تصوّر البيانات

الملاءمة في دورة حياة الذكاء الاصطناعي/التعلم الآلي

لا يقتصر التصور البصري للبيانات على إنشاء رسومات جمالية مبهجة فحسب، بل هو عنصر أساسي في عملية التعلم العميق. خلال المراحل الأولية للمشروع، يتم استخدام التصور في التحليل الاستكشافي للبيانات (EDA) لفهم توزيعات مجموعة البيانات وتحديد المشكلات المحتملة مثل تحيز مجموعة البيانات أو الحاجة إلى زيادة البيانات. خلال التدريب على النموذج، تساعد أدوات مثل TensorBoard في تصور مقاييس مثل منحنيات دالة الخسارة والدقة بمرور الوقت. بعد التدريب، تُعد التصورات مثل مصفوفة الارتباك أو منحنى خصائص التشغيل المتلقي (ROC) ضرورية لتقييم أداء النموذج. تقوم منصات مثل Ultralytics HUB بدمج هذه التصورات لتوفير تجربة سلسة في عمليات التشغيل الآلي.

تطبيقات الذكاء الاصطناعي/التعلم الآلي في العالم الحقيقي

1. تحليل الصور الطبية: في مجال الذكاء الاصطناعي للرعاية الصحية، يساعد التصور في تفسير الفحوصات الطبية المعقدة. يمكن لنموذج الكشف عن الأجسام المدرّب على مجموعة بيانات مثل مجموعة بيانات أورام الدماغ أن يُنتج مربعات محددة تحدد الحالات الشاذة المحتملة. ويسمح تصور هذه المربعات المتراكبة مباشرةً على التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب لأخصائيي الأشعة بتقييم نتائج النموذج بسرعة، مما يساعد في التشخيص. علاوةً على ذلك، يمكن أن يساعد تصور مجموعات نتائج المرضى بناءً على ميزات التصوير في تحديد الأنواع الفرعية للمرض. يعتمد الذكاء الاصطناعي في الرعاية الصحية بشكل كبير على مثل 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 أجهزة الاستشعار. يتم استخدام التصور على نطاق واسع أثناء التطوير والاختبار. يقوم المهندسون بتصور سحب نقاط LiDAR، وتوقيعات الرادار، وموجزات الكاميرا في محاكاة ثلاثية الأبعاد للبيئة. وغالبًا ما يتم عرض الأجسام المكتشفة (السيارات والمشاة وراكبي الدراجات الهوائية) التي تم تحديدها بواسطة نماذج مثل YOLO مع مربعات محدّدة ومسارات تتبع ودرجات الثقة، مما يسمح للمطورين بالتحقق من دقة نظام الإدراك وسلامته في سيناريوهات مختلفة. اطلع على أمثلة في حلول الذكاء الاصطناعي في السيارات وتعرف على مناهج الصناعة من شركات مثل Mobileye.

التمييز بين المصطلحات ذات الصلة

• تحليلات البيانات: وهو مجال أوسع نطاقًا يشمل العملية الكاملة لفحص البيانات وتنظيفها وتحويلها ونمذجتها لاكتشاف المعلومات المفيدة ودعم عملية صنع القرار. يُعد تصور البيانات أحد المكونات أو الأدوات المستخدمة في تحليلات البيانات لتقديم النتائج أو استكشاف البيانات، لكن التحليلات تشمل أيضًا النمذجة الإحصائية واختبار الفرضيات وغيرها من الأساليب غير البصرية. تعرف على المزيد حول أساسيات تحليلات البيانات.
• معالجة الصور: يركّز هذا المجال على معالجة الصور الرقمية لتحسينها أو استخراج المعلومات مباشرةً 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 السمات) أو تراكب تفسيرات النموذج (مثل الاكتشافات) على الصور، بدلاً من تحويل الصور نفسها. اقرأ عن الاختلافات في منشور مدونة الرؤية الحاسوبية مقابل معالجة الصور هذا.
• التحليل الاستكشافي للبيانات (EDA): التحليل الاستكشافي للبيانات هو عملية تحليل مجموعات البيانات لفهم خصائصها الرئيسية، وغالبًا ما يتم ذلك باستخدام أساليب بصرية. تُعد تقنيات تصور البيانات هي الأدوات الأساسية المستخدمة أثناء تحليل البيانات الاستكشافية للكشف عن الأنماط واكتشاف الحالات الشاذة واختبار الفرضيات والتحقق من الافتراضات. يتطرق الدليل الخاص بالمعالجة المسبقة للبيانات المشروحة إلى مفاهيم تحليل البيانات المرئية الإلكترونية ذات الصلة بمجموعات بيانات الرؤية الحاسوبية.