رؤية الحاسوب: كيف ترى الآلة الصور؟

هاتفك يفتح قفله حين يرى وجهك، وتطبيق الصور يجمع لك كل صور «القطط» دون أن تسمّيها، وتطبيق الترجمة يقرأ لافتة بلغة لا تعرفها من الكاميرا مباشرة. كل هذا من فرع واحد في الذكاء الاصطناعي اسمه رؤية الحاسوب (Computer Vision). الغريب أن الكمبيوتر لا «يرى» شيئاً بالمعنى الذي نعرفه. في هذا الدرس ستفهم ما الذي يراه فعلاً، وكيف يحوّله إلى معنى.

الصورة عند الكمبيوتر: جدول أرقام

قرّب أي صورة رقمية كثيراً وستجد أنها مكوّنة من مربعات صغيرة ملونة. كل مربع اسمه بكسل (Pixel). والصورة عند الكمبيوتر ليست أكثر من جدول أرقام يصف لون كل بكسل.

في صورة بالأبيض والأسود، كل بكسل رقم واحد من 0 (أسود تماماً) إلى 255 (أبيض تماماً):

صورة صغيرة 5×5 لحرف يشبه «T»:

255 255 255 255 255
  0   0 255   0   0
  0   0 255   0   0
  0   0 255   0   0
  0   0 255   0   0

وفي الصورة الملونة لكل بكسل ثلاثة أرقام: مقدار الأحمر والأخضر والأزرق (RGB). البكسل (255, 0, 0) أحمر صافٍ، و (255, 255, 0) أصفر.

صورة عادية من كاميرا الهاتف فيها ملايين البكسلات، أي عشرات الملايين من الأرقام. والسؤال الصعب: كيف نعرف من هذا البحر من الأرقام أن في الصورة قطة؟

تخيّل أن أحدهم أعطاك لوحة فسيفساء وأنفك ملتصق بها: ترى قطعاً صغيرة ملونة فقط. المعنى يظهر حين تبتعد وترى كيف تتجمع القطع. هذا بالضبط ما يجب أن يتعلمه النموذج.

لماذا فشلت القواعد المكتوبة؟

أول ما يخطر بالبال: نكتب قواعد. «القطة لها أذنان مثلثتان وشوارب وذيل». لكن جرّب أن تحوّل ذلك إلى شروط على أرقام البكسلات:

• القطة قد تكون بيضاء أو سوداء أو مخططة.
• قد تكون قريبة تملأ الصورة أو بعيدة في الزاوية.
• قد تكون نائمة ملتفة، أو نصفها مختبئ خلف أريكة.
• والإضاءة تغيّر كل الأرقام: الصورة نفسها نهاراً وليلاً جدولان مختلفان تماماً.

حاول الباحثون عقوداً مع القواعد اليدوية، وبقيت النتائج ضعيفة. الحل جاء من الفكرة التي تعرفها من الدروس السابقة: لا تكتب القواعد، بل دع النموذج يتعلمها من الأمثلة.

كيف تتعلم الشبكة أن ترى؟

في درس التعلّم العميق عرفت أن الشبكة العصبية طبقات، وكل طبقة تتعلم شيئاً أعقد مما قبلها. النوع المستخدم مع الصور اسمه الشبكات الالتفافية (Convolutional Neural Networks، واختصارها CNN). فكرتها الذكية أنها لا تنظر إلى الصورة كلها دفعة واحدة، بل تمرّر عليها نوافذ صغيرة تبحث كل واحدة عن نمط بسيط.

تخيّل أنك تفحص لوحة كبيرة بـعدسة مكبرة تحركها شبراً شبراً، وتدوّن في كل موضع: هل هنا خط عمودي؟ هل هنا حافة مائلة؟ هل هنا بقعة داكنة؟

1. الطبقات الأولى تكتشف أبسط الأنماط: حواف، وخطوط، وتغيرات في اللون.
2. الطبقات الوسطى تجمعها في أجزاء: زاوية، ودائرة، وملمس فرو، وشكل عين.
3. الطبقات الأخيرة تجمع الأجزاء في أشياء كاملة: وجه قطة، أو عجلة سيارة.
4. المخرجات احتمالات: «قطة 96%، كلب 3%، أرنب 1%».

والمهم: لا أحد يخبر الشبكة أن تبحث عن حواف أولاً. تُعرض عليها ملايين الصور ومعها تسمياتها، فتعدّل أرقامها الداخلية شيئاً فشيئاً، وتكتشف وحدها أن الحواف ثم الأشكال أفضل طريق للتمييز. وهذا هو التعلّم الموجّه الذي عرفته.

لماذا نجحت الآن؟

الفكرة قديمة، لكنها احتاجت ثلاثة أشياء اجتمعت في العقد الثاني من هذا القرن: ملايين الصور المسمّاة على الإنترنت، وبطاقات رسوميات قوية تسرّع الحسابات، وتحسينات في طرق التدريب. بعدها قفزت دقة التعرف على الصور قفزة هائلة في سنوات قليلة.

