انضم إلينا ونحن نعيد النظر في الكلمة الرئيسية لديفيد سكوت YOLO Vision 2024 حول تحليل السلوك القائم على الذكاء الاصطناعي وتطبيقاته الواقعية في قطاعات مثل تربية الحيوانات.
%202.png)
على مدى سنوات عديدة، ركزت ابتكارات الرؤية الحاسوبية على مهام مثل اكتشاف الأجسام - تحديد الأجسام مثل الكلب أو السيارة في الصور ومقاطع الفيديو. وقد أتاحت هذه الأساليب تطبيقات في مجالات مثل المركبات ذاتية القيادة والتصنيع والرعاية الصحية.
ومع ذلك، غالباً ما تركز هذه المهام فقط على تحديد ماهية الكائن. ماذا لو تمكنت أنظمة الذكاء الاصطناعي للرؤية من الذهاب إلى أبعد من ذلك؟ على سبيل المثال، بدلاً من مجرد الكشف عن كلب، لنفترض أنه يمكن أن تفهم أن الكلب يطارد كرة أو أن سيارة تفرمل فجأة لأن أحد المشاة يعبر الطريق. يمثل هذا التحول من التعرف الأساسي إلى الفهم السياقي تحولاً كبيراً نحو ذكاء الذكاء الاصطناعي السلوكي المدرك للسياق.
في YOLO Vision 2024 (YV24)، الحدث السنوي المختلط Ultralyticsالذي يحتفي بالتقدم في مجال الذكاء الاصطناعي البصري، احتل مفهوم تحليل السلوك القائم على الذكاء الاصطناعي مركز الصدارة خلال حديث شيق ألقاه ديفيد سكوت، الرئيس التنفيذي لشركة The Main Branch.
في حديثه، استكشف ديفيد الانتقال من مهام الرؤية الحاسوبية الأساسية إلى التتبع السلوكي. وبفضل خبرته التي تزيد عن 25 عاماً في بناء التطبيقات التكنولوجية المتطورة، استعرض تأثير هذه القفزة. وشدّد على كيفية إعادة تشكيل الأنماط والسلوكيات التي تعمل على فك تشفير الأنماط والسلوكيات في صناعات مثل الزراعة ورعاية الحيوان.
في هذا المقال، سنستعرض في هذا المقال أبرز ما جاء في حديث ديفيد ونستكشف كيف يجعل التتبع السلوكي الذكاء الاصطناعي أكثر عملية.
بدأ ديفيد سكوت كلمته الرئيسية بمراجعة واقعية جريئة وقال: "غالبًا ما يقول أحد زملائي: "العلم لا يبيع"، وهو ما يسيء إلى الكثير منا هنا لأننا نحب العلم حقًا. الذكاء الاصطناعي رائع حقًا - لماذا لا يشتريه الناس؟ لكن الحقيقة هي أن الناس لا يرغبون في شرائه لمجرد أننا نعتقد أنه رائع؛ فهم بحاجة إلى سبب لشرائه."
وتابع موضحًا أنه في شركته، الفرع الرئيسي، ينصب التركيز دائمًا على حل المشاكل الحقيقية باستخدام الذكاء الاصطناعي، وليس فقط استعراض قدراته. يأتي الكثير من العملاء راغبين في التحدث عن كيفية استخدام الذكاء الاصطناعي بشكل عام، لكنه يرى أن هذا نهج متخلف - فهو يشبه وجود حل بدون مشكلة. وبدلاً من ذلك، فإنهم يعملون مع العملاء الذين يطرحون تحديات محددة حتى يتمكنوا من إنشاء حلول ذكاء اصطناعي تُحدث فرقاً فعلياً.
شارك ديفيد أيضًا أن عملهم غالبًا ما يتجاوز مجرد التعرف على الأشياء في المشهد. فرصد ما هو موجود هو الخطوة الأولى فقط. تأتي القيمة الحقيقية من معرفة ما يجب فعله بهذه المعلومات وجعلها مفيدة في سلسلة القيمة الأكبر.
