لماذا ينبغي للشركات التوقف عن تجاهل الرؤية الحاسوبية اليوم

تتعامل شركات كثيرة مع عمليات متكررة وتستغرق وقتًا طويلًا ضمن أنشطتها اليومية. وتعتمد هذه المهام غالبًا على أشخاص يشاهدون المعلومات المرئية أو يفحصونها أو يحللونها مرارًا.

سواء تعلق الأمر بتتبع المنتجات على الأرفف، أو مراجعة الصور الطبية، أو مراقبة الأنشطة في مستودع، أو ضمان سلامة مكان العمل، تتطلب كل هذه المهام انتباهًا مستمرًا. وحتى أكثر الفرق خبرة قد تفوتها بعض التفاصيل عندما تكون الأمور في حركة دائمة.

مع تزايد سهولة الوصول إلى الذكاء الاصطناعي (AI)، تعتمد شركات كثيرة الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يمكّن الآلات من تفسير الصور ومقاطع الفيديو. ويتيح الذكاء الاصطناعي للرؤية أتمتة المهام المرئية وتحويل المشاهد اليومية إلى رؤى مؤثرة.

بدأت قطاعات مثل الرعاية الصحية والتجزئة والخدمات اللوجستية والروبوتات تستفيد من ذلك بالفعل. تساعد الرؤية الحاسوبية الفرق على العمل بكفاءة أكبر، وتقليل الأخطاء، واتخاذ القرارات بثقة أكبر.

الشكل 1. يمكن استخدام الرؤية الحاسوبية في تطبيقات متنوعة في العالم الحقيقي، مثل تحليل الصور الطبية. (المصدر)

كما تؤدي دورًا مهمًا في مكاسب الإنتاجية طويلة الأجل التي يمكن أن يحققها الذكاء الاصطناعي. وفي الواقع، قد تحقق أنظمة الذكاء الاصطناعي تحسينات سنوية في الإنتاجية تصل إلى 4.4 تريليون دولار عبر حالات الاستخدام المؤسسية.

في هذه المقالة، سنتعمق في كيفية مساهمة الرؤية الحاسوبية في اتخاذ قرارات أذكى، وسبب إمكانية أن يؤدي تجاهلها إلى تفويت الفرص.

ما الرؤية الحاسوبية، وكيف تعمل؟#

الرؤية الحاسوبية من أسرع مجالات الذكاء الاصطناعي نموًا، إذ تدعمها خوارزميات أكثر ذكاءً وقدرة تساعد الآلات على فهم العالم من خلال الصور ومقاطع الفيديو.

يدعم نموذجا Ultralytics YOLO11 وخليفته، Ultralytics YOLO26، على وجه الخصوص مهام الرؤية الحاسوبية مثل اكتشاف العناصر وتقسيم المثيلات وتصنيف الصور، وهي مهام تساعد الآلات على تحليل المعلومات البصرية.

على سبيل المثال، يُستخدم كشف الكائنات للعثور على كائنات محددة في الصورة وتحديد مواقعها، بينما يحدد تقسيم المثيلات الكائنات ويرسم حدودها على مستوى البكسل، ويُسند تصنيف الصور تسميات استنادًا إلى محتوى الصورة. لكن كيف تعمل هذه العملية فعليًا؟

الشكل 2. مثال على استخدام Ultralytics YOLO لاكتشاف الأدوات وتقسيمها.

يمكن تدريب نماذج مثل YOLO11 وYOLO26 تدريبًا مخصصًا أو ضبطها بدقة على مجموعات بيانات تتضمن أمثلة للكائنات أو المشاهد التي تهم الشركة. وتضم مجموعات البيانات هذه صورًا مقرونة بتسميات توضح للنموذج ما ينبغي البحث عنه.

أثناء التدريب، تتعلم هذه النماذج السمات المرئية وأنماط الكائنات من مجموعات البيانات؛ وهي مبنية باستخدام شبكات عصبية عميقة، مثل الشبكات العصبية الالتفافية (CNNs)، ومدربة بأساليب التعلم الآلي الخاضع للإشراف. وبعد تدريب النموذج مدة كافية، يصبح قادرًا على التعميم والتعرف على أنماط مشابهة في صور جديدة لم يرها من قبل.

