب تدريب نموذج للتعرف على الأشخاص في مجموعة واسعة من الوضعيات، مثل الجري أو الانحناء أو الاستلقاء، التقاط آلاف الصور في العديد من الإعدادات والزوايا وظروف الإضاءة المختلفة.
من ناحية أخرى، باستخدام البيانات الاصطناعية، يمكن للمطورين إنشاء هذه الاختلافات بسهولة مع تسميات دقيقة، مما يوفر الوقت والجهد مع تحسين أداء النموذج.
الشكل 1. مجموعة بيانات تركيبية ذات أوضاع بشرية مختلفة وتغيرات في الإضاءة(المصدر).
البيانات الاصطناعية مقابل البيانات الحقيقية في الذكاء الاصطناعي
بعد ذلك، دعنا نلقي نظرة فاحصة على الاختلافات بين البيانات الاصطناعية والبيانات الحقيقية. كلاهما له إيجابياته وسلبياته عندما يتعلق الأمر بتدريب نماذج الذكاء الاصطناعي.
على سبيل المثال، تكون البيانات الاصطناعية مفيدة عندما يصعب جمع البيانات الحقيقية، لكنها قد لا تلتقط كل التفاصيل الصغيرة الموجودة في الحياة الواقعية. وفي الوقت نفسه، تكون البيانات الحقيقية أكثر مصداقية، ولكن قد يكون من الصعب الحصول عليها وتستغرق وقتاً طويلاً في تصنيفها، وقد لا تغطي كل الحالات.
من خلال الجمع بين البيانات الاصطناعية والحقيقية، يمكن للمطورين الحصول على أفضل ما في العالمين. يساعد هذا التوازن نماذج الذكاء الاصطناعي على التعلم بشكل أكثر دقة، والتعميم بشكل أفضل عبر سيناريوهات مختلفة، وتقليل التحيز.
الشكل 2. البيانات الاصطناعية مقابل البيانات الحقيقية في الذكاء الاصطناعي. الصورة للمؤلف.
نظرة على توليد البيانات لنماذج الرؤية الحاسوبية
من بناء العوالم الافتراضية باستخدام أدوات ثلاثية الأبعاد إلى توليد الصور باستخدام الذكاء الاصطناعي التوليدي، إليك بعض الطرق الشائعة المستخدمة لإنشاء بيانات تدريب اصطناعية لنماذج الرؤية الحاسوبية:
النمذجة ثلاثية الأبعاد: يستخدم المطورون برامج ثلاثية الأبعاد لإنشاء كائنات ومشاهد رقمية. يسمح ذلك بالتحكم الكامل في أشياء مثل الإضاءة وزوايا الكاميرا وموضع الأجسام، وهو مفيد في توليد صور واقعية للأشخاص والمركبات والبيئات.
المحاكاة: تُعيد هذه المحاكاة إنشاء مواقف في العالم الحقيقي، مثل حركة المرور أو بيئات المصانع، باستخدام محركات قائمة على الفيزياء. المحاكاة مفيدة لتوليد بيانات التدريب بأمان في مجالات مثل الروبوتات والسيارات ذاتية القيادة.
شبكات الخصومة التوليدية: شبكات GANs هي نوع من نماذج التعلُّم العميق المكوّنة من شبكتين: واحدة تُنشئ الصور والأخرى تقيّمها. تعمل الشبكتان معًا على توليد صور واقعية للغاية، مثل الوجوه البشرية أو مناظر الشوارع، من خلال التعلم من أمثلة حقيقية.
التوليد الإجرائي: تستخدم هذه التقنية قواعد محددة مسبقًا أو نماذج رياضية لتوليد هياكل بصرية معقدة تلقائيًا مثل التضاريس أو المباني أو القوام. غالبًا ما تُستخدم في منصات الألعاب والمحاكاة، ويمكنها إنتاج مجموعات بيانات متنوعة وواسعة النطاق بأقل قدر من المدخلات البشرية.
عشوائية المجال: يمكنها تغيير أشياء عشوائيًا مثل الإضاءة والألوان وأشكال الأجسام في المشاهد الاصطناعية. الهدف من وراء هذه التقنية هو مساعدة النماذج على التركيز على ما يهم حقًا، مما يجعلها أكثر قابلية للتكيف مع بيئات العالم الحقيقي.
