من خلال الضبط الدقيق لنماذج Ultralytics YOLO على الأجهزة الطرفية، تُبقي Scaleout البيانات في مكانها، وتعمل دون اتصال، وتطرح نماذج كشف جديدة خلال ساعات بدلًا من أسابيع.
يفترض تدريب نماذج التعلم الآلي عادةً إمكانية تجميع جميع بياناتك في مكان واحد، وإرسالها إلى السحابة، ونشر نموذج مكتمل. لكن هذا الافتراض لا يصمد في كثير من البيئات الواقعية. ففي البيئات الدفاعية والصناعية والخاضعة للتنظيم، تكون البيانات مرتبطة بموقعها بفعل قوانين الخصوصية أو تصنيف الأمان أو التكلفة الهائلة للنطاق الترددي، كما لا يمكن دائمًا الوثوق بالشبكة التي تصل بين تلك المواقع.
تعمل Scaleout على بناء بنية تحتية لهذه الظروف تحديدًا. تستخدم منصتها Scaleout Edge التعلم الاتحادي لنقل تدريب النموذج إلى مكان وجود البيانات، بدلًا من نقل البيانات إلى النموذج. وبالنسبة إلى مشاريع الرؤية الحاسوبية، تُدرّب Scaleout نماذج Ultralytics YOLO وتضبطها دقيقًا بشكل مخصص على Vision Ground Nodes، وهي محطات طرفية مسرَّعة بوحدات GPU تُنشر في كل موقع، بحيث يستمر تحسّن الكشف ميدانيًا من دون أن تغادر الصور الحساسة الجهاز مطلقًا.
نقل التعلم الآلي إلى مكان وجود البيانات#
تأسست Scaleout في عام 2018 على يد باحثين من جامعة أوبسالا كانوا يعملون على أنظمة موزعة واسعة النطاق، وانطلقت بهدف إتاحة التعلم الآلي في الأماكن التي لا يمكن فيها جعل البيانات مركزية. وينصب تركيزها على السياقات التي يصعب أو يستحيل فيها تجميع البيانات في مكان واحد، ويُعد التعلم الاتحادي الآلية الأساسية التي تجعل ذلك ممكنًا.
يوزّع التعلم الاتحادي التدريب عبر العديد من الأجهزة، ثم يجمع تحديثات نماذجها في مستوى تحكم مركزي يدمجها في نموذج عالمي جديد. ويستفيد كل جهاز من فهم بيئته المحلية، بينما يستفيد الأسطول بأكمله من الذكاء الجماعي. وتبقى البيانات حيث ينبغي أن تكون، ولا ينتقل سوى ما تعلمه النموذج.
تمتد أعمال Scaleout إلى قطاعات الدفاع والصناعة والنقل وغيرها من القطاعات الخاضعة للتنظيم، وتشمل مشروعات مثل برنامج مُسرّعة NATO DIANA والتعاون مع BAE Systems. والنمط واحد في جميع هذه الحالات: بيانات لا يمكن نقلها، ونماذج لا تزال بحاجة إلى التحسين.
تعقيدات التعلم الآلي الطرفي#
إليك نظرة أقرب على القيود التي واجهتها Scaleout عند تدريب النماذج ميدانيًا:
-
أجهزة محدودة الإمكانات: لا تتوفر في عمليات النشر الميدانية خوادم مراكز بيانات، بل أجهزة صغيرة منخفضة الطاقة فقط، مثل الحاسوب الموجود على طائرة مسيّرة. ويُعد تشغيل نموذج مكتمل عليها أمرًا ممكنًا، لكن إعادة تدريبه تتطلب قدرة حوسبية أكبر بكثير.
-
بيانات مقيدة بالجهاز: غالبًا ما تكون اللقطات المطلوبة لإعادة التدريب مملوكة ولا يمكن إرسالها إلى خادم مركزي، ولذلك يجب أن يتعلم النموذج من بيانات لا تغادر الطرف مطلقًا.
-
غياب المتخصصين في الموقع: نادرًا ما يكون المشغّلون الذين يلتقطون البيانات ميدانيًا مهندسي تعلم آلي، ولذلك لا يمكن أن تعتمد إعادة التدريب على وجود خبرة في علم البيانات.