تتمثل إحدى الخطوات الحيوية في جعل الذكاء الاصطناعي مفيدًا حقًا في تجاوز مهام الرؤية الحاسوبية الأساسية مثل اكتشاف الأجسام واستخدام تلك الرؤى في التتبع السلوكي. أوضح ديفيد أن الذكاء الاصطناعي السلوكي يركز على فهم الإجراءات والأنماط وليس فقط تحديد الأشياء. وهذا يجعل الذكاء الاصطناعي قادرًا على التعرف على الأحداث ذات المغزى وتقديم رؤى قابلة للتنفيذ.
وضرب مثالاً لحيوان يتدحرج على الأرض، وهو ما قد يشير إلى المرض. بينما لا يمكن للبشر مراقبة حيوان على مدار الساعة، يمكن لأنظمة المراقبة التي تعتمد على الذكاء الاصطناعي مع قدرات تتبع السلوكيات أن تفعل ذلك. يمكن لمثل هذه الحلول مراقبة الأشياء بشكل مستمر، واكتشاف سلوكيات محددة، وإرسال تنبيه، والسماح باتخاذ إجراء في الوقت المناسب. وهذا يحول البيانات الأولية إلى شيء عملي وقيّم.
كما أوضح ديفيد أيضًا أن هذا النهج لا يجعل الذكاء الاصطناعي مثيرًا للاهتمام فحسب، بل مؤثرًا حقًا. من خلال معالجة المشاكل الحقيقية، مثل رصد السلوكيات والتصرف بناءً عليها، يمكن أن يصبح تتبع السلوكيات جزءًا أساسيًا من حلول الذكاء الاصطناعي الفعالة في مختلف الصناعات.
ثم أوضح ديفيد سكوت كيف أن Ultralytics YOLOv8كان نموذج الرؤية الحاسوبية إنجازًا كبيرًا لمشاريع فريقه في تتبع السلوكيات. فقد منحهم أساسًا متينًا لاكتشاف الأجسام وتصنيفها وتتبعها. كما خطا فريقه خطوة أخرى إلى الأمام وقاموا بتدريب YOLOv8 بشكل مخصص للتركيز على مراقبة السلوكيات بمرور الوقت، مما جعله أكثر عملية ومفيدة لمواقف العالم الحقيقي.
ومن المثير للاهتمام، مع إصدار Ultralytics YOLO11، يمكن أن تصبح الحلول مثل تلك التي أنشأها الفرع الرئيسي أكثر موثوقية ودقة. يقدم هذا النموذج الأخير ميزات مثل الدقة المحسنة والمعالجة الأسرع التي تعزز قدرته على تتبع السلوكيات. سنناقش هذا الأمر بمزيد من التفصيل بعد الحصول على فهم أفضل للتطبيقات التي يمكن استخدام الذكاء الاصطناعي السلوكي فيها.
بعد ذلك، دعونا نستكشف الحلول التي تحدث عنها ديفيد وكيف يتم استخدام تقنية تتبع السلوكيات في تطبيقات العالم الحقيقي لحل التحديات اليومية وإحداث تأثير مفيد.
أولاً، شارك ديفيد تحديًا مثيرًا واجهوه في مشروع يسمى HerdSense، والذي تضمن مراقبة صحة الآلاف من الأبقار في حقل تغذية ضخم. كان الهدف هو تتبع سلوك الأبقار الفردية لتحديد المشاكل الصحية المحتملة. كان هذا يعني مراقبة عشرات الآلاف من الحيوانات في نفس الوقت، ولم تكن مهمة بسيطة.
للبدء في حل مشكلة تحديد كل بقرة وتتبع سلوكياتها، أجرى فريق ديفيد ورشة عمل لمدة يومين لتحديد كل سلوك ممكن يحتاجون إلى مراقبته. وقد حددوا أكثر من 200 سلوك في المجموع.