الشكل 3. أمثلة على البيانات: (أ) مستندة إلى نموذج ثلاثي الأبعاد، (ب) مشاهد اصطناعية متعددة الأجسام، (ج) صور مجموعة بيانات حقيقية(المصدر).
تدريب نموذج الذكاء الاصطناعي للرؤية باستخدام بيانات تركيبية
والآن بعد أن ناقشنا بعض الطرق المختلفة المستخدمة لإنشاء البيانات الاصطناعية، دعونا نستعرض كيفية استخدامها لتدريب نماذج الذكاء الاصطناعي.
وبمجرد إنشائها، يمكن عادةً دمج البيانات الاصطناعية مباشرةً في خط أنابيب التدريب بنفس الطريقة التي يتم بها دمج بيانات العالم الحقيقي. وعادةً ما تتضمن التعليقات التوضيحية اللازمة، مثل تسميات الكائنات أو المربعات المحددة أو أقنعة التجزئة، مما يعني أنه يمكن استخدامها في مهام التعلم تحت الإشراف، حيث تتعلم النماذج من أزواج المدخلات والمخرجات الموسومة، دون الحاجة إلى وضع العلامات يدويًا.
أثناء التدريب، يقوم النموذج بمعالجة الصور الاصطناعية لتعلم اكتشاف السمات والتعرف على الأنماط وتصنيف الكائنات. يمكن استخدام هذه البيانات لبناء نسخة أولية من النموذج من الصفر أو لإثراء مجموعة بيانات موجودة، مما يساعد على تحسين أداء النموذج.
في العديد من عمليات سير العمل، تُستخدم البيانات التركيبية أيضًا في التدريب المسبق، مما يمنح النماذج فهمًا أساسيًا واسعًا قبل ضبطها بأمثلة من العالم الحقيقي. وبالمثل، يتم استخدامها لزيادة مجموعات البيانات عن طريق إدخال اختلافات محكومة، مثل ظروف الإضاءة المختلفة أو الزوايا أو فئات الكائنات النادرة، لتحسين التعميم وتقليل التعميم وتقليل التخصيص الزائد.
من خلال الجمع بين البيانات الاصطناعية والحقيقية، يمكن للفرق تدريب نماذج أكثر قوة تعمل بشكل جيد عبر مجموعة واسعة من الظروف، مع تقليل الاعتماد على جهود جمع البيانات اليدوية المستهلكة للوقت والمكلفة.
تطبيقات العالم الحقيقي للبيانات التركيبية في الرؤية الحاسوبية
نظرًا لأن البيانات التركيبية أصبحت أكثر عملية ويمكن الوصول إليها بشكل أكبر، فقد بدأنا نرى اعتمادها في مجموعة متنوعة من حالات استخدام الذكاء الاصطناعي للرؤية في العالم الحقيقي. دعونا نستكشف بعض التطبيقات الأكثر تأثيراً في مجال الرؤية الحاسوبية حيث يتم استخدامها.
استخدام البيانات التركيبية لاكتشاف الأجسام في المركبات ذاتية القيادة
يتطلب تعليم السيارات ذاتية القيادة القيادة القيادة بأمان تدريب النماذج على مجموعة واسعة من السيناريوهات، بما في ذلك المواقف النادرة أو الخطرة. ومع ذلك، فإن جمع بيانات العالم الحقيقي لهذه الحالات النادرة قد يكون صعباً وغير آمن في بعض الأحيان. يمكن أن تساعد البيانات الاصطناعية في إنشاء مشاهد يمكن للنماذج أن تتعلم من خلالها اكتشاف الأجسام في المواقف الصعبة. ويمكنها أيضاً محاكاة تكوينات مختلفة لأجهزة الاستشعار، وهو ما يساعد في ذلك لأن السيارات ذاتية القيادة لا تستخدم جميع السيارات ذاتية القيادة نفس الأجهزة.
تُعد منصة DRIVE Sim من NVIDIA مثالاً رائعاً على ذلك. فهي تُنشئ بيانات تركيبية عالية الجودة باستخدام نماذج ثلاثية الأبعاد واقعية وبيئات افتراضية ومحاكاة أجهزة الاستشعار. ويمكنها أيضاً توليد صور لزوايا قيادة متعددة من صورة واحدة. يساعد استخدام بيانات اصطناعية كهذه على تقليل الحاجة إلى إجراء اختبارات واقعية باهظة الثمن مع منح النموذج التنوع الذي يحتاجه للتعلم بفعالية.