-
ظروف متغيرة باستمرار: تتغير البيئات الميدانية بسرعة، ولذلك يجب تحديث النموذج باستمرار بدلًا من الاعتماد على دورات إعادة تدريب بطيئة ودورية.
الضبط الدقيق لنماذج Ultralytics YOLO على الطرف#
للعمل ضمن هذه القيود، بنت Scaleout حلقة تدريب تعمل بالكامل ميدانيًا، وتتمحور حول نماذج Ultralytics YOLO.
في كل موقع، توجد Vision Ground Node، وهي محطة طرفية مسرَّعة بوحدة GPU ومزوّدة بقدراتها الخاصة من الحوسبة والتخزين، إلى جانب أسطول من الطائرات المسيّرة. وبينما تلتقط الطائرات المسيّرة اللقطات، تحدد العقدة الإطارات الأكثر فائدة، ويضع عليها أحد المشغّلين التسميات، ثم يُضبط نموذج YOLO دقيقًا على تلك الأجهزة المحلية.
بعد بضع دورات تدريب، يُرسل النموذج المحدّث فقط إلى مستوى التحكم، ولا تُرسل اللقطات الخام مطلقًا. وتُقدَّم هذه الحلقة عبر وحدة الرؤية الخاصة بـ Scaleout، وهي امتداد لمنصة Scaleout Edge يجمع الأدوات التي يحتاج إليها مشروع رؤية حاسوبية في حزمة واحدة.
وتجمع هذه الوحدة بين تحديد الإطارات والتعليق والتدريب والنشر، مع تولّي Ultralytics YOLO مهمة الكشف، بحيث تتمكن الفرق من البناء على أساس عملي بدلًا من تجميع هذه المكونات بنفسها.
طبّقت Scaleout هذا النهج أولًا في برنامج مُسرّعة NATO DIANA، مستخدمةً YOLOv8 لضبط الكشف دقيقًا على البيانات التي جُمعت ميدانيًا. ولم يكن من الممكن نقل تلك البيانات عبر الشبكات الميدانية أو جعلها مركزية لأسباب تتعلق بالملكية، ولذلك لامركز الفريق عملية الضبط الدقيق، ما أتاح للنموذج التعلم من أمثلة جديدة محليًا.
صُممت الحلقة أيضًا للمشغّلين وليس لعلماء البيانات. إذ يوجّه النظام غير المتخصص خلال مراجعة الإطارات المهمة ووضع التسميات عليها، بحيث يستطيع العاملون ميدانيًا مواصلة تحسين النموذج بأنفسهم.
وتعكس الأدوات الداعمة ذلك، إذ تتضمن الإصدار مفتوح المصدر من Label Studio للتعليق، وخادم بث لإدخال موجزات الطائرات المسيّرة، وحزمة Ultralytics Python للضبط الدقيق. ويعمل كل ذلك على أجهزة تتراوح بين وحدات NVIDIA Jetson ووحدة ميدانية متينة أو حاسوب محمول، وفقًا لعملية النشر.
لماذا اختيار نماذج Ultralytics YOLO؟#
بالنسبة إلى Scaleout، تتمثل أكبر ميزة في نماذج Ultralytics YOLO في خفة وزنها، وهو ما يجعل التدريب الاتحادي عبر الاتصالات الضعيفة عمليًا. وبدلًا من نقل البيانات الخام، تنقل Scaleout تحديث النموذج فقط. ويبلغ حجم النموذج الذي تستخدمه غالبًا، وهو Ultralytics YOLOv8 nano، نحو 10.7 ميغابايت، ولذلك يكون التحديث الكامل حزمة صغيرة يمكن إرسالها حتى عند ندرة النطاق الترددي.
تمنح حزمة Ultralytics Python مهندسي Scaleout أيضًا المرونة اللازمة للتدريب والنشر عبر أجهزة متنوعة. ويعمل نموذج YOLOv8 nano المدمج بسهولة على الأجهزة الطرفية محدودة الموارد، بينما تدعم خيارات التصدير في الحزمة النشر عبر البيئات المختلفة التي تعمل فيها Scaleout. وبما أن ضبط النماذج دقيقًا أمر مباشر، يمكن للفرق التكرار بسرعة مع تغير الظروف الميدانية.
