روابط سريعة
مع التقدم التكنولوجي ، أصبح الذكاء الاصطناعي (AI) جزءًا منتظمًا من حياتنا. من تطبيقات المساعدة الافتراضية إلى السيارات ذاتية القيادة ، يتم استخدام الذكاء الاصطناعي ضمن الكثير من الصناعات وفي العديد من الإستخدامات المُختلفة.
إنَّ تطور الذكاء الاصطناعي مُثير للإعجاب بشكل خاص في مجالات مُعينة ، بما في ذلك الرؤية الحاسوبية. بحيث يسمح للأجهزة بمشاهدة الكائنات بشكل مشابه للبشر ، مما يُمكِّنها من التعرف على الكائنات وتحليلها وتصنيفها.
هذا مُمكن من خلال استخدام الشبكة العصبونية الالتفافية ، وهي خوارزمية قوية تفتح إمكانيات جديدة لما يُمكن لتحليل الفيديو القيام به. تحقق من ما هي الحوسبة الكمومية ، هل هي حقيقية ، وكيف تُغيِّر الأشياء؟
ما هي الشبكات العصبونية الالتفافية (CNN)؟
الدماغ البشري هو مصدر الإلهام لهندسة الشبكات العصبونية. تُشكل خلايا الدماغ البشري ، التي يُطلق عليها العصبونات ، شبكة مُعقَّدة ومُترابطة للغاية وترسل إشارات كهربائية إلى بعضها لمساعدة البشر على معالجة المعلومات. على نحو مماثل ، تتكون الشبكات العصبونية الاصطناعية من عصبونات اصطناعية تعمل معًا لحل مشكلة ما. العصبونات الاصطناعية هي وحدات برمجية يُطلق عليها العقد ، بينما تعرف الشبكات العصبونية الاصطناعية بوصفها برمجيات أو لوغاريتمات تستخدم بشكل أساسي أنظمة الحوسبة لحل العمليات الحسابية.
الشبكات العصبونية الالتفافية ، أو Convolutional Neural Network: CNN ، هي أحد أنواع التعلّم العميق وهي مُشابهة لشبكة برسيبترون مُتعدّدة الطبقات (multi-layer Perceptron). لقد تم استخدامها لتحقيق أحدث أداء في مهام الرؤية الحاسوبية مثل اكتشاف الأشياء والتعرف على الوجوه.
تتكون الشبكات العصبونية الالتفافية (CNN) في جوهرها من خلايا عصبونية ذات أوزان وتحيزات قابلة للتعديل. يتم تنظيم هذه الخلايا العصبونية في طبقات تؤدي مهامًا مُحددة.
ترتبط كل طبقة بالطبقة السابقة ، حيث تتلقى طبقة الإدخال المعلومات من العالم الخارجي. يتم تحديد ناتج كل خلية عصبونية من خلال تطبيق وظيفة التنشيط على مجموعة خطية من مدخلاتها وأوزانها.
في جوهرها ، إنها خوارزمية تعلم عميق قادرة على تقييم الصور وتحديد الأشياء الموجودة فيها ، بما في ذلك تصنيفها. وهي قادرة على تنفيذ المهام المُتعلقة بتحليل معلومات البكسل.
تُؤدي الطبقات الخفية في الشبكات العصبونية الالتفافية وظائف رياضية مُحددة ، مثل التلخيص أو الفلترة ، يطلق عليها الالتفاف. إنها مفيدة جدًا لتصنيف الصور إذ يُمكنها استخراج ميزات ذات صلة من الصور ، ما يُفيد في التعرف على الصور وتصنيفها. يعد النموذج الجديد أسهل للمعالجة من دون فقدان الميزات المهمة للوصول إلى تنبؤ جيد. تستخرج كل طبقة خفية ميزات صور مختلفة وتعالجها ، مثل الحواف واللون والعمق. تحقق من كيف تصبح مهندس تعلم الآلة والذكاء الاصطناعي: دليل المبتدئين.
كيف تعمل الشبكات العصبونية الالتفافية؟
مفتاح نجاح شبكة CNN هو أنَّ كل طبقة مُتتالية تحتوي على معلمات أقل من تلك التي سبقتها ، لذلك عندما تصل الخوارزمية إلى النهاية ، تكون قادرة على معرفة المزيد عن بيئتها أكثر مما لو كانت قد أخذت جميع البيانات في وقت واحد. .
