ذكاء السرب

تُعرّف الذكاء الجماعي (SI) بالسلوك الجماعي للأنظمة اللامركزية والمنظمة ذاتياً، والتي عادة ما تكون طبيعية أو اصطناعية. يستمد هذا المفهوم إلهامه بشكل كبير من الأنظمة البيولوجية الموجودة في الطبيعة، مثل مستعمرات النمل وأسراب الطيور وأسراب الأسماك ونمو البكتيريا. في سياق الذكاء الاصطناعي (AI)، تتكون أنظمة الذكاء الجماعي تتكون من مجموعة من العوامل البسيطة التي تتفاعل محليًا مع بعضها البعض ومع بيئتها. على الرغم من عدم وجود هيكل تحكم مركزي يحدد كيفية تصرف العوامل الفردية، فإن التفاعلات المحلية بين هذه العوامل تؤدي إلى ظهور سلوك عالمي "ذكي" قادر على حل المهام المعقدة التي تتجاوز قدرات الفرد الواحد.

الآليات والخوارزميات الأساسية

تكمن قوة الذكاء الجماعي في قدرته على حل المشكلات غير الخطية من خلال التعاون. يتبع العناصر الفاعلة في هذه الأنظمة قواعد بسيطة — غالبًا ما توصف بـ "الفصل" و"التوافق" و "التماسك" — والتي تسمح للمجموعة بالتنقل في بيئات ديناميكية. هذا النهج فعال بشكل خاص في خوارزميات التحسين حيث يكون مجال البحث واسعًا ومعقدًا.

من أبرز تطبيقات الخوارزميات ما يلي:

• تحسين سرب الجسيمات (PSO): مستوحى من السلوك الاجتماعي لتجمع الطيور، يعمل PSO على تحسين المشكلة من خلال محاولة تحسين الحل المرشح بشكل متكرر فيما يتعلق بمقياس جودة معين. وهو يستخدم على نطاق واسع في تدريب الشبكات العصبية و العثور على المعلمات الفائقة المثلى. يمكنك قراءة المزيد عن آليات تحسين سرب الجسيمات لفهم أسسه الرياضية.
• تحسين مستعمرة النمل (ACO): يعتمد على سلوك النمل في البحث عن الطعام، وتحديداً كيفية عثوره على أقصر طريق بين مستعمرته ومصدر الغذاء باستخدام آثار الفيرومونات. غالباً ما يُطبق ACO على مشاكل التوجيه في عمليات الاتصالات السلكية واللاسلكية والعمليات اللوجستية.

ذكاء السرب في الرؤية الحاسوبية

في مجال الرؤية الحاسوبية (CV)، تحدث الذكاء الجماعي ثورة في كيفية إدراك الآلات للعالم وتفسيره. بدلاً من الاعتماد على نموذج واحد متجانس، تستخدم الأساليب القائمة على الذكاء الجماعي عوامل متعددة وخفيفة الوزن — غالبًا ما يتم نشرها على أجهزة الحوسبة المتطورة— لجمع البيانات وإجراء الاستدلال بشكل تعاوني.

تطبيقات واقعية

1. البحث والإنقاذ بواسطة طائرات بدون طيار ذاتية التشغيل:في حالات الكوارث، تتمتع الطائرة بدون طيار الواحدة بعمر بطارية محدود ومجال رؤية محدود. ومع ذلك، يمكن لسرب من الطائرات بدون طيار ذاتية التشغيل أن يغطي مساحات واسعة بكفاءة. مزودة بنماذج للكشف عن الأجسام مثل YOLO26، تتواصل هذه الطائرات بدون طيار فيما بينها لإرسال إحداثيات الكشف . إذا اكتشفت إحدى الطائرات بدون طيار علامة على وجود حياة، فيمكنها إرسال إشارة إلى الطائرات الأخرى للتجمع والتحقق، مما يؤدي إلى تحسين مسار البحث في الوقت الفعلي دون الحاجة إلى تعليمات مستمرة من طيار بشري.

2. إدارة حركة المرور في المدن الذكية:يستخدم التخطيط الحضري الحديث الذكاء الاصطناعي في المدن الذكية للتخفيف من الازدحام المروري. يمكن لكاميرات المرور التي تعمل كسرب مراقبة التقاطعات في جميع أنحاء المدينة. بدلاً من معالجة البيانات مركزياً، مما يؤدي إلى حدوث تأخير، تستخدم هذه الوكالات الموزعة الذكاء الاصطناعي المتطور لتعديل توقيت إشارات المرور ديناميكياً بناءً على التدفق المحلي وبيانات الجيران. يتيح هذا النهج اللامركزي لشبكة المرور بأكملها التحسين الذاتي، مما يقلل من أوقات الانتظار والانبعاثات.

تنفيذ وكلاء الرؤية

لنشر سرب، يحتاج كل وكيل عادةً إلى نموذج سريع وفعال قادر على العمل على أجهزة منخفضة الطاقة. يوضح المثال التالي كيفية تهيئة نموذج خفيف الوزن نموذج YOLO26n باستخدام ultralytics حزمة، تمثل قدرة الرؤية لوكيل واحد في سرب.

from ultralytics import YOLO

# Load a lightweight YOLO26 nano model optimized for edge agents
# This simulates one agent in a swarm initializing its vision system
model = YOLO("yolo26n.pt")

# Perform inference on a local image (what the agent 'sees')
# The agent would then transmit these results to neighbors
results = model.predict("path/to/image.jpg")

# Print the number of objects detected by this agent
print(f"Agent detected {len(results[0].boxes)} objects.")

تمييز الذكاء الجماعي

من المهم التمييز بين الذكاء الجماعي والمفاهيم ذات الصلة بالذكاء الاصطناعي:

• مقابل التعلم الجماعي: في حين أن كلاهما يتضمن مكونات متعددة، يجمع التعلم الجماعي عادةً بين تنبؤات نماذج ثابتة مختلفة (مثل الغابات العشوائية) لتحسين الدقة. على العكس من ذلك، تتضمن ذكاء السرب عوامل نشطة تتحرك عبر مساحة الحل أو البيئة المادية، وتتفاعل وتغير سلوكها بمرور الوقت.
• مقابل الخوارزميات التطورية: تستخدم الخوارزميات التطورية آليات مثل الطفرة والتقاطع لتطوير مجموعة على مدى أجيال. في حين أن SI تستخدم أيضًا مجموعة، فإن الأفراد في السرب عادةً لا يموتون أو يتكاثرون؛ بل يتعلمون ويتكيفون مع مواقعهم بناءً على معلومات الأقران ، وهي عملية تُعرف باسم stigmergy.

مستقبل الذكاء الاصطناعي التعاوني

مع تصغير حجم الأجهزة واستمرار توسع إنترنت الأشياء (IoT) ، ستلعب الذكاء الجماعي دوراً محورياً في الأتمتة اللامركزية. وتسهل أدوات مثل Ultralytics هذا المستقبل من خلال تمكين الفرق من إدارة مجموعات البيانات وتدريب النماذج التي يمكن نشرها بسهولة على أساطيل الأجهزة، مما يتيح "العقل الجماعي" المتزامن اللازم للروبوتات الجماعية المتقدمة والمركبات الذاتية القيادة.