ما البيانات الاصطناعية في الرؤية الحاسوبية؟ نظرة عامة

لطالما كانت البيانات عاملًا محركًا في مجالات مثل التحليلات والذكاء الاصطناعي (AI). وفي الواقع، تُسهم طريقة جمع البيانات وإنشائها واستخدامها في تشكيل مستقبل الأنظمة الذكية. فعلى سبيل المثال، تعتمد السيارات ذاتية القيادة على ملايين الصور الموسومة وقراءات المستشعرات، بدءًا من إشارات الطرق 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 مثل الصور ومقاطع الفيديو.

وعلى وجه الخصوص، يُسمى مجال الذكاء الاصطناعي الذي يمكّن الآلات من تفسير هذه المعلومات المرئية الرؤية الحاسوبية. وهو يساعد الأنظمة على فهم المدخلات المرئية وتحليلها كما يفعل البشر إلى حد كبير، ويدعم مهامًا مثل التعرّف على الوجوه، واكتشاف إشارات المرور، وتحليل الصور الطبية.

ومع ذلك، قد يكون جمع مجموعات بيانات مرئية واسعة النطاق وعالية الجودة من العالم الحقيقي مستهلكًا للوقت ومكلفًا، وغالبًا ما يثير مخاوف تتعلق بالخصوصية. لذلك، يستكشف الباحثون بنشاط مفهوم الاستفادة من البيانات الاصطناعية.

تشير البيانات الاصطناعية إلى مرئيات مُنشأة اصطناعيًا تحاكي إلى حد كبير الصور ومقاطع الفيديو الواقعية. ويجري إنشاؤها باستخدام تقنيات مثل النمذجة ثلاثية الأبعاد، والمحاكاة الحاسوبية، وأساليب الذكاء الاصطناعي التوليدي مثل الشبكات التوليدية الخصمية (GANs)، التي تتعلم الأنماط من البيانات الحقيقية لإنتاج أمثلة جديدة واقعية.

من المتوقع أن تؤدي البيانات الاصطناعية دورًا حاسمًا في تطوير الذكاء الاصطناعي قريبًا، إذ تتوقع Gartner أنها ستصبح بحلول عام 2030 أكثر أهمية من البيانات الواقعية. في هذه المقالة، سنستكشف ماهية البيانات الاصطناعية في سياق الرؤية الحاسوبية، وكيفية إنشائها، وأماكن تطبيقها في سيناريوهات واقعية. لنبدأ!

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 تتضمن أجسامًا في ظروف مختلفة مُنشأة اصطناعيًا. وباستخدام أدوات مثل النمذجة ثلاثية الأبعاد والمحاكاة، يستطيع المطورون إنشاء صور مع تحكم دقيق في عوامل مثل الإضاءة والزوايا ومواضع الأجسام. ويوفر ذلك بدوره مرونة أكبر لتدريب النماذج مقارنةً ببيانات العالم الحقيقي.

تكون البيانات الاصطناعية مفيدة بوجه 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 إعدادات وزوايا وظروف إضاءة مختلفة.

أما باستخدام البيانات الاصطناعية، فيمكن للمطورين إنشاء هذه التنوعات بسهولة مع تسميات دقيقة، مما يوفر الوقت والجهد ويحسن أداء النموذج.

الشكل 1. مجموعة بيانات اصطناعية تتضمن وضعيات بشرية مختلفة وتنوعات في الإضاءة (المصدر).

البيانات الاصطناعية مقابل البيانات الحقيقية في الذكاء الاصطناعي#

لنلقِ الآن نظرةً أقرب على الاختلافات بين البيانات الاصطناعية والبيانات الحقيقية. فلكل منهما مزايا وعيوب فيما يتعلق بـتدريب نماذج الذكاء الاصطناعي.

فعلى سبيل المثال، تكون البيانات الاصطناعية مفيدة عندما يصعب جمع البيانات الحقيقية، لكنها قد لا تلتقط كل التفاصيل الدقيقة الموجودة في الحياة الواقعية. وفي الوقت نفسه، تكون البيانات الحقيقية أكثر أصالة، لكن قد يصعب الحصول عليها، كما أن وسمها يستغرق وقتًا، وقد لا تغطي كل الحالات.

ومن خلال الجمع بين البيانات الاصطناعية والحقيقية، يستطيع المطورون الاستفادة من أفضل ما يقدمه كلا النوعين. ويساعد هذا التوازن نماذج الذكاء الاصطناعي على التعلم بدقة أكبر، والتعميم بصورة أفضل عبر السيناريوهات المختلفة، وتقليل التحيز.

الشكل 2. البيانات الاصطناعية مقابل البيانات الحقيقية في الذكاء الاصطناعي. الصورة من إعداد المؤلف.