بدلاً من ذلك ، من خلال التحليل التدريجي لأجزاء أصغر من البيانات في كل خطوة ، يُمكن أن تُحدد الأنماط في بيئتها بشكل أكثر دقة ، مما يسمح لها “بالتعلم” عن طريق استخراج البيانات من الصور أو الفيديو.
تستخدم شبكات CNN الإلتفاف — أو عمليات المصفوفة الصغيرة — لتحليل البيانات بشكل أكثر كفاءة من الطرق البديلة مثل الشبكات المُتصلة بالكامل. تُمكنها هذه الإلتفافات من استخراج ميزات ذات مغزى من الصور أو الموجات الصوتية بسرعة وبدقة.
على سبيل المثال ، إذا كنت تحاول التعرف على أنواع مُختلفة من الحيوانات في صورة ما ، فسيكون لشبكة CNN طبقات مُتعددة تؤدي كل منها عمليات على أجزاء صغيرة من الصورة في وقت واحد — على سبيل المثال ، اكتشاف الحواف أو اختلافات الألوان.
ينطوي الإلتفاف على تمرير كل عنصر في مصفوفة الصورة بمصفوفة أخرى تُسمى الفلترة. عادة ما تكون الفلترة أصغر بكثير من المصفوفة الأصلية ، ويساعد في تحديد ميزات معينة داخل الصورة ، مثل الحواف أو الأشكال.
أخيرًا ، تجمع الطبقات المُتصلة بالكامل جميع الميزات المستخرجة من الطبقات السابقة معًا في متجه واحد ، والذي يمكن استخدامه بعد ذلك لأغراض التصنيف.
تأخذ طبقة المخرجات هذا المتجه كمدخل وتستخدمه لعمل تنبؤات بناءً على ما تعلمته من البيانات التي سبق رؤيتها أثناء جلسات التدريب. نتيجة لذلك ، تستمر الشبكات العصبونية الالتفافية في أن تُصبح أكثر ذكاءً حيث يتم إدخال المزيد من البيانات في النظام.
يتم استخدام خوارزميات مختلفة للتعلم الآلة لتسريع العمليات الحسابية وتحسين الدقة عندما يتعلق الأمر باكتشاف الأشياء. تحقق من أفضل مكتبات تعلم الآلة لكسب خبرة إضافية.
أفضل الاستخدامات للشبكات العصبونية الالتفافية
تُستخدم الشبكات العصبونية الالتفافية في مجموعة مُتنوعة من الاستخدامات المُختلفة ويتم نشرها بشكل متكرر في العديد من الصناعات. فيما يلي بعض التطبيقات الشائعة للشبكات العصبونية الالتفافية.
1. التعرف على الوجه
تعتمد تقنية التعرف على الوجه على شبكات CNN لأنَّ الأجهزة تحتاج إلى أن تكون قادرة على اكتشاف التغيرات في شكل الوجه بمرور الوقت لتحديد الأشخاص بدقة من صورة إلى أخرى.
للقيام بذلك ، يجب تدريبها على استخدام آلاف الصور التي تحتوي على وجوه من زوايا وتعبيرات مُختلفة. بمجرد تدريبها ، يُمكنها مقارنة الصور الجديدة مع تلك المخزنة في قاعدة البيانات الخاصة بها وتحديد ما إذا كانت تتطابق أم لا.
أصبحت هذه التقنية شائعة بشكل مُتزايد بفضل قدرتها على التعرف بسرعة على الأفراد دون الحاجة إلى الاتصال الجسدي أو التفاعل البشري. وهذا يجعلها مثاليةً ااستخدامات مثل أنظمة الأمان حيث يلزم التعرف السريع على الأشخاص دون أي اتصال بين البشر.
2. الإعلانات
نما استخدام الذكاء الاصطناعي في الإعلانات بشكل كبير في السنوات الأخيرة نظرًا لقدرته على تحديد الاتجاهات بسرعة وبدقة. بمساعدة الشبكات العصبونية الالتفافية ، يُمكن للمعلنين فهم تفضيلات الجمهور المُستهدف بشكل أفضل وتصميم حملاتهم الإعلانية وفقًا لذلك.