التكلفة الخفية لتجاهل الرؤية الحاسوبية#

تجمع قطاعات مثل التصنيع والخدمات اللوجستية والرعاية الصحية وتجارة التجزئة كميات هائلة من البيانات المرئية يوميًا عبر الكاميرات وأجهزة الاستشعار وغيرها من الأجهزة. والمفاجئ أن قدرًا كبيرًا من هذه المعلومات لا يُستخدم مطلقًا.

عندما تغفل الشركات عن هذه البيانات، تفوتها رؤى يمكن أن تجعل عملياتها أكثر سلاسة، وتمنع المشكلات الممكن تفاديها، وتكشف فرصًا جديدة للنمو.

فيما يلي بعض التحديات اليومية التي تواجهها الشركات بسبب تجاهلها للرؤية الحاسوبية:

• عدم الكفاءة التشغيلية: من دون الرؤية الحاسوبية، غالبًا ما تنفذ الفرق عمليات الفحص اليدوي وإدخال البيانات والتفتيش الروتيني، وهي مهام يمكن للذكاء الاصطناعي أتمتتها خلال ثوانٍ. ويؤدي ذلك إلى إبطاء سير العمل، وزيادة تكاليف العمالة، وخفض الإنتاجية الإجمالية.
• فقدان الرؤى: تحتوي البيانات المرئية على معلومات لا يستطيع البشر معالجتها على نطاق واسع. ويمكن لنماذج الذكاء الاصطناعي تحديد الأنماط والحالات الشاذة والاتجاهات عبر آلاف الصور أو إطارات الفيديو.
• التعرض للمخاطر: في غياب المراقبة الآنية، قد تمر مشكلات مثل العيوب ومخاطر السلامة وتعطل المعدات من دون ملاحظة. ويزيد ذلك احتمال وقوع أخطاء مكلفة، وسحب المنتجات، وتوقف العمليات.
• ضياع الفرص: من دون اعتماد حلول الذكاء الاصطناعي للرؤية، قد تتجاهل الشركات المؤشرات المبكرة لتغير سلوك العملاء أو اتجاهات الجودة أو الاختناقات في العمليات. وهذا يحد من قدرتها على الابتكار والاستجابة السريعة واتخاذ قرارات تستند إلى البيانات.

كيف تحقق الرؤية الحاسوبية قيمة تجارية قابلة للقياس#

بعد أن فهمنا ماهية الرؤية الحاسوبية وآلية عملها، لنستكشف كيف يمكنها تحقيق قيمة فعلية قابلة للقياس للشركات.

إليكم نظرة عن كثب على فوائدها في مجالات مختلفة:

• الأتمتة والدقة: عند تدريب نماذج الرؤية الحاسوبية على مجموعات بيانات كبيرة ومتنوعة، يمكنها اكتشاف الأنماط بدقة عالية. وهذا يقلل الأخطاء البشرية، ويسرّع المهام الروتينية، ويحسن دقة الفحص والمراقبة.
• قابلية التوسع والمرونة: بعد التدريب، تستطيع أنظمة الرؤية المدعومة بالذكاء الاصطناعي معالجة آلاف الصور أو تدفقات الفيديو في الوقت نفسه. كما يمكن ضبطها بدقة أو إعادة تدريبها لتناسب بيئات وحالات استخدام محددة.
• خفض التكاليف: تؤدي أتمتة الفحوص المرئية والمراقبة والتحليل إلى خفض تكاليف العمالة، وتقليل إعادة العمل، والحد من الأثر المالي للأخطاء أو العيوب.
• تعزيز الرؤية التشغيلية: من خلال تحويل البيانات المرئية إلى معلومات قابلة للتنفيذ، تمنح الرؤية الحاسوبية القادة رؤية أوضح للعمليات اليومية، ما يتيح اتخاذ قرارات أسرع وأكثر استنارة.

كيف تستخدم قطاعات مختلفة الرؤية الحاسوبية#

لنستعرض بعد ذلك كيفية توظيف قطاعات مختلفة للرؤية الحاسوبية، وأثرها في عملياتها اليومية.

