Anomaly Detection

يُعد اكتشاف الشذوذ تقنية أساسية في مجالي الذكاء الاصطناعي (AI) والتعلّم الآلي (ML)، وتركّز هذه التقنية على تحديد نقاط البيانات أو الأحداث أو الملاحظات التي تنحرف بشكل ملحوظ عن السلوك الطبيعي لمجموعة بيانات. وتُعرف هذه العملية غالبًا باسم اكتشاف القيم الشاذة، وهي تفترض أن غالبية البيانات تتبع نمطًا أو توزيعًا محددًا، وأن أي شيء يقع خارج هذا النطاق المعتاد يُعد شذوذًا. ويمكن أن تشير هذه الحالات غير المنتظمة إلى حوادث حرجة، مثل العيوب الهيكلية في التصنيع، أو الأخطاء في البيانات النصية، أو الخروقات الأمنية المحتملة في حركة مرور الشبكة. وتُستخدم خوارزميات متقدمة، بما في ذلك تلك المستخدمة في التعلّم العميق (DL)، لأتمتة التعرّف على هذه الأحداث النادرة بدرجة عالية من الدقة.

اكتشاف الشذوذ مقابل اكتشاف الأجسام#

على الرغم من أن كلا المنهجين أساسيان في الرؤية الحاسوبية (CV) الحديثة، فمن المهم التمييز بين اكتشاف الشذوذ واكتشاف الأجسام التقليدي.

• عادةً ما يكون اكتشاف الأجسام مسألة ذات مجموعة مغلقة، إذ يحدد النموذج فئات محددة ومعروفة (مثل «سيارة» و«شخص» و«إشارة مرور») ويحدّد مواقعها باستخدام المربعات المحيطة. ويُدرَّب النظام على أمثلة موسومة لما يحتاج إلى العثور عليه تحديدًا.
• غالبًا ما يُتعامل مع اكتشاف الشذوذ باعتباره مسألة ذات مجموعة مفتوحة. يتعلم النظام تمثيلًا لـ«الحالة الطبيعية» ويضع علامة على الانحرافات المجهولة. فعلى سبيل المثال، قد يُدرَّب نظام فحص بصري على آلاف الصور لمنتجات مثالية. ثم يتعين عليه تحديد أي خدش أو انبعاج أو تغيّر في اللون باعتباره شذوذًا، حتى لو لم يسبق له مواجهة نوع العيب المحدد هذا.

ومع ذلك، يمكن تكييف كاشفات الأجسام القوية، مثل Ultralytics YOLO26 المتطور، بفعالية لاكتشاف الشذوذ الخاضع للإشراف. ومن خلال التعامل مع العيوب المعروفة باعتبارها فئات مميزة ضمن بيانات التدريب، يستطيع المهندسون تدريب النماذج على تحديد أنواع محددة من الحالات غير المنتظمة بدقة.

التطبيقات الواقعية#

إن القدرة على اكتشاف الحالات غير المنتظمة تلقائيًا تجعل اكتشاف الشذوذ أمرًا لا غنى عنه في مختلف الصناعات الحساسة التي يتعذر فيها إجراء المراقبة اليدوية عمليًا.

• الذكاء الاصطناعي في التصنيع: تراقب أنظمة الفحص البصري الآلي (AOI) خطوط الإنتاج لتحديد العيوب الهيكلية في الوقت الفعلي. ومن خلال تطبيق الصيانة التنبؤية، تستطيع المصانع اكتشاف الاهتزازات غير المعتادة أو البصمات الحرارية في الآلات، مما يمنع فترات التوقف المكلفة.
• تحليل الصور الطبية: في مجال الرعاية الصحية، تحلل الخوارزميات صور التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب لإبراز الأمراض المحتملة. ويساعد اكتشاف الأورام أو الكسور التي تنحرف عن أنماط الأنسجة السليمة أطباء الأشعة على إجراء تشخيصات أسرع، وهو مكوّن أساسي من الذكاء الاصطناعي في الرعاية الصحية.
• اكتشاف الاحتيال المالي: تستخدم البنوك اكتشاف الشذوذ الإحصائي لمراقبة تدفقات المعاملات. فإذا تغيّر سلوك إنفاق أحد المستخدمين فجأة—مثل إجراء عملية شراء كبيرة في بلد أجنبي—يضع النظام علامة على المعاملة باعتبارها خرقًا أمنيًا محتملًا، كما هو موضح في منهجيات اكتشاف الاحتيال المالي.
• اكتشاف اختراق الشبكة: تراقب أدوات الأمن السيبراني حركة مرور الشبكة بحثًا عن ارتفاعات مفاجئة أو تواقيع غير معتادة للحزم. ومن خلال إنشاء خط أساس لحركة المرور الطبيعية، تستطيع الأنظمة تحديد الهجمات السيبرانية أو محاولات استخراج البيانات في مرحلة مبكرة.

تنفيذ اكتشاف العيوب باستخدام Ultralytics YOLO26#

ينطوي النهج العملي لاكتشاف الشذوذ على تدريب نموذج رؤية للتعرف على فئات محددة من العيوب. وتُحسَّن النماذج الأحدث، مثل YOLO26، لهذه المهمة، إذ توفر سرعة ودقة أعلى مقارنةً بالتكرارات السابقة مثل YOLO11. يوضح المثال التالي كيفية تحميل نموذج مُدرَّب مسبقًا وتشغيل الاستدلال لتحديد الشذوذ الموسوم باعتباره أجسامًا.

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 والمنظومة#

يتطلب تطوير أنظمة فعالة لاكتشاف الشذوذ منظومة برمجية قوية للتعامل مع المعالجة المسبقة للبيانات وإدارة دورة حياة النموذج.

• أطر التعلّم العميق: توفر مكتبات مثل PyTorch وTensorFlow الواجهة الحسابية الخلفية لتدريب الشبكات العصبية المعقدة المستخدمة في الكشف القائم على الرؤية.
• إعداد البيانات: تُعد أدوات تنظيف البيانات ضرورية لإزالة القيم الشاذة من مجموعة التدريب الأولية، حتى يتعلم النموذج خط أساس نظيفًا لـ«الوضع الطبيعي».
• المكتبات الإحصائية: بالنسبة إلى البيانات غير المرئية، توفر مكتبة Scikit-learn خوارزميات قياسية مثل غابة العزل وآلة متجه الدعم أحادية الفئة Support Vector Machine (SVM).
• سير العمل المتكامل: تعمل منصة Ultralytics على تبسيط دورة حياة هذه النماذج، إذ توفر أدوات لإضافة التعليقات التوضيحية إلى مجموعات البيانات، والتدريب القائم على السحابة، ونشر نماذج فعالة مثل YOLO26 على الأجهزة الطرفية لإجراء الاستدلال في الوقت الفعلي.