اكتشاف الحالات الشاذة

اكتشاف الشذوذ هو قدرة حاسمة في الذكاء الاصطناعي التي تتضمن تحديد نقاط البيانات، أو الأحداث، أو الملاحظات التي تنحرف بشكل كبير عن غالبية مجموعة البيانات. هذه غالباً ما تشير هذه الحالات المنحرفة، والتي يشار إليها عادةً بالقيم المتطرفة، إلى حوادث حرجة مثل العيوب الهيكلية أو الحالات الطبية أو الخروقات الأمنية. في السياق المحدد ل الرؤية الحاسوبية، تقوم خوارزميات الكشف عن الشذوذ تحليل البيانات المرئية للإبلاغ عن الأنماط غير المنتظمة التي لا تتوافق مع التمثيل المكتسب للسلوك أو المظهر "الطبيعي" السلوك أو المظهر "الطبيعي"، مما يؤدي إلى تصفية الضوضاء من الإشارات ذات المعنى.

الآليات والنهج الأساسية

يعتمد تنفيذ الكشف عن الحالات الشاذة عادةً على التحليل الإحصائي و وتقنيات التعلم العميق. اعتمادًا على توافر بيانات التدريب الموسومة، يمكن تصنيف النهج يمكن تصنيفها إلى ثلاثة أنواع رئيسية:

• التعلم الخاضع للإشراف: تستخدم هذه الطريقة مجموعة بيانات موسومة بالكامل تحتوي على أمثلة عادية وشاذة. يتم تدريب النموذج على إجراء تصنيف ثنائي أو متعدد الفئات. على الرغم من فعالية هذا النهج، إلا أنه يتطلب حجمًا كبيرًا من الأمثلة الشاذة المعروفة، والتي قد تكون نادرة في سيناريوهات العالم الحقيقي.
• التعلم غير الخاضع للإشراف: تعمل هذه التقنية بدون بيانات مُصنَّفة، وتفترض هذه التقنية أن الحالات الشاذة نادرة ومميزة. الخوارزميات مثل تجميع K-means أو DBSCAN تجميع نقاط البيانات المتشابهة معًا، تاركةً نقاطًا معزولة لتصنيفها كقيم متطرفة.
• التعلّم شبه الخاضع للإشراف: هذا نهج شائع في الفحص البصري حيث يتم حصرياً على البيانات العادية. أثناء الاستدلال، أي مدخلات تُنتج خطأً عاليًا في إعادة البناء - غالبًا ما يتم محسوبًا باستخدام جهاز ترميز تلقائي - يتموضع علامة على أنه شذوذًا.

كشف الحالات الشاذة مقابل الكشف عن الكائنات

بينما تُستخدم كلتا التقنيتين لتحليل الصور، من المهم التمييز بين اكتشاف الشذوذ و عن اكتشاف الشذوذ.

• يركز الكشف عن الكائنات على تحديد مواقع وتصنيف مثيلات الفئات المعروفة (مثل السيارات والمشاة) باستخدام مربعات محددة. يجب أن يكون النموذج يجب أن يكون النموذج قد رأى أمثلة لهذه الأجسام المحددة أثناء التدريب.
• غالبًا ما يكون كشف الشذوذ مفتوحًا، مما يعني أنه يبحث عن الانحرافات غير المعروفة. على سبيل المثال على سبيل المثال، قد يتم تدريب النظام الذي يراقب حزام ناقل على منتجات مثالية ويجب أن يشير إلى أي خدش أو انبعاج أو تغير في اللون دون أن يعرف صراحةً شكل هذه العيوب مسبقًا. ومع ذلك، فإن النماذج القوية مثل Ultralytics YOLO11 يمكن تكييفها مع الشذوذ الخاضع للإشراف من خلال التعامل مع عيوب محددة كفئات متميزة.

تطبيقات واقعية

إن القدرة على اكتشاف المخالفات تلقائيًا تجعل هذه التقنية لا غنى عنها في مختلف الصناعات.

• مراقبة الجودة الصناعية: في عصر التصنيع الذكي، تراقب أنظمة الفحص البصري الآلي أنظمة مراقبة خطوط التجميع detect عيوب المنتج. إن تحديد العيوب في وقت مبكر يقلل من الهدر ويضمن أن وصول البضائع عالية الجودة فقط إلى المستهلك، كما هو مفصّل في دليلنا عن الذكاء الاصطناعي في التصنيع.
• الأمن المالي: تستخدم البنوك الكشف عن الشذوذ الإحصائي لتحديد النشاط الاحتيالي. من خلال إنشاء خط أساس لسلوك المستخدم النموذجي، يمكن للأنظمة إطلاق تنبيهات للمعاملات غير العادية، وهي عملية غالبًا ما يُستشهد بها في أبحاث الكشف عن الاحتيال المالي.
• التشخيص الطبي: في مجال الرعاية الصحية، تقوم الخوارزميات بتحليل التصوير الطبي لتسليط الضوء على الأمراض المحتملة. على سبيل المثال، يساعد الكشف عن الأورام في فحوصات التصوير بالرنين المغناطيسي التي تنحرف عن أنماط الأنسجة السليمة أطباء الأشعة على إجراء تشخيصات أسرع، وهي إحدى الفوائد الرئيسية ل الذكاء الاصطناعي في الرعاية الصحية.
• أمن الشبكة: تراقب أدوات الأمن السيبراني حركة مرور البيانات على الشبكة بحثًا عن أي طفرات أو حزم غير عادية التي يمكن أن تشير إلى وجود هجوم إلكتروني، مما يساعد المؤسسات على الالتزام بالإرشادات الصادرة عن وكالة الأمن السيبراني وأمن البنية التحتية (CISA).

تنفيذ الكشف عن العيوب باستخدام YOLO11

تتمثل إحدى الطرق العملية لتنفيذ شكل خاضع للإشراف من أشكال الكشف عن الشذوذ في تدريب نموذج رؤية للتعرف على فئات عيوب محددة. يوضح المثال التالي كيفية تحميل نموذج نموذج مدرب مخصص وتشغيل الاستدلال لتحديد الحالات الشاذة المصنفة كأشياء.

from ultralytics import YOLO

# Load a YOLO11 model trained to detect specific defects (e.g., scratches)
model = YOLO("yolo11n.pt")  # Replace with your custom trained weights

# Perform inference on a new image to check for anomalies
results = model.predict("path/to/product_image.jpg", conf=0.25)

# Display the results to visualize identified defects
for result in results:
    result.show()  # Renders the image with bounding boxes around defects

الأدوات والأطر

يتطلب تطوير هذه الأنظمة منظومات برمجيات قوية.

• المكتبات: المكتبات التأسيسية مثل PyTorch و TensorFlow لبنات بناء هياكل التعلم العميق.
• معالجة البيانات: بالنسبة للبيانات غير المرئية، فإن وحدة Scikit-learn للكشف عن البيانات الخارجة تقدم خوارزميات قياسية مثل Isolation Forest.
• الحلول المتكاملة: منصة Ultralytics القادمة تم تصميم منصةUltralytics القادمة لتبسيط سير العمل بالكامل، بدءًا من شرح البيانات إلى تدريب النماذج ونشرها, مما يسهل بناء أنظمة رؤية متخصصة للكشف عن الحالات الشاذة في بيئات الوقت الفعلي.