تحسين عمليات متاجر التجزئة بالذكاء البصري#

تتجاوز عمليات التجزئة اليوم بكثير الأرفف ونقاط الدفع. وبمساعدة الذكاء الاصطناعي والبيانات البصرية، يجد تجار التجزئة طرقًا جديدة لتبسيط المهام اليومية وتحسين الدقة وتلبية توقعات العملاء المتزايدة. وتُستخدم الرؤية الحاسوبية في مجموعة واسعة من الأنشطة، بدءًا من تتبع توافر المنتجات على الأرفف وصولًا إلى تحليل حركة الزوار وتحسين تخطيط المتاجر.

الشكل 3. تحليل حركة الزوار في مركز تجاري باستخدام الرؤية الحاسوبية (المصدر)

يأتي أحد الأمثلة الرائعة من Walmart، أحد أكبر متاجر التجزئة في العالم. تستخدم Walmart الرؤية الحاسوبية في أكثر من 1,000 متجر لمراقبة أنشطة الدفع والحد من الخسائر.

تحلل الكاميرات المدعومة بالذكاء الاصطناعي ما يحدث عند أجهزة الدفع الذاتي وعند صناديق الدفع التي يشرف عليها موظفون، ويمكنها اكتشاف مرور سلعة أمام الماسح الضوئي من دون مسحها. وعند حدوث ذلك، ينبه النظام أحد الموظفين ليتدخل ويعالج المشكلة.

يساعد ذلك على الحد من الفاقد، أي الخسائر الناجمة عن السرقة أو أخطاء المسح أو الأخطاء البشرية البسيطة، والتي قد تصل إلى مليارات الدولارات سنويًا في قطاع التجزئة.

استخدام الرؤية الحاسوبية لمراقبة الجودة في التصنيع#

وفي قطاع التصنيع، تُعد الدقة أساسية لإنتاج منتجات عالية الجودة. تتيح الرؤية الحاسوبية للمصنعين تحقيق معايير أعلى للجودة والكفاءة من دون إبطاء الإنتاج. فمن خلال اكتشاف العيوب على خطوط التجميع ومراقبة سلامة العمال، تجعل هذه الأنظمة فحوصات الجودة أسرع وأكثر اتساقًا وموثوقية.

الشكل 4. نظرة على استخدام الكاميرات لفحص الجودة (المصدر)

ومن اللافت أن علامات السيارات الشهيرة تعتمد الرؤية الحاسوبية أيضًا لتحديث خطوط إنتاجها. فعلى سبيل المثال، تستخدم Toyota نظام رؤية قائمًا على التعلم العميق لأتمتة عملية فحص المركبات.

كانت الشركة تعتمد سابقًا على الفحوص اليدوية، التي كانت بطيئة ومعرضة للأخطاء. أما اليوم، فيلتقط نظام مزود بـ17 كاميرا عالية الدقة وإضاءة متطورة صورًا تفصيلية لكل سيارة، ويتحقق من أكثر من 80 مواصفة في الوقت الفعلي. والنتيجة فحوص أسرع ودقة أعلى وتكاليف أقل وجودة مرتفعة باستمرار على امتداد خط الإنتاج.

رعاية صحية مخصصة باستخدام الرؤية المدعومة بالذكاء الاصطناعي#

وبالمثل، يشهد قطاع الرعاية الصحية تطورات كبيرة مع دخول الرؤية الحاسوبية في سير العمل السريري اليومي. ففي البيئات الطبية، تُعد الدقة والتوقيت عاملين حاسمين، وتتيح أبحاث الرؤية الحاسوبية وتحليل الصور المدعوم بالذكاء الاصطناعي للأطباء اتخاذ قرارات أسرع وأكثر استنارة.

وينطبق ذلك على مجالات كثيرة من الرعاية الصحية. لنأخذ طب العيون مثالًا. ففي مستشفى مورفيلدز للعيون في المملكة المتحدة، طور الباحثون RETFound، أحد أوائل النماذج التأسيسية للذكاء الاصطناعي في الطب، وأول نموذج من نوعه في رعاية العيون.

