Anomaly Detection

يعد كشف الشذوذ تقنية بالغة الأهمية في مجالات الذكاء الاصطناعي (AI) وتعلم الآلة (ML)، وتركز على تحديد نقاط البيانات، أو الأحداث، أو الملاحظات التي تنحرف بشكل كبير عن السلوك الطبيعي لمجموعة البيانات. وغالباً ما يُشار إلى هذه العملية باسم كشف القيم المتطرفة، وهي تفترض أن غالبية البيانات تتبع نمطاً أو توزيعاً محدداً، وأي شيء يقع خارج هذا النطاق الطبيعي الراسخ يُعتبر شذوذاً. يمكن أن تشير هذه المخالفات إلى حوادث حرجة، مثل العيوب الهيكلية في التصنيع، أو الأخطاء في بيانات النصوص، أو الاختراقات الأمنية المحتملة في حركة مرور الشبكة. وتُستخدم خوارزميات متقدمة، بما في ذلك تلك المستخدمة في التعلم العميق (DL)، لأتمتة التعرف على هذه الأحداث النادرة بدقة عالية accuracy.

Link to this sectionكشف الشذوذ مقابل كشف الأشياء#

في حين أن كلتا المنهجيتين أساسيتان في رؤية الحاسوب (CV) الحديثة، فمن المهم التمييز بين كشف الشذوذ وكشف الأشياء القياسي.

• كشف الأشياء هو عادةً مسألة ذات مجموعة مغلقة حيث يقوم النموذج بتحديد وتوطين فئات محددة ومعروفة (على سبيل المثال، "سيارة"، "شخص"، "إشارة مرور") باستخدام صناديق الإحاطة (bounding boxes). يتم تدريب النظام على أمثلة مصنفة لما يحتاج بالضبط إلى العثور عليه.
• 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 كاشفات الأشياء القوية مثل Ultralytics YOLO26 المتطور بشكل فعال لكشف الشذوذ الخاضع للإشراف. من خلال التعامل مع العيوب المعروفة كفئات متميزة داخل بيانات التدريب (training data)، يمكن للمهندسين تدريب النماذج لتحديد أنواع معينة من المخالفات.

Link to this sectionتطبيقات 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.

• الذكاء الاصطناعي في التصنيع: تراقب أنظمة الفحص البصري الآلي (AOI) خطوط الإنتاج لتحديد العيوب الهيكلية في الوقت الفعلي. من خلال تنفيذ الصيانة التنبؤية (predictive maintenance)، يمكن للمصانع اكتشاف الاهتزازات غير العادية أو التوقيعات الحرارية في الآلات، مما يمنع فترات التوقف المكلفة.
• تحليل الصور الطبية: في الرعاية الصحية، تقوم الخوارزميات بتحليل صور الرنين المغناطيسي (MRI) أو الأشعة المقطعية (CT) لتسليط الضوء على الأمراض المحتملة. يساعد اكتشاف الأورام أو الكسور التي تنحرف عن أنماط الأنسجة السليمة أطباء الأشعة في إجراء تشخيصات أسرع، وهو عنصر رئيسي في الذكاء الاصطناعي في الرعاية الصحية.
• كشف الاحتيال المالي: تستخدم البنوك كشف الشذوذ الإحصائي لمراقبة تدفقات المعاملات. إذا تغير سلوك إنفاق المستخدم فجأة - مثل عملية شراء كبيرة في بلد أجنبي - يقوم النظام بوضع علامة على المعاملة كاختراق أمني محتمل، كما هو موضح في منهجيات كشف الاحتيال المالي.
• كشف اختراق الشبكة: تراقب أدوات الأمن السيبراني حركة مرور الشبكة بحثاً عن طفرات أو توقيعات حزم غير عادية. من خلال وضع خط أساس لحركة المرور العادية، يمكن للأنظمة تحديد الهجمات السيبرانية أو محاولات استخراج البيانات في وقت مبكر.

Link to this sectionتنفيذ كشف العيوب باستخدام YOLO26#

يتضمن النهج العملي لكشف الشذوذ تدريب نموذج رؤية للتعرف على فئات عيوب محددة. تم تحسين أحدث النماذج، مثل YOLO26، لهذه المهمة، حيث توفر سرعة ودقة فائقتين مقارنة بالإصدارات السابقة مثل YOLO11. يوضح المثال التالي كيفية تحميل نموذج مدرب مسبقاً وتشغيل الاستدلال لتحديد الشذوذات المصنفة كأشياء.

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

Link to this sectionالأدوات والنظام البيئي#

يتطلب تطوير أنظمة فعالة لكشف الشذوذ نظاماً برمجياً قوياً للتعامل مع المعالجة المسبقة للبيانات (data preprocessing) وإدارة دورة حياة النموذج.

• أطر التعلم العميق: توفر مكتبات مثل PyTorch وTensorFlow البنية التحتية الحسابية لتدريب الشبكات العصبية (neural networks) المعقدة المستخدمة في الكشف القائم على الرؤية.
• تحضير البيانات: تعد أدوات تنظيف البيانات (data cleaning) ضرورية لإزالة القيم المتطرفة من مجموعة التدريب الأولية حتى يتعلم النموذج خط أساس نظيفاً لـ "الطبيعية".
• المكتبات الإحصائية: بالنسبة للبيانات غير المرئية، توفر مكتبة Scikit-learn خوارزميات قياسية مثل غابة العزل (Isolation Forest) وآلة متجه الدعم أحادية الفئة Support Vector Machine (SVM).
• سير العمل المتكامل: تعمل منصة Ultralytics على تبسيط دورة حياة هذه النماذج، حيث تقدم أدوات لتعليق مجموعات البيانات، والتدريب السحابي، ونشر نماذج فعالة مثل YOLO26 على أجهزة الحافة من أجل الاستدلال في الوقت الفعلي (real-time inference).