Anomaly Detection

يُعد اكتشاف الشوذوذ تقنية بالغة الأهمية في مجالات Artificial Intelligence (AI) وMachine Learning (ML) تركز على تحديد نقاط البيانات، أو الأحداث، أو الملاحظات التي تنحرف بشكل كبير عن السلوك الطبيعي لمجموعة البيانات. وغالباً ما يُشار إلى هذه العملية باكتشاف القيم المتطرفة، وهي تفترض أن غالبية البيانات تتبع نمطاً أو توزيعاً محددباً، وأي شيء يقع خارج هذا المعيار المُستقر يُعتبر شذوذاً. يمكن أن تشير هذه المخالفات إلى حوادث حرجة، مثل العيوب الهيكل في التصنيع، أو الأخطاء في بيانات النصوص، أو التهديدات الأمنية المحتملة في حركة مرور الشبكة. وتُستخدم خوارزميات متقدمة، بما في ذلك تلك المستخدمة في Deep Learning (DL)، لأتمتة التعرف على هذه الأحداث النادرة بدقة عالية accuracy.

كشف الشذوذ مقابل كشف الأشياء#

على الرغم من أن كلا المنهجيتين أساسيتان للرؤية الحاسوبية الحديثة computer vision (CV)، فمن المهم التمييز بين اكتشاف الشوذوذ واكتشاف الكائنات القياسي object detection.

• Object Detection عادةً ما يكون مشكلة مغلقة النطاق حيث يقوم النموذج بتحديد وتوطين فئات محددة ومعروفة (مثل "سيارة"، "شخص"، "إشارة مرورية") باستخدام bounding boxes. يتم تدريب النظام على أمثلة مُصنفة لما يحتاج إلى العثور عليه تماماً.
• كشف الشذوذ غالباً ما يتم التعامل معه كمسألة ذات مجموعة مفتوحة. يتعلم النظام تمثيلاً لـ "الطبيعية" ويضع علامة على الانحرافات غير المعروفة. على سبيل المثال، قد يتم تدريب نظام فحص بصري على آلاف الصور لمنتجات مثالية. يجب عليه بعد ذلك تحديد أي خدش، أو انبعاج، أو تغير في اللون كشذوذ، حتى لو لم يسبق له مواجهة هذا النوع المحدد من العيوب من قبل.

ومع ذلك، يمكن تكييف كواشف الكائنات القوية مثل أحدث طراز Ultralytics YOLO26 بفعالية لاكتشاف الشوذوذ الخاضع للإشراف. ومن خلال التعامل مع العيوب المعروفة كفئات متميزة داخل training data، يمكن للمهندسين تدريب النماذج لتحديد أنواع محددة من المخالفات بدقة.

تطبيقات العالم الحقيقي#

إن القدرة على اكتشاف المخالفات تلقائياً تجعل من كشف الشذوذ أمراً لا غنى عنه في مختلف الصناعات عالية المخاطر حيث يكون المراقبة اليدوية غير عملية.

• AI in Manufacturing: تراقب أنظمة الفحص البصري الآلي (AOI) خطوط الإنتاج لتحديد العيوب الهيكلية في الوقت الفعلي. ومن خلال تطبيق predictive maintenance، يمكن للمصانع اكتشاف الاهتزازات غير العادية أو بصمات الحرارة في الآلات، مما يمنع تعطل العمل المكلف.
• Medical Image Analysis: في الرعاية الصحية، تقوم الخوارزميات بتحليل مسوحات التصوير بالرنين المغناطيسي (MRI) أو التصوير المقطعي المحوسب (CT) لإبراز الأمراض المحتملة. إن اكتشاف الأورام أو الكسور التي تنحرف عن أنماط الأنسجة السليمة يساعد أطباء الأشعة في إجراء تشخيصات أسرع، وهو عنصر رئيسي في AI in Healthcare.
• Financial Fraud Detection: تستخدم البنوك اكتشاف الشوذوذ الإحصائي لمراقبة تدفقات المعاملات. وإذا تغير سلوك إنفاق المستخدم فجأة -مثل عملية شراء كبيرة في بلد أجنبي- يقوم النظام بالإبلاغ عن المعاملات كخرق أمني محتمل، كما هو موضح في financial fraud detection methodologies.
• Network Intrusion Detection: تراقب أدوات الأمن السيبراني حركة مرور الشبكة بحثاً عن الارتفاعات أو توقيعات الحزم غير العادية. ومن خلال إنشاء خط أساس لحركة المرور العادية، يمكن للأنظمة تحديد cyberattacks or data exfiltration attempts في وقت مبكر.

تنفيذ اكتشاف العيوب باستخدام Ultralytics YOLO26#

يتضمن النهج العملي لاكتشاف الشوذوذ تدريب نموذج رؤية للتعرف على فئات عيوب محددة. النماذج الأحدث، مثل YOLO26، مُحسّنة لهذه المهمة، مما يوفر سرعة ودقة فائقتين مقارنة بالإصدارات السابقة مثل YOLO11. يوضح المثال التالي كيفية تحميل نموذج مُدرب مسبقاً وتشغيل الاستدلال لتحديد الشوذوذ المُصنّف ككائنات.

from ultralytics import YOLO

# Load a YOLO26 model trained to detect specific defects (e.g., 'crack', 'dent')
# YOLO26 provides native end-to-end support for faster inference
model = YOLO("yolo26n.pt")

# Perform inference on a product image
# The 'conf' threshold filters out low-confidence predictions (noise)
results = model.predict("path/to/product_image.jpg", conf=0.5)

# Visualize the identified defects
for result in results:
    result.show()  # Displays image with bounding boxes around anomalies

الأدوات والنظام البيئي#

يتطلب تطوير أنظمة اكتشاف الشوذوذ الفعالة بيئة برمجية قوية للتعامل مع data preprocessing وإدارة دورة حياة النموذج.

• Deep Learning Frameworks: توفر المكتبات مثل PyTorch وTensorFlow الأساس الحسابي لتدريب neural networks المعقدة المستخدمة في الاكتشاف القائم على الرؤية.
• Data Preparation: تعتبر الأدوات الخاصة بـ data cleaning ضرورية لإزالة القيم المتطرفة من مجموعة التدريب الأولية حتى يتعلم النموذج خط أساس نظيفاً لما هو "طبيعي".
• Statistical Libraries: بالنسبة للبيانات غير المرئية، توفر مكتبة Scikit-learn خوارزميات قياسية مثل Isolation Forest وOne-Class Support Vector Machine (SVM).
• Integrated Workflows: تعمل Ultralytics Platform على تبسيط دورة حياة هذه النماذج، حيث توفر أدوات للتعليق على مجموعات البيانات، والتدريب المستند إلى السحابة، ونشر النماذج الفعالة مثل YOLO26 على أجهزة الحافة من أجل real-time inference.