لماذا ينبغي للشركات التوقف عن تجاهل الرؤية الحاسوبية اليوم

تتعامل العديد من الشركات مع عمليات متكررة وتستغرق وقتًا طويلًا ضمن عملياتها اليومية. وغالبًا ما تعتمد هذه المهام على مشاهدة الأشخاص للمعلومات المرئية أو التحقق منها أو تحليلها مرارًا.

سواء أكان الأمر يتعلق بتتبع المنتجات على الرفوف، أو مراجعة الصور الطبية، أو مراقبة النشاط في مستودع، أو ضمان بقاء مكان العمل آمنًا، فإن جميع هذه المهام تتطلب انتباهًا مستمرًا. وحتى أكثر الفرق خبرة قد تفوّت بعض التفاصيل عندما تكون الأمور في حركة دائمة.

مع ازدياد سهولة الوصول إلى الذكاء الاصطناعي (AI)، تعتمد العديد من الشركات الرؤية الحاسوبية، وهي مجال فرعي من الذكاء الاصطناعي يمكّن الآلات من تفسير الصور ومقاطع الفيديو. ويجعل الذكاء الاصطناعي للرؤية أتمتة المهام المرئية وتحويل المرئيات اليومية إلى رؤى مؤثرة أمرًا ممكنًا.

بدأت قطاعات مثل الرعاية الصحية وتجارة التجزئة والخدمات اللوجستية والروبوتات ترى الفوائد بالفعل. تساعد الرؤية الحاسوبية الفرق على العمل بكفاءة أكبر، وتقليل الأخطاء، واتخاذ القرارات بثقة أكبر.

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

كما تؤدي دورًا مهمًا في مكاسب الإنتاجية طويلة الأجل التي يمكن أن يحققها الذكاء الاصطناعي. بل إن أنظمة الذكاء الاصطناعي قد تحقق ما يصل إلى 4.4 تريليون دولار من تحسينات الإنتاجية السنوية عبر حالات الاستخدام المؤسسية.

في هذه المقالة، سنستكشف كيف يمكن للرؤية الحاسوبية أن تقود إلى قرارات أكثر ذكاءً، ولماذا قد يؤدي تجاهل الرؤية الحاسوبية إلى تفويت فرص مهمة. لنبدأ!

ما الرؤية الحاسوبية، وكيف تعمل؟#

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

وعلى وجه الخصوص، تدعم نماذج مثل Ultralytics YOLO11 وUltralytics YOLO26 المرتقب مهام الرؤية الحاسوبية، مثل اكتشاف الكائنات وتقسيم المثيلات وتصنيف الصور، بما يساعد الآلات على تحليل المعلومات المرئية.

فعلى سبيل المثال، يُستخدم اكتشاف الكائنات للعثور على كائنات محددة في الصورة وتحديد مواقعها، بينما يحدد تقسيم المثيلات الكائنات ويرسم حدودها على مستوى البكسل، ويُسنِد تصنيف الصور تسميات استنادًا إلى محتوى الصورة. لكن كيف يعمل ذلك فعليًا؟

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

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

أثناء التدريب، تتعلم هذه النماذج، المبنية باستخدام الشبكات العصبية العميقة (مثل الشبكات العصبية الالتفافية أو CNNs) والمدرَّبة بتقنيات التعلم الآلي الخاضع للإشراف، السمات المرئية وأنماط الكائنات من مجموعات البيانات. وبعد تدريب النموذج تدريبًا كافيًا، يمكنه 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 من خلال الكاميرات والمستشعرات والأجهزة الأخرى. والمفاجئ أن قدرًا كبيرًا من هذه المعلومات لا يُستخدم مطلقًا.

عندما تتجاهل الشركات هذه البيانات، تفوّت رؤى كان من شأنها أن تجعل عملياتها أكثر سلاسة، وتمنع المشكلات التي يمكن تجنبها، وتكشف عن فرص جديدة للنمو.

فيما يلي بعض التحديات اليومية التي تواجهها الشركات لأنها تتجاهل الرؤية الحاسوبية:

• عدم الكفاءة التشغيلية: من دون الرؤية الحاسوبية، تُجري الفرق غالبًا عمليات فحص وإدخال بيانات وتفتيشات روتينية يقدر الذكاء الاصطناعي على 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 والشذوذات والاتجاهات عبر آلاف الصور أو إطارات الفيديو.
• التعرض للمخاطر: عند غياب المراقبة في الوقت الفعلي، قد تمر مشكلات مثل العيوب أو مخاطر السلامة أو أعطال المعدات دون ملاحظة. ويزيد ذلك احتمالات وقوع أخطاء مكلفة، وسحب المنتجات، والتوقف التشغيلي.
• تفويت الفرص: من دون اعتماد حلول الذكاء الاصطناعي للرؤية، قد تتجاهل الشركات المؤشرات المبكرة لتغير سلوك العملاء أو اتجاهات الجودة أو اختناقات العمليات. ويحد ذلك من قدرتها على الابتكار والاستجابة السريعة واتخاذ قرارات قائمة على البيانات.

كيف يمكن للرؤية الحاسوبية أن تخلق قيمة تجارية قابلة للقياس#

بعد فهم ماهية الرؤية الحاسوبية وكيفية عملها بصورة أفضل، لنستكشف كيف يمكنها خلق قيمة حقيقية قابلة للقياس للشركات.

إليك نظرة أقرب على الفوائد التي تقدمها في مختلف المجالات:

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

كيف تستخدم القطاعات المختلفة الرؤية الحاسوبية#

بعد ذلك، سنستعرض كيفية تطبيق القطاعات المختلفة للرؤية الحاسوبية والأثر الذي تحدثه في عملياتها اليومية.