نظرة على إنشاء البيانات لنماذج الرؤية الحاسوبية#

من بناء عوالم افتراضية باستخدام أدوات ثلاثية الأبعاد إلى إنشاء الصور بالذكاء الاصطناعي التوليدي، إليك بعض الأساليب الشائعة المستخدمة لإنشاء بيانات التدريب الاصطناعية لنماذج الرؤية الحاسوبية:

• 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 إنشاء صور واقعية للأشخاص والمركبات والبيئات.
• المحاكاة: تعيد هذه الأساليب إنشاء مواقف واقعية، مثل حركة المرور أو بيئات المصانع، باستخدام محركات قائمة على الفيزياء. وتفيد المحاكاة في إنشاء بيانات تدريب بأمان في مجالات مثل الروبوتات والسيارات ذاتية القيادة.
• الشبكات التوليدية الخصمية: تُعد GANs نوعًا من نماذج التعلم العميق يتكون من شبكتين: إحداهما تنشئ الصور والأخرى تقيّمها. وتعملان معًا على إنشاء 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 لإنشاء هياكل مرئية معقدة تلقائيًا، مثل التضاريس والمباني والأنسجة. وغالبًا ما تُستخدم في منصات الألعاب والمحاكاة، ويمكنها إنتاج مجموعات بيانات واسعة النطاق ومتنوعة بأقل قدر من التدخل البشري.
• عشوائية النطاق: يمكنها تغيير أمور مثل الإضاءة والألوان وأشكال الأجسام عشوائيًا في المشاهد الاصطناعية. وتهدف هذه التقنية إلى مساعدة النماذج على التركيز على ما يهم فعلًا، مما يجعلها أكثر قدرة على التكيف مع بيئات العالم الحقيقي.

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

تدريب نماذج ذكاء اصطناعي للرؤية باستخدام البيانات الاصطناعية#

بعد أن ناقشنا بعض الأساليب المختلفة المستخدمة لإنشاء البيانات الاصطناعية، دعونا نستعرض كيفية استخدامها لتدريب نماذج الذكاء الاصطناعي.

بعد إنشائها، يمكن عادةً دمج البيانات الاصطناعية مباشرةً في مسار التدريب بالطريقة نفسها المتبعة مع بيانات العالم الحقيقي. وهي تتضمن عادةً التعليقات التوضيحية اللازمة، مثل تسميات الأجسام ومربعات الإحاطة أو أقنعة التجزئة، ما يعني أنه يمكن استخدامها في مهام التعلم الخاضع للإشراف، حيث تتعلم النماذج من أزواج المدخلات والمخرجات الموسومة، 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 العديد من مسارات العمل، تُستخدم البيانات الاصطناعية أيضًا في التدريب المسبق، فتمنح النماذج فهمًا تأسيسيًا واسعًا قبل ضبطها باستخدام أمثلة من العالم الحقيقي. وبالمثل، تُستخدم لزيادة مجموعات البيانات من خلال إدخال تنوعات محكومة، مثل اختلاف ظروف الإضاءة والزوايا أو فئات الأجسام النادرة، لتحسين التعميم وتقليل فرط التكيّف.

ومن خلال الجمع بين البيانات الاصطناعية والحقيقية، تستطيع الفرق تدريب نماذج أكثر متانة تؤدي أداءً جيدًا عبر مجموعة واسعة من الظروف، مع تقليل الاعتماد على جهود جمع البيانات اليدوية المكلفة والمستهلكة للوقت.

التطبيقات الواقعية للبيانات الاصطناعية في الرؤية الحاسوبية#

مع ازدياد عملية البيانات الاصطناعية وإمكانية الوصول إليها، بدأنا نرى اعتمادها في مجموعة متنوعة من حالات استخدام الذكاء الاصطناعي للرؤية في العالم الحقيقي. لنستكشف بعضًا من أكثر تطبيقات الرؤية الحاسوبية تأثيرًا التي تُستخدم فيها.

استخدام البيانات الاصطناعية لاكتشاف الأجسام في المركبات ذاتية القيادة#

يتطلب تعليم السيارات ذاتية القيادة القيادة بأمان تدريب النماذج على مجموعة واسعة من السيناريوهات، بما في ذلك الحالات النادرة أو الخطرة. ومع ذلك، قد يكون جمع بيانات العالم الحقيقي لهذه الحالات الحدية صعبًا وأحيانًا غير آمن. ويمكن أن تساعد البيانات الاصطناعية في إنشاء مشاهد تتعلم فيها النماذج اكتشاف الأجسام في المواقف الصعبة. كما يمكنها محاكاة تكوينات المستشعرات المختلفة، وهو أمر مفيد لأن السيارات ذاتية القيادة لا تستخدم جميعها الأجهزة نفسها.

