Identity Preservation

في الذكاء الاصطناعي (AI) والتعلم الآلي (ML)، يشير الحفاظ على الهوية إلى قدرة الخوارزمية على صون السمات الفريدة التي تتيح التعرّف على شخص أو كائن أو كيان بعينه عبر التحولات المختلفة أو دورات التوليد أو التسلسلات الزمنية. وسواء أكان ذلك بتتبّع مركبة متحركة عبر موجزات كاميرات متعددة أم بإنشاء صورة رمزية رقمية مخصصة استنادًا إلى مطالبة نصية، فإن الحفاظ على الهوية يضمن بقاء السمات الأساسية التي تميّز تلك الحالة بعينها سليمة ومتسقة، ويمنع الذكاء الاصطناعي من فقدان أثر العنصر المستهدف أو تشويهه.

الحفاظ على الهوية في الذكاء الاصطناعي التوليدي#

أدى التقدم السريع في الذكاء الاصطناعي التوليدي، ولا سيما نماذج الانتشار والشبكات التوليدية التنافسية (GANs)، إلى جعل الحفاظ على الهوية مجالًا بحثيًا بالغ الأهمية. فعندما يطلب المستخدمون من نموذج ذكاء اصطناعي وضع شخص بعينه في بيئة جديدة أو تطبيق مرشح أسلوبي، يجب على النموذج معالجة الصورة من دون تغيير الهوية الأساسية للشخص.

أسهمت الإنجازات الحديثة في توليد الصور من النصوص، مثل IP-Adapter وأطر التدريب المتسقة مع الهوية، في تحسين قدرة النماذج على الاحتفاظ بملامح الوجه وسلامة البنية تحسينًا كبيرًا. ومن خلال الاستفادة من التضمينات الرياضية المستمدة من شبكات قوية للتعرّف على الوجوه، مثل ArcFace، ترسم هذه النماذج التوليدية خصائص الهوية المميزة في فضاء كامن. وهذا يتيح إجراء تحولات معقدة—مثل تجارب القياس الافتراضي في قطاع البيع بالتجزئة أو التدرج الديناميكي في العمر—مع ضمان بقاء الناتج المُنشأ مرتبطًا بوضوح بالشخص الأصلي.

الحفاظ على الهوية في الرؤية الحاسوبية#

في الرؤية الحاسوبية (CV)، يشكّل الحفاظ على الهوية أساسًا للتتبّع والمراقبة. فعندما يتحرك كائن أو شخص عبر مشهد، أو يُحجب عن الرؤية، أو ينتقل بين زوايا تصوير مختلفة، يجب على النظام إسناد معرّف (ID) فريد إليه والحفاظ عليه باستمرار.

يرتبط هذا المفهوم ارتباطًا وثيقًا بـإعادة التعرّف على الكائنات (Re-ID) وتتبّع الأجسام المتعددة (MOT). فبينما يعتمد التتبّع الأساسي للكائنات على توقع الموقع المستقبلي للعنصر المستهدف باستخدام الاستمرارية الزمنية، يضمن الحفاظ على الهوية أنه عندما تنقطع هذه الاستمرارية مؤقتًا (مثلًا، عندما يسير شخص خلف عائق)، تتم مطابقة عملية الكشف التي أُعيدت مع الهوية الأصلية بصورة صحيحة، اعتمادًا حصريًا على السمات البصرية. ولتحقيق ذلك، تحسب النماذج غالبًا التشابه الجيبي بين متجهات السمات في الوقت الفعلي.

من المهم التمييز بين الحفاظ على الهوية وخصوصية البيانات. فخصوصية البيانات تحجب الهويات أو تطمسها عمدًا—مثل طمس الوجوه أو لوحات ترخيص المركبات—لحماية المعلومات الشخصية. وعلى النقيض من ذلك، يسعى الحفاظ على الهوية بنشاط إلى صون هذه السمات المميزة والتحقق منها لتحقيق الاتساق التحليلي أو التوليدي.

تطبيقات في العالم الواقعي#

يفتح الحفاظ على الهوية آفاقًا لقدرات قوية وفعالة في قطاعات عديدة:

• تحليلات المدن الذكية والأمن: يتيح الحفاظ على هويات المركبات والمشاة عبر شبكات كاميرات غير متداخلة في عمليات النشر الحضرية واسعة النطاق تحليل تدفق حركة المرور بدقة، وتتبع الأجسام بين الكاميرات، واكتشاف الحالات الشاذة، من دون احتساب الكيان نفسه مرتين عن طريق الخطأ.
• الإعلام والترفيه: تُستخدم النماذج التوليدية على نطاق واسع في إنتاج الأفلام وتطوير الألعاب لإنشاء نسخ رقمية متسقة، ما يتيح الحفاظ بسلاسة على ملامح الممثلين عبر المشاهد الاصطناعية وظروف الإضاءة المتباينة.

تطبيق الحفاظ على الهوية في التتبّع#

تدير مسارات التتبّع الحديثة للكائنات الحفاظ على الهوية من خلال متتبعات متكاملة تستفيد من السمات المكانية وسمات المظهر البصري. وتبسّط منصة Ultralytics نشر النماذج مثل YOLO26 من Ultralytics، الذي يمكن إقرانه مباشرة بخوارزميات التتبّع مثل BoT-SORT لضمان استمرارية الهوية.

يوضح مقتطف Python التالي كيفية تتبّع الكائنات والحفاظ على معرّفاتها الفريدة عبر إطارات الفيديو باستخدام حزمة Ultralytics لـPython:

from ultralytics import YOLO

# Load the latest YOLO26 model optimized for accuracy and speed
model = YOLO("yolo26n.pt")

# Perform tracking on a video source with persist=True for identity preservation
results = model.track(
    source="path/to/video.mp4",
    tracker="botsort.yaml",  # BoT-SORT uses appearance features to preserve ID
    persist=True,
)

# Extract and print the preserved tracking ID for the first object
if results[0].boxes.id is not None:
    print(f"Preserved Identity ID: {results[0].boxes.id[0].item()}")

من خلال ضمان احتفاظ كل كائن مكتشف ببصمة هوية متسقة، يستطيع المطورون بناء تطبيقات قوية تتنوع بين القيادة الذاتية وتوليد المحتوى المخصص، بالاعتماد على أطر عمل مثل PyTorch لتنفيذ عمليات الموتر المعقدة بكفاءة في الخلفية.