اعتمد كل سلوك من السلوكيات ال 200 على القدرة على التعرف بدقة على الأبقار الفردية، حيث كان يجب ربط جميع البيانات بحيوانات محددة. كان أحد الشواغل الرئيسية هو تتبع الأبقار عندما تتجمع معًا في تجمعات مما جعل من الصعب رؤية الحيوانات الفردية.
قام فريق ديفيد بتطوير نظام رؤية حاسوبية لضمان التعرف على كل بقرة بشكل ثابت، حتى في المواقف الصعبة. وقد تمكنوا من التأكد من أن البقرة نفسها ستحصل دائماً على نفس المعرف، حتى لو اختفت عن الأنظار أو اختلطت مع غيرها أو عادت للظهور لاحقاً.
وللمضي قدماً، قدم ديفيد مشروعاً رائعاً آخر حيث طبقوا تقنيات تتبع سلوكية مماثلة لمراقبة الخيول. في هذا المشروع، لم يكن فريق ديفيد بحاجة إلى تتبع هويات الخيول الفردية عن كثب كما فعلوا مع الأبقار. وبدلاً من ذلك، ركزوا على سلوكيات محددة وتتبعوا تفاصيل مثل أنماط الأكل ومستويات النشاط العام لاكتشاف أي مشاكل صحية في وقت مبكر. يمكن أن يؤدي تحديد التغيرات الصغيرة في السلوك إلى تدخلات أسرع لتوفير رعاية أفضل ومنع المشاكل قبل أن تصبح خطيرة.
ناقش ديفيد أيضًا تعقيد التتبع السلوكي من خلال مثال مثير للاهتمام. أثناء بحثه عن طرق لتحسين التحليل السلوكي، صادف فريقه شركة تدّعي اكتشاف سرقة المتاجر من خلال تحليل وضعيات معينة، مثل وضع شخص ما يده في جيبه. في البداية، بدت هذه فكرة ذكية - حركات معينة يمكن أن تشير إلى سلوك مريب، أليس كذلك؟
ومع ذلك، مع قيام ديفيد بمزيد من الاستكشاف، أدرك محدودية هذه الطريقة. فوضعية واحدة، مثل وضع اليد في الجيب، لا تعني بالضرورة أن شخصًا ما يسرق من المتجر. فقد تشير فقط إلى أنه مسترخٍ أو يفكر أو حتى يشعر بالبرد. المشكلة في التركيز على الوضعيات المعزولة هي أنها تتجاهل السياق الأكبر. فالسلوك ليس مجرد فعل واحد - بل هو نمط من الأفعال على مر الزمن، يتشكل حسب السياق والنية.
أكد ديفيد على أن التتبع السلوكي الحقيقي أكثر تعقيدًا بكثير ويتطلب نهجًا شاملاً. يتعلق الأمر بتحليل تسلسل الإجراءات وفهم ما تعنيه في الصورة الأوسع. وعلى الرغم من أن صناعة الذكاء الاصطناعي تخطو خطوات واسعة في هذا المجال، إلا أنه أشار إلى أنه لا يزال هناك عمل يتعين القيام به في تطوير التتبع السلوكي لتقديم رؤى مفيدة ودقيقة.
بعد ذلك، اصطحب ديفيد الجمهور وراء الكواليس ليوضح لهم كيف قام فريقه ببناء حل للرؤية الحاسوبية لمراقبة صحة الأبقار بمساعدة YOLOv8 ، وقدراته على تقدير الوضعيات.
وقد بدأوا بإنشاء مجموعة بيانات مخصصة لتقدير وضعية البقرة، وزيادة العدد القياسي للنقاط الرئيسية من 17 إلى 145 نقطة رئيسية لجعل النموذج أفضل في تحليل الحركة. بعد ذلك، تم تدريب النموذج على مجموعة بيانات ضخمة تضم أكثر من مليوني صورة و110 مليون مثال سلوكي.