تُعد منصة NVIDIA’s DRIVE Sim مثالًا رائعًا على ذلك. فهي تنشئ بيانات اصطناعية عالية الجودة باستخدام نماذج ثلاثية الأبعاد واقعية فوتوغرافيًا، وبيئات افتراضية، ومحاكاة للمستشعرات. كما يمكنها إنشاء صور لزوايا قيادة متعددة انطلاقًا من صورة واحدة. ويساعد استخدام بيانات اصطناعية كهذه على تقليل الحاجة إلى الاختبارات المكلفة في العالم الحقيقي، مع تزويد النموذج بالتنوع الذي يحتاج إليه للتعلم بفاعلية.

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

تقليل 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. ومع ذلك، غالبًا ما تحتوي بيانات التدريب الواقعية على أوجه تحيز، لأنها قد لا تمثل المرضى من جميع الفئات الديموغرافية تمثيلًا كافيًا.

فعلى سبيل المثال، يُشخَّص سرطان الجلد بوتيرة أقل لدى الأشخاص ذوي البشرة الداكنة، مما يؤدي إلى محدودية البيانات المتاحة لهذه الفئات السكانية. ويمكن أن يسهم هذا الاختلال في التشخيص الخاطئ وتفاوت نتائج الرعاية الصحية، لا سيما في مجالات مثل علم الأنسجة المرضية، والأشعة السينية للصدر، والأمراض الجلدية.

يمكن للصور الاصطناعية أن تؤدي دورًا في اتخاذ خطوة نحو سد هذه الفجوة في البيانات. ومن خلال إنشاء أمثلة إضافية ومتنوعة، مثل اختلافات شذوذ الأنسجة، ومجموعة واسعة من حالات الرئة، ودرجات ألوان البشرة مع أنواع مختلفة من الآفات، يمكن للبيانات الاصطناعية أن تساعد على 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 لاختبار الأدوات الطبية واستراتيجيات العلاج دون الاعتماد على سجلات المرضى الحقيقية، مما يساعد على تسريع البحث مع حماية خصوصية المرضى. ومن خلال هذا العمل، تمهّد البيانات الاصطناعية الطريق أمام أنظمة ذكاء اصطناعي طبي أكثر شمولًا ودقة وأخلاقية.

النهوض بالذكاء الاصطناعي الزراعي باستخدام البيانات الاصطناعية للزراعة الدقيقة#

يعتمد بناء أنظمة الذكاء الاصطناعي للرؤية للتطبيقات الزراعية على الوصول إلى كميات كبيرة من البيانات الموسومة. إلا أن جمع صور المحاصيل والأمراض وظروف الحقول ووسمها بطيء ومكلف، وغالبًا ما تحدّه عوامل مثل الطقس ومواسم النمو أو صعوبة الوصول إلى مناطق معينة.

وتجعل هذه التحديات من الصعب تدريب نماذج الرؤية الحاسوبية على التعامل مع مهام مثل اكتشاف أمراض النباتات، أو مراقبة المحاصيل، أو التنبؤ بالإنتاجية. وهنا يمكن للبيانات الاصطناعية أن تساعد، من خلال محاكاة بيئات زراعية مختلفة لإنشاء أمثلة تدريب مفيدة.

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

أهم النقاط المستخلصة#

يمثل استخدام البيانات الاصطناعية خطوة مهمة إلى الأمام في تدريب نماذج الذكاء الاصطناعي، لا سيما لأنظمة 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 أو مستهلكة للوقت أو تثير مخاوف تتعلق بالخصوصية، تتيح لنا البيانات الاصطناعية إنشاء صور واقعية وموسومة عند الطلب.

وتسهّل تدريب نماذج الذكاء الاصطناعي للرؤية على مهام مثل القيادة الذاتية، واكتشاف الأمراض، أو مراقبة المحاصيل. ومع استمرار تطور الذكاء الاصطناعي، من المتوقع أن تؤدي البيانات الاصطناعية دورًا أكبر في تسريع الابتكار وتحسين إمكانية الوصول عبر مختلف القطاعات.

تعرّف على المزيد حول الذكاء الاصطناعي في مستودع GitHub وانضم إلى مجتمعنا المتنامي. اكتشف تأثير تطبيقات مثل الذكاء الاصطناعي في المركبات ذاتية القيادة والرؤية الحاسوبية في الزراعة. واستكشف خيارات الترخيص لدينا وحوّل مشاريع الذكاء الاصطناعي للرؤية الخاصة بك إلى واقع.