مهام رؤية الحاسوب

«رؤية الصورة» ليست مهمة واحدة. هذه أشهر المهام، من الأبسط إلى الأدق:

المهمة	السؤال الذي تجيب عنه	مثال
التصنيف (Classification)	ما الذي في الصورة؟	«هذه صورة قطة»
الكشف (Detection)	ما الأشياء وأين هي؟	مستطيل حول كل سيارة وكل مشاة
التقطيع (Segmentation)	أي بكسل ينتمي لأي شيء؟	فصل الشخص عن الخلفية بدقة
قراءة النص (OCR)	ما المكتوب في الصورة؟	تحويل صورة فاتورة إلى نص
التعرف على الوجوه	وجه مَن هذا؟	فتح قفل الهاتف

وحين تغيّر خلفيتك في مكالمة فيديو فأنت تستخدم التقطيع، وحين يرسم هاتفك مربعاً حول الوجوه قبل التصوير فهذا كشف.

أين نستخدمها؟

• الطب: مساعدة الأطباء في فحص صور الأشعة ولفت انتباههم إلى مناطق تستحق نظرة ثانية.
• السيارات: أنظمة تنبّه السائق عند الخروج عن المسار أو اقتراب مشاة.
• الزراعة: تصوير المحاصيل بالطائرات المسيّرة لاكتشاف الآفات مبكراً.
• المصانع: كاميرات تفحص المنتجات على خط الإنتاج وتستبعد المعيب.
• إمكانية الوصول: تطبيقات تصف للمكفوفين ما أمام الكاميرا وتقرأ لهم المكتوب.
• الحياة اليومية: البحث بالصورة، وترتيب الصور، وترجمة اللافتات، ومسح المستندات.

أين تخطئ؟

النموذج لا يفهم العالم كما تفهمه. هو يتعرف على أنماط إحصائية في البكسلات، ولهذا يخطئ بطرق لا يخطئ بها إنسان:

• ظروف لم يرها: نموذج تدرّب على صور نهارية واضحة قد يتعثر في الضباب أو الليل أو مع زاوية غريبة.
• طرق مختصرة خادعة: إذا كانت كل صور الأبقار في بيانات التدريب على عشب أخضر، فقد «يتعلم» النموذج أن العشب هو البقرة، ويفشل مع بقرة على شاطئ.
• التحيز في البيانات: أنظمة تعرّف على الوجوه تدرّبت على وجوه فئة أكثر من غيرها، فكانت أقل دقة مع الفئات الأخرى. تذكّر درس الأخلاقيات: النموذج مرآة لبياناته.
• الثقة الزائدة: قد يعطي إجابة خاطئة بنسبة ثقة عالية، فلا تدل النسبة وحدها على الصواب.

مساعد لا حَكَم

في المجالات الحساسة مثل الطب والأمن والقضاء، مكان هذه الأنظمة أن تساعد الإنسان المختص وتلفت نظره، لا أن تتخذ القرار النهائي وحدها. وخطأ في التعرف على وجه قد يظلم إنساناً بريئاً.

الخصوصية والكاميرات

قدرة الآلة على التعرف على الوجوه تفتح أسئلة جدية: هل يحق لمتجر أن يتتبع زبائنه بوجوههم؟ وماذا عن صورك التي نشرتها علناً: هل يجوز استخدامها لتدريب نظام دون إذنك؟ دول كثيرة تضع الآن قوانين لهذه المسائل. وأنت كمستخدم: فكّر قبل أن ترفع صورتك أو صور غيرك لتطبيق لا تعرف ماذا يفعل بها.

جرّب بنفسك

1. افتح أي صورة على جهازك وكبّرها إلى أقصى حد حتى ترى البكسلات مربعات منفصلة.
2. في تطبيق الصور على هاتفك ابحث بكلمة مثل «طعام» أو «بحر»، ولاحظ ما أصاب فيه وما أخطأ.
3. جرّب خاصية ترجمة النص بالكاميرا على غلاف كتاب أو لافتة، ثم جرّبها مع خط يد غير واضح وقارن.
4. للتفكير: لماذا قد يفشل نظام كشف المشاة في سيارة عند عبور شخص يرتدي زيّاً تنكرياً غريباً؟ اربط إجابتك ببيانات التدريب.

أخطاء شائعة

• الظن بأن الآلة «ترى» مثلنا: هي تعالج أرقاماً وتطابق أنماطاً، بلا فهم لمعنى ما في الصورة.
• الثقة بنسبة الاحتمال: «قطة 99%» ليست ضماناً. النماذج تخطئ بثقة عالية أحياناً.
• تعميم الدقة: نظام دقته ممتازة في المختبر قد تنخفض دقته كثيراً في ظروف الواقع المختلفة.
• إهمال البيانات: أغلب مشاكل هذه الأنظمة سببها بيانات تدريب ناقصة أو متحيزة، لا الخوارزمية نفسها.

اختبر نفسك

سؤال

كيف تُخزَّن الصورة الرقمية داخل الكمبيوتر؟

كقائمة بأسماء الأشياء الموجودة فيهاكوصف نصي لما فيهاكجدول أرقام يمثل لون كل بكسل

سؤال

نظام يرسم مستطيلاً حول كل سيارة في صورة شارع. ما اسم هذه المهمة؟

الكشفقراءة النصالتصنيف

الخلاصة

• الصورة عند الكمبيوتر جدول أرقام: قيمة أو ثلاث قيم لكل بكسل.
• القواعد المكتوبة يدوياً فشلت، والشبكات العصبية تتعلم الأنماط من ملايين الأمثلة.
• الطبقات تتدرج: حواف، ثم أشكال، ثم أشياء كاملة.
• المهام تشمل التصنيف والكشف والتقطيع وقراءة النص والتعرف على الوجوه.
• النماذج تخطئ خارج ما تدرّبت عليه وترث تحيز بياناتها، فمكانها مساعدة الإنسان لا استبداله.