وباستخدام البنية التحتية المتطورة للأجهزة، تمكن فريق ديفيد من تدريب النموذج في يومين فقط بدلاً من الأسابيع التي كان سيستغرقها على الأجهزة التقليدية. ثم تم دمج النموذج المُدرَّب مع جهاز تعقب سلوك مخصص يقوم بتحليل إطارات فيديو متعددة في وقت واحد لاكتشاف الأنماط في تصرفات الأبقار.
كانت النتيجة حلاً يعتمد على الذكاء الاصطناعي للرؤية يمكنه اكتشاف وتتبع ثمانية سلوكيات مختلفة للأبقار مثل الأكل والشرب والاستلقاء لاكتشاف التغيرات السلوكية الطفيفة التي يمكن أن تشير إلى مخاوف صحية. يتيح ذلك للمزارعين التصرف بسرعة ويحسن إدارة القطيع.
واختتم ديفيد حديثه بمشاركة درس مهم مع الجمهور: "إذا لم تمنح الذكاء الاصطناعي مجالاً للفشل، فأنت تهيئ نفسك للفشل لأنه في نهاية المطاف، هو أمر إحصائي." وأشار إلى أن الذكاء الاصطناعي، على الرغم من نقاط قوته، ليس خاليًا من العيوب. إنه أداة تتعلم من الأنماط، وستكون هناك دائمًا أوقات لا تصيب فيها الأمور بشكل صحيح. وبدلاً من الخوف من تلك الأخطاء، فإن المفتاح هو بناء أنظمة يمكنها التعامل معها والاستمرار في التحسن بمرور الوقت.
وينطبق ذلك أيضًا عندما يتعلق الأمر بنماذج الرؤية الحاسوبية نفسها. على سبيل المثال، تم بناء Ultralytics YOLO11 ، وهو أحدث إصدار من نماذج Ultralytics YOLO ، مع مراعاة الحاجة إلى الارتقاء بالأمور إلى المستوى التالي مقارنة بنماذج YOLOv8.
على وجه الخصوص، يقدم YOLO11 أداءً أفضل، خاصةً فيما يتعلق بالتطبيقات في الوقت الحقيقي حيث الدقة هي المفتاح، مثل الزراعة والرعاية الصحية. بفضل ميزاته المتقدمة، يعيد موقع YOLO11 تعريف كيفية استخدام الصناعات للذكاء الاصطناعي من خلال توفير رؤى مبتكرة في الوقت الفعلي ومساعدتها على مواجهة التحديات بشكل أكثر فعالية.
كانت الكلمة الرئيسية التي ألقاها ديفيد في YV24 بمثابة تذكير بأن الذكاء الاصطناعي أكثر من مجرد ابتكار رائع، فهو أداة قوية لحل المشاكل الحقيقية وتحسين طريقة عيشنا وعملنا. من خلال التركيز على السلوك، يُحدث الذكاء الاصطناعي بالفعل تأثيراً في مجالات مثل تتبع صحة الحيوانات والتعرف على الأنماط ذات المغزى في الأفعال اليومية.
إن إمكانات الذكاء الاصطناعي السلوكي مثيرة، ونحن في البداية فقط. من خلال تحويل البيانات الأولية إلى رؤى قابلة للتنفيذ، يتحول الذكاء الاصطناعي السلوكي من المراقبة السلبية إلى حل المشكلات بشكل فعال. ومع تطوره بشكل أكبر، من المقرر أن يؤدي الذكاء الاصطناعي السلوكي إلى اتخاذ قرارات أكثر ذكاءً وتبسيط العمليات وإدخال تحسينات ذات مغزى على حياتنا.
ابق على اتصال مع مجتمعنا لمعرفة المزيد عن الذكاء الاصطناعي وتطبيقاته في العالم الحقيقي. قم بزيارة مستودع GitHub الخاص بنا لاكتشاف الابتكارات في مجالات مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في التصنيع.