دُرّب النموذج على 1.6 مليون صورة للشبكية باستخدام التعلم الذاتي الإشراف، ويمكنه اكتشاف الحالات التي تهدد البصر، مثل اعتلال الشبكية السكري والزرق، بل والتنبؤ بأمراض جهازية أوسع، مثل قصور القلب والسكتة الدماغية ومرض باركنسون، استنادًا إلى مؤشرات دقيقة في الشبكية.

البدء باستخدام الرؤية الحاسوبية في أعمالك#

عند دمج الرؤية الحاسوبية في عمليات أعمالك، ليس من الضروري دائمًا إجراء تغيير شامل. ومن الخطوات الأولى السهلة النظر في الموارد المتاحة لديك بالفعل.

تمتلك معظم الشركات بالفعل البيانات الأولية التي تحتاج إليها. وتكمن الفرصة الحقيقية في إدراك كيفية تحويل هذه البيانات إلى قيمة ملموسة.

غالبًا ما تقود البدايات الصغيرة إلى أكبر الإنجازات. إذ يمكن لمشروع بسيط، مثل استخدام نموذج مُدرّب مسبقًا لمراقبة مستويات المخزون أو تحسين المعلومات الأساسية المستخلصة من أنظمة المراقبة، أن يحقق نتائج قابلة للقياس بسرعة. وتقلل هذه المكاسب المبكرة الأخطاء، وتوفر الوقت، وتساعد الفرق على بناء الثقة فيما يمكن أن يحققه الذكاء الاصطناعي.

مستقبل الرؤية الحاسوبية#

تعيد بعض الاتجاهات الحديثة في الذكاء الاصطناعي للرؤية صياغة طريقة استخدام الشركات للبيانات المرئية. وحتى وقت قريب، اعتمدت معظم عمليات الذكاء الاصطناعي على الحوسبة السحابية، حيث تُرسل الصور ومقاطع الفيديو إلى خوادم بعيدة لتحليلها.

كان هذا النهج فعالًا، لكنه تسبب في تأخيرات وزاد المخاوف المتعلقة بالخصوصية، كما اعتمد على اتصالات إنترنت قوية. وجعلت هذه القيود استخدام الرؤية الحاسوبية في الحالات التي تتطلب استجابات فورية أمرًا صعبًا.

اليوم، يسرّع التوجه نحو الحوسبة الطرفية وتيرة اعتماد الذكاء الاصطناعي. ويمكن الآن تشغيل نماذج الرؤية مثل YOLO11 وYOLO26 مباشرةً على أجهزة أصغر حجمًا تعمل على الجهاز نفسه.

وهذا يعني أن الأنظمة تستطيع معالجة المعلومات المرئية فورًا والعمل حتى من دون اتصال دائم بالإنترنت. والنتيجة اكتشاف أسرع وموثوقية أكبر وتحكم أفضل في البيانات الحساسة. ومع استمرار تطور الذكاء الاصطناعي الطرفي، تستطيع الشركات الانتقال من المعالجة الدفعية البطيئة إلى الذكاء الآني في مجالات الروبوتات والتصنيع وتجارة التجزئة والخدمات اللوجستية وغيرها الكثير من البيئات.

أبرز النقاط#

تغير الرؤية الحاسوبية الطريقة التي تراقب بها الشركات عملياتها وتتخذ بها القرارات. ومن خلال الاستفادة من البيانات المرئية بفاعلية أكبر، تستطيع المؤسسات العمل بكفاءة أعلى، وتقليل الأخطاء، وتحسين جودة عملياتها اليومية. ومع تحسن الرؤى المتعلقة بسير العمل، يمكن للشركات اتخاذ قرارات في الوقت المناسب، مستنيرة ومستندة إلى بيانات تشغيلية فعلية.

هل أنت مستعد لإدخال الرؤية الحاسوبية إلى أعمالك؟ اطّلع على خيارات الترخيص، وانضم إلى مجتمعنا، واستكشف مستودع GitHub لمعرفة المزيد عن الرؤية الحاسوبية. اقرأ المزيد عن الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الروبوتات في صفحات حلولنا.