على سبيل المثال ، يُمكن لشركات الملابس استخدام شبكات CNN لتحليل تعليقات العملاء على الأنماط أو الألوان أو المواد المُختلفة حتى تتمكن من اتخاذ قرارات مُستنيرة بشأن العناصر التي يجب إبرازها في حملاتها الإعلانية القادمة.
بالإضافة إلى ذلك ، يُمكن لشبكات CNN تقديم رؤى حول الأماكن التي يُرجح أن ينقر فيها العملاء على إعلان أو الكلمات الرئيسية التي ستؤدي إلى أعلى معدل تحويل لحملة مُعينة.
3. كشف الكائن
يعمل اكتشاف الكائنات باستخدام CNN من خلال تدريب نموذج للتعرف على كائنات مُحددة داخل الصور أو مقاطع الفيديو الرقمية من خلال التعرف على أنماط معينة ، مثل الحواف والأشكال والألوان ، التي تُساعد في تمييز كائن عن آخر.
يتم تدريب النموذج باستخدام مجموعات البيانات ذات العلامات — نقاط البيانات أين تم تعيين ملصق لكل نقطة ، مثل سترات السلامة أو الخوذ. أثناء التدريب ، يتعلم النموذج كيفية التعرف على أنماط معينة مرتبطة بكل تسمية وتعيينها إلى الملصقات المقابلة عند تقديمها مع نقاط بيانات جديدة أثناء الاستدلال
4. تحليل الوثائق
تُقدم شبكات CNN مزايا عديدة مُقارنةً بالأنظمة التقليدية القائمة على القواعد عند استخدامها لتحليل المستندات. على سبيل المثال ، تتطلب مجهودًا أقل بكثير من التقنيات الأخرى نظرًا لأنَّ التدخل البشري المحدود مطلوب.
ثانيًا ، نظرًا لأنها عبارة عن أنظمة التعلم الذاتي ، فإنها تستمر في أن تصبح أكثر ذكاءً بمرور الوقت ، حيث إنها قادرة على التعرف على الاتجاهات والأنماط التي قد يُفوتها البشر.
5. المصادقة البيومترية
تطورت تقنية المصادقة البيومترية ، مثل مُستشعر بصمات الإصبع ، بشكل كبير خلال العقد الماضي. في حين أنَّ هناك العديد من الأسباب التي تجعل الذكاء الاصطناعي لا يُمكن أن يحل محل البشر في العمل حتى الآن ، فإنَّ تقنيات مثل شبكات CNN يُمكن أن تُساعد بالتأكيد في تسهيل الأمور.
عندما يتعلق الأمر بالقياسات الحيوية ، يُمكن استخدام شبكات CNN لتحديد ميزات محددة جدًا في وجه الفرد أو بصمة إصبعه التي يصعب أو يستحيل على البشر اكتشافها يدويًا.
على سبيل المثال ، إذا كنت تُريد المصادقة على شخص ما باستخدام تقنية التعرف على الوجه ، فيُمكن لشبكة CNN فحص مئات الصور لوجه هذا الشخص وتحديد التفاصيل الدقيقة مثل المسام أو التجاعيد التي قد تكون صغيرة جدًا على البشر لرؤيتها بالعين المجردة. تحقق من بعض النصائح لحماية هاتفك الذكي من السرقة.
يُمكن لشبكات CNN مُساعدة الشركات في الحصول على معلومات مفيدة
يستفيد عدد متزايد من الشركات الآن من قوة شبكات CNN لاستخلاص معلومات مفيدة من الصور أو مقاطع الفيديو الرقمية. يتم استخدام شبكات CNN ليس فقط من أجل السلامة في مكان العمل ولكن أيضًا للتسويق في صناعات البيع بالتجزئة والسيارات.
إنها مجرد واحدة من العديد من التقنيات التي قد يرغب المُطورون في تعلمها للبقاء في طليعة التطورات التكنولوجية والاستعداد للمُتطلبات المُتغيِّرة مع استمرار العالم في التطور. يُمكنك الإطلاع الآن على ميزات iPhone المريحة التي ستجعل حياتك أسهل.