باحثون يطورون أداة جديدة لتحسين أداء الذكاء الاصطناعي
نجح فريق بحثي من جامعة ساسكاتشوان الكندية في تطوير تقنية جديدة تهدف إلى تعزيز سرعة ودقة أنظمة الذكاء الاصطناعي التي تعتمد على تحليل البيانات المرئية، وهو ما قد ينعكس على تطبيقات متعددة تشمل السيارات ذاتية القيادة والتشخيص الطبي والأنظمة الذكية المعتمدة على الرؤية الحاسوبية.
وجرى عرض نتائج الدراسة خلال مؤتمر الرؤية الحاسوبية والتعرف على الأنماط CVPR 2026، أحد أبرز المؤتمرات العالمية المتخصصة في أبحاث الذكاء الاصطناعي والرؤية الحاسوبية.
تحدٍ كبير أمام أنظمة الذكاء الاصطناعي
تواجه أنظمة الذكاء الاصطناعي الحالية مشكلة معروفة باسم “تحول النطاق” (Domain Shift)، وتحدث عندما يتم تدريب النموذج في بيئة معينة ثم يُطلب منه العمل في ظروف مختلفة.
فعلى سبيل المثال، قد يتمكن النظام من التعرف على شخص يركض في شارع مشمس أثناء التدريب، لكنه يواجه صعوبة في التعرف على المشهد نفسه إذا ظهر الشخص في حديقة مظلمة أو أثناء هطول الأمطار.
وتؤثر هذه المشكلة على كفاءة العديد من تطبيقات الذكاء الاصطناعي التي تعتمد على تحليل الفيديو والصور في البيئات الواقعية المتغيرة.
تقنية LMFT تركز على الحركة وتتجاهل الخلفية
طور الباحثون نظاماً جديداً يحمل اسم Learnable Motion-Focused Tokenization (LMFT)، ويعمل كمرشح رقمي ذكي يساعد نماذج الذكاء الاصطناعي على التركيز على العناصر المهمة داخل المشهد.
وتقوم التقنية بإزالة المعلومات والخلفيات غير الضرورية أثناء عملية التدريب، ما يسمح للنموذج بالتركيز على الحركة أو النشاط الأساسي الذي يحاول التعرف عليه بدلاً من التأثر بالعناصر المحيطة.
ويرى الباحثون أن الخلفيات غالباً ما تشتت النماذج الذكية وتؤثر على قدرتها في فهم الأنشطة المختلفة بدقة، لذلك يساعد النظام الجديد على تحسين جودة التعلم وتقليل الأخطاء.
سرعة أكبر وكفاءة أعلى في معالجة البيانات
لا تقتصر فوائد تقنية LMFT على تحسين الدقة فقط، بل تمتد إلى زيادة سرعة المعالجة وتقليل استهلاك الموارد الحاسوبية.
فمع إزالة البيانات غير المهمة، تصبح النماذج أقل حاجة إلى معالجة كميات ضخمة من المعلومات، وهو ما يساهم في تسريع عمليات التحليل واتخاذ القرار.
وتكتسب هذه الميزة أهمية خاصة في التطبيقات الحساسة للوقت، مثل السيارات ذاتية القيادة، حيث يمكن أن تؤثر أجزاء من الثانية على مستوى الأمان والاستجابة للمخاطر.
تقليل الحاجة إلى البنية التحتية الضخمة
أوضح الباحثون أن أحد أكبر التحديات التي تواجه انتشار الذكاء الاصطناعي المتقدم يتمثل في الحاجة إلى قدرات حوسبة ضخمة ومراكز بيانات عالية التكلفة.
ومن خلال تحسين كفاءة النماذج وتقليل المتطلبات الحسابية، قد تساهم التقنية الجديدة في تمكين المؤسسات الصغيرة والمطورين من تشغيل نماذج متقدمة محلياً دون الاعتماد الكامل على البنية التحتية السحابية العملاقة.
كما يمكن أن يفتح ذلك الباب أمام تطوير حلول ذكاء اصطناعي أكثر مرونة وأقل تكلفة في قطاعات متعددة.
جائزة عالمية لأبحاث الكفاءة في الذكاء الاصطناعي
حصدت الدراسة تقديراً عالمياً بعد حصولها على جائزة CVPR Computer Gold Star Award المخصصة للأبحاث التي تحقق إنجازات استثنائية في كفاءة أنظمة الذكاء الاصطناعي.
وجاء هذا التكريم ضمن مجموعة محدودة للغاية من الأبحاث، حيث تم اختيار 18 دراسة فقط من بين أكثر من 16 ألف ورقة بحثية مقدمة للمؤتمر.
ويعكس هذا الإنجاز أهمية النتائج التي توصل إليها الفريق البحثي وإمكاناتها في تطوير الجيل المقبل من نماذج الذكاء الاصطناعي الأكثر سرعة وكفاءة.
تطبيقات واسعة في المستقبل
يتوقع الباحثون أن تسهم التقنية الجديدة في تحسين أداء العديد من التطبيقات المعتمدة على الرؤية الحاسوبية، بدءاً من أنظمة القيادة الذاتية والمراقبة الذكية، مروراً بالتشخيص الطبي وتحليل الفيديو، وصولاً إلى الروبوتات والأنظمة الصناعية الذكية.
ومع استمرار تطوير النماذج الأكثر كفاءة، تتجه صناعة الذكاء الاصطناعي نحو حلول قادرة على تقديم أداء متقدم مع استهلاك أقل للموارد، وهو ما قد يسرع من تبني هذه التقنيات على نطاق أوسع خلال السنوات المقبلة.