الشكل 4. إنشاء مناظر قيادة متعددة من صورة واحدة(المصدر).
الحد من التحيز في التصوير الطبي بالذكاء الاصطناعي باستخدام البيانات الاصطناعية
يمكن أن تكون نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 التي تدعم مهام مثل اكتشاف الأجسام وتجزئة النماذج مُدرّبة خصيصاً لتطبيقات التصوير الطبي. ومع ذلك، غالبًا ما تحتوي بيانات التدريب في العالم الحقيقي على تحيزات، حيث إنها قد لا تمثل المرضى من جميع المجموعات السكانية بشكل كافٍ.
على سبيل المثال، يقل تشخيص سرطان الجلد لدى الأفراد ذوي البشرة الداكنة في كثير من الأحيان، مما يؤدي إلى محدودية البيانات الخاصة بهؤلاء السكان. يمكن أن يساهم هذا الخلل في التشخيص الخاطئ وعدم المساواة في نتائج الرعاية الصحية، لا سيما في مجالات مثل التشريح المرضي والأشعة السينية للصدر والأمراض الجلدية.
يمكن أن تلعب الصور التركيبية دوراً في اتخاذ خطوة نحو سد هذه الفجوة في البيانات. من خلال توليد أمثلة إضافية ومتنوعة، مثل تشوهات الأنسجة المتنوعة، ومجموعة واسعة من حالات الرئة، ولون البشرة مع أنواع مختلفة من الآفات، يمكن أن تساعد البيانات التركيبية في تحسين أداء النموذج عبر المجموعات الممثلة تمثيلاً ناقصاً.
يعمل الباحثون حالياً على تطوير مجموعات بيانات اصطناعية والتحقق من صحتها لدعم هذه الأهداف. كما أنهم يستكشفون أيضاً كيف يمكن استخدام البيانات التركيبية لاختبار الأدوات الطبية واستراتيجيات العلاج دون الاعتماد على سجلات المرضى الحقيقية، مما يساعد على تسريع الأبحاث مع حماية خصوصية المريض. من خلال هذا العمل، تمهد البيانات التركيبية الطريق لأنظمة ذكاء اصطناعي طبية أكثر شمولاً ودقة وأخلاقية.
تطوير الذكاء الاصطناعي الزراعي باستخدام البيانات التركيبية للزراعة الدقيقة
يعتمد بناء أنظمة الذكاء الاصطناعي المرئي للتطبيقات الزراعية على الوصول إلى كميات كبيرة من البيانات المصنفة. ومع ذلك، فإن جمع وتوسيم صور المحاصيل والأمراض والظروف الحقلية بطيئة ومكلفة، وغالبًا ما تكون محدودة بسبب أمور مثل الطقس أو مواسم النمو أو مدى صعوبة الوصول إلى مناطق معينة.
هذه التحديات تجعل من الصعب تدريب نماذج الرؤية الحاسوبية على التعامل مع مهام مثل الكشف عن الأمراض النباتية أو مراقبة المحاصيل أو التنبؤ بالمحاصيل. وهنا يمكن أن تساعد البيانات التركيبية - من خلال محاكاة بيئات زراعية مختلفة لتوليد أمثلة تدريبية مفيدة.
الشكل 5. استخدام الصور التركيبية لتحسين الكشف عن الأمراض(المصدر).
الوجبات الرئيسية
يمثل استخدام البيانات الاصطناعية خطوة مهمة إلى الأمام في تدريب نماذج الذكاء الاصطناعي، خاصةً 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 قد تكون مكلفة أو تستغرق وقتاً طويلاً أو تثير مخاوف تتعلق بالخصوصية، تتيح لنا البيانات التركيبية توليد صور واقعية ومُعلّمة حسب الطلب.
فهو يجعل من السهل تدريب نماذج الذكاء الاصطناعي للرؤية على مهام مثل القيادة الذاتية أو اكتشاف الأمراض أو مراقبة المحاصيل. مع استمرار تطور الذكاء الاصطناعي، من المقرر أن تلعب البيانات الاصطناعية دوراً أكبر في تسريع الابتكار وتحسين إمكانية الوصول إليها في مختلف الصناعات.