تحسين عمليات متاجر التجزئة باستخدام الذكاء البصري#

تنطوي عمليات تجارة التجزئة اليوم على ما هو أكثر بكثير من الرفوف وأجهزة الدفع. وبمساعدة الذكاء الاصطناعي والبيانات المرئية، يكتشف تجار التجزئة طرقًا جديدة لتبسيط المهام اليومية، وتحسين الدقة، وتلبية توقعات العملاء المتزايدة. ويُستخدم الذكاء الاصطناعي للرؤية في نطاق واسع من الأنشطة، بدءًا من تتبع توافر المنتجات على الرفوف ووصولًا إلى تحليل حركة المتسوقين وتحسين تخطيطات المتاجر.

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

يأتي أحد الأمثلة الرائعة من Walmart، إحدى أكبر شركات تجارة 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 وأجهزة الدفع التي يديرها الموظفون، ويمكنها اكتشاف مرور أحد المنتجات أمام الماسح الضوئي من دون مسحه. وعند حدوث ذلك، ينبه النظام أحد الموظفين ليتدخل ويصحح المشكلة.

يساعد ذلك على تقليل الانكماش، أي الخسائر الناجمة عن السرقة أو أخطاء المسح أو مجرد الخطأ البشري، والتي قد تصل في مجموعها إلى مليارات الدولارات سنويًا عبر قطاع تجارة التجزئة.

استخدام الرؤية الحاسوبية لمراقبة الجودة في التصنيع#

في الوقت نفسه، تُعد الدقة في قطاع التصنيع أمرًا أساسيًا لإنتاج منتجات عالية الجودة. وتمكّن الرؤية الحاسوبية المصنّعين من تحقيق معايير أعلى للجودة والكفاءة من دون إبطاء الإنتاج. ومن خلال اكتشاف العيوب على خطوط التجميع ومراقبة سلامة العاملين، تجعل هذه الأنظمة فحوصات الجودة أسرع وأكثر اتساقًا وموثوقية.

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

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

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

رعاية صحية مخصصة باستخدام الرؤية المدعومة بالذكاء الاصطناعي#

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

وينطبق ذلك على مجالات عديدة من الرعاية الصحية. لنأخذ طب العيون مثالًا. ففي مستشفى Moorfields Eye Hospital في المملكة المتحدة، طوّر الباحثون RETFound، أحد أوائل النماذج التأسيسية للذكاء الاصطناعي في الطب وأولها في مجال رعاية العيون.

بعد تدريبه على 1.6 مليون صورة لشبكية العين باستخدام التعلم الذاتي الإشراف، يستطيع النموذج اكتشاف حالات تهدد البصر مثل اعتلال الشبكية السكري والزَرَق، بل والتنبؤ بأمراض جهازية أوسع مثل قصور القلب والسكتة الدماغية ومرض باركنسون، استنادًا إلى مؤشرات دقيقة في شبكية العين.

البدء باستخدام الرؤية الحاسوبية في شركتك#

عند دمج الرؤية الحاسوبية في عمليات شركتك، لا تكون إعادة الهيكلة الشاملة ضرورية دائمًا. وتتمثل الخطوة الأولى السهلة في النظر إلى ما لديك بالفعل.

تمتلك معظم الشركات البيانات الأولية التي تحتاج إليها بالفعل. وتكمن الفرصة الحقيقية في إدراك كيفية قدرة هذه البيانات على خلق قيمة ذات معنى.

غالبًا ما تقود البداية على نطاق صغير إلى أكبر الاختراقات. ويمكن لمشروع بسيط، مثل استخدام نموذج مُدرَّب مسبقًا لمراقبة مستويات المخزون أو تحسين رؤى المراقبة الأساسية، أن يحقق نتائج قابلة للقياس بسرعة. وتقلل هذه النجاحات المبكرة الأخطاء، وتوفر الوقت، وتساعد الفرق على بناء الثقة فيما يستطيع الذكاء الاصطناعي تحقيقه.

مستقبل الرؤية الحاسوبية#

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

كان هذا النهج فعالًا، لكنه أدى إلى تأخيرات، وزاد مخاوف الخصوصية، واعتمد على اتصالات إنترنت قوية. وجعلت هذه القيود استخدام الرؤية الحاسوبية في الحالات التي تتطلب استجابات فورية أمرًا صعبًا.

اليوم، يسرّع التوجه نحو الحوسبة الطرفية زخم اعتماد الذكاء الاصطناعي. إذ يمكن الآن لنماذج الرؤية المتطورة مثل YOLO11 وYOLO26 المرتقب أن تعمل مباشرة على أجهزة أصغر موجودة على الجهاز.

يعني ذلك أن الأنظمة تستطيع معالجة المعلومات المرئية فورًا والعمل حتى من دون اتصال دائم بالإنترنت. والنتيجة هي اكتشاف أسرع، وموثوقية أكبر، وتحكم أفضل في البيانات الحساسة. ومع استمرار تحسن الذكاء الاصطناعي الطرفي، يمكن للشركات الانتقال من المعالجة الدفعية البطيئة إلى الذكاء في الوقت الفعلي عبر الروبوتات والتصنيع وتجارة التجزئة والخدمات اللوجستية وبيئات أخرى عديدة.

أهم النقاط المستخلصة#

تُغيّر الرؤية الحاسوبية طريقة مراقبة الشركات لعملياتها واتخاذها للقرارات. ومن خلال استخدام البيانات المرئية بفاعلية أكبر، تستطيع المؤسسات العمل بكفاءة أعلى، وتقليل الأخطاء، وتحسين جودة عملياتها اليومية. ومع اكتساب رؤى أفضل حول سير العمل، يمكن للشركات اتخاذ قرارات آنية ومستَنيرة ومستندة إلى بيانات تشغيلية فعلية.

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