تساعد Ultralytics YOLO Scaleout على تحديث النماذج بسرعة أكبر#
مع Ultralytics YOLO، يبقى الجزء الأثقل من العمل على الجهاز. ويُجرى التدريب على مئات الغيغابايت من اللقطات الميدانية، لكن ما ينتقل فعليًا هو نموذج يبلغ حجمه نحو 10 ميغابايت. ويؤدي ذلك إلى خفض البيانات التي يجب نقلها بنحو عشرة أضعاف تقريبًا، وهو ما يجعل التدريب الاتحادي ممكنًا عبر الشبكات المحدودة التي تعتمد عليها عمليات النشر هذه.
يغيّر هذا النهج أيضًا سرعة إعادة النموذج المحسّن إلى الميدان. فما قد يستغرق أسابيع أو أشهر، من جمع البيانات وإرسالها إلى موقع مركزي وإعادة التدريب وإعادة النشر، ينكمش إلى أيام وساعات عندما تعمل الحلقة على الطرف.
ويظهر ذلك بأوضح صورة في أعمال Scaleout الخاصة بـالطائرات المسيّرة. ففي الاستطلاع الدفاعي، تطير طائرة مسيّرة وفق نمط بحث وتستخدم نموذج Ultralytics YOLO على متنها لكشف العناصر محل الاهتمام وتحديدها وتحديد مواقعها جغرافيًا في الوقت الفعلي، مع معالجة كل شيء على حاسوب الطائرة نفسها بدلًا من إرساله للتحليل.
ومع جمع الطائرات المسيّرة لقطات جديدة، تُغذّي تلك البيانات Vision Ground Node حيث يُضبط YOLO دقيقًا على الإطارات الجديدة، ثم يُدفَع نموذج محدّث إلى الخارج، وكل ذلك من دون أن تغادر اللقطات الموقع مطلقًا. ويجب أن تواكب نماذج الكشف الظروف التي تتغير بسرعة والبيانات التي لا يمكن نقلها، كما يظل النموذج الذي يُعاد تدريبه محليًا مفيدًا في موضع قد يتخلف فيه نموذج ثابت دُرّب مركزيًا.
الشكل 1. مثال على كيفية تشغيل Scaleout وUltralytics YOLO لطائرات مسيّرة مدعومة بالذكاء الاصطناعي (المصدر)
يمتد النمط نفسه إلى ما هو أبعد بكثير من الطائرات المسيّرة. ففي البيئات الصناعية، مثل مواقع الطاقة والمنشآت النائية، حيث تكون بيانات كل موقع حساسة، تحسّن المنصة نماذج الكشف عبر العديد من المواقع من دون عبور أي بيانات خام لحدود المنشأة. وسواء كانت البيانات موجودة على طائرة مسيّرة أو في منشأة ثابتة، تُبقي Scaleout اللقطات في مكانها ولا تنقل سوى ما تعلمه النموذج.
بناء ذكاء اصطناعي متكيف للبيئات التي لا يمكن نقل بياناتها#
مع نمو Scaleout، تواصل توسيع نطاق الرؤية الحاسوبية الاتحادية القائمة على الحافة عبر مزيد من البيئات والأجهزة. وصُممت وحداتها الجاهزة لاختزال أشهر من التكامل إلى أيام، بحيث يستطيع العملاء إحضار أجهزتهم الخاصة واعتماد حلقة التعلم التكيفي من دون إعادة بناء شيفرة التعلم الآلي الأساسية.
من خلال وضع Ultralytics YOLO في صميم خط أنابيب الكشف لديها، تتيح Scaleout تدريب الذكاء الاصطناعي وتحسينه في البيئات التي تفشل فيها الأساليب التقليدية تحديدًا، مع إبقاء البيانات في مكانها، والحفاظ على التشغيل عند تعطل الشبكات، وتحويل أساطيل الأجهزة الطرفية إلى نظام يواصل التعلم ككل.
هل أنت مستعد لاستكشاف ما يمكن أن يقدمه لك ذكاء الرؤية الاصطناعي؟ توجّه إلى مستودع GitHub للتعرّف على كيفية إحداث نماذج YOLO تحولًا في مجالات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الروبوتات. اطّلع على خيارات الترخيص وابدأ رحلتك نحو أتمتة أكثر ذكاءً.
