تصور البيانات

تصور البيانات هو ممارسة تمثيل البيانات والمعلومات بيانياً. في سياق الذكاء الاصطناعي (AI) و التعلم الآلي (ML)، فهو أداة لا غنى عنها لجعل البيانات المعقدة وهياكل النماذج ومقاييس الأداء مفهومة للبشر. من خلال تحويل الأرقام الأولية والمفاهيم المجردة إلى مخططات ورسوم بيانية وخرائط، يمكن للمطورين والباحثين تحديد الأنماط واكتشاف الحالات الشاذة وتوصيل الأفكار بشكل أكثر فعالية. يلعب التصور دورًا حاسمًا طوال سير عمل التعلم الآلي بأكمله، بدءًا من استكشاف البيانات والمعالجة المسبقة الأولية وحتى تقييم النموذج وتفسير النتائج. فهو يساعد في تحويل المخرجات المعقدة من النماذج إلى رؤى واضحة وقابلة للتنفيذ، وهو مفهوم تم استكشافه بشكل أكبر في مدونتنا حول تحسين تطبيقات الرؤية الحاسوبية باستخدام التصورات.

الأهمية في دورة حياة الذكاء الاصطناعي/التعلم الآلي

لا يقتصر تصور البيانات على إنشاء رسومات جذابة من الناحية الجمالية فحسب؛ بل هو عنصر أساسي في عملية التعلم العميق. خلال المراحل الأولية من المشروع، يتم استخدام التصور لتحليل البيانات الاستكشافي (EDA) لفهم توزيعات مجموعة البيانات وتحديد المشكلات المحتملة مثل تحيز مجموعة البيانات أو الحاجة إلى زيادة البيانات. طوال تدريب النموذج، تساعد أدوات مثل TensorBoard في تصور المقاييس مثل منحنيات دالة الخسارة و الدقة بمرور الوقت. بعد التدريب، تعد التصورات مثل مصفوفة الارتباك أو منحنى خاصية تشغيل المتلقي (ROC) ضرورية لتقييم أداء النموذج. تدمج منصات مثل Ultralytics HUB هذه التصورات لتوفير تجربة MLOps سلسة.

تطبيقات الذكاء الاصطناعي/تعلم الآلة الواقعية

1. تحليل الصور الطبية: في الذكاء الاصطناعي للرعاية الصحية، تساعد التصورات في تفسير الفحوصات الطبية المعقدة. يمكن لنموذج اكتشاف الكائنات المدرب على مجموعة بيانات مثل مجموعة بيانات أورام الدماغ إخراج مربعات إحاطة تحدد التشوهات المحتملة. يتيح تصور هذه المربعات المتراكبة مباشرة على التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب لأخصائيي الأشعة تقييم نتائج النموذج بسرعة، مما يساعد في التشخيص. علاوة على ذلك، يمكن أن يساعد تصور مجموعات نتائج المرضى بناءً على ميزات التصوير في تحديد الأنواع الفرعية للأمراض. يعتمد الذكاء الاصطناعي في الرعاية الصحية بشكل كبير على هذه الوسائل البصرية. يمكنك استكشاف المزيد من التطبيقات في المعهد الوطني للتصوير الطبي الحيوي والهندسة الحيوية (NIBIB).
2. تطوير المركبات ذاتية القيادة: تعالج أنظمة السيارات ذاتية القيادة كميات هائلة من بيانات المستشعرات. يُستخدم التصور على نطاق واسع أثناء التطوير والاختبار. يتصور المهندسون سحب نقاط الليدار (LiDAR)، وتوقيعات الرادار، وخلاصات الكاميرا في محاكاة ثلاثية الأبعاد للبيئة. غالبًا ما يتم عرض الأجسام المكتشفة (السيارات والمشاة وراكبي الدراجات) التي تحددها نماذج مثل YOLO باستخدام مربعات إحاطة ومسارات تتبع وعلامات ثقة، مما يسمح للمطورين بالتحقق من دقة نظام الإدراك وسلامته في سيناريوهات مختلفة. انظر أمثلة في حلول الذكاء الاصطناعي في مجال السيارات وتعرف على أساليب الصناعة من شركات مثل Mobileye.

التمييز عن المصطلحات ذات الصلة

• تحليل البيانات: هذا مجال أوسع يشمل العملية بأكملها لفحص البيانات وتنظيفها وتحويلها ونمذجتها لاكتشاف معلومات مفيدة ودعم اتخاذ القرارات. تصور البيانات هو مكون أو أداة تستخدم داخل تحليل البيانات لتقديم النتائج أو استكشاف البيانات، ولكن التحليلات تتضمن أيضًا النمذجة الإحصائية واختبار الفرضيات وطرق أخرى غير مرئية. تعرف على المزيد حول أساسيات تحليل البيانات.
• معالجة الصور: يركز هذا المجال على معالجة الصور الرقمية لتحسينها أو استخراج المعلومات مباشرة من بيانات البكسل (مثل التصفية واكتشاف الحواف وتعديل التباين). في حين أن التصور يمكن أن يتضمن عرض الصور، فإن تصور البيانات في الذكاء الاصطناعي/التعلم الآلي غالبًا ما يتعامل مع تمثيل البيانات المجردة (مثل مقاييس أداء النموذج أو علاقات الميزات) أو تراكب تفسيرات النموذج (مثل الاكتشافات) على الصور، بدلاً من تحويل الصور نفسها. اقرأ عن الاختلافات في منشور المدونة رؤية الكمبيوتر مقابل معالجة الصور.
• تحليل البيانات الاستكشافي (EDA): EDA هو عملية تحليل مجموعات البيانات لفهم خصائصها الرئيسية، غالبًا باستخدام طرق مرئية. تقنيات تصور البيانات هي الأدوات الأساسية المستخدمة أثناء EDA للكشف عن الأنماط واكتشاف الحالات الشاذة واختبار الفرضيات والتحقق من الافتراضات. يتطرق الدليل حول المعالجة المسبقة للبيانات المشروحة إلى مفاهيم EDA ذات الصلة بمجموعات بيانات رؤية الكمبيوتر.