قوة التعلم الآلي في تنقيح الفيديو آليًا
May 30, 2025 | 0 minutes read
يدرك الكثير من الناس الذكاء الاصطناعي أو الذكاء الاصطناعي ومعناه، خاصةً في الطريقة التي يتم تصويره بها غالبًا من خلال الأفلام. وغالبًا ما تكون هذه الأفلام مثيرة وتأسر خيالنا. على الرغم من أن التعلم الآلي مشابه للذكاء الاصطناعي، إلا أنه يتم تعريفه بشكل مختلف. هناك طريقة لشرح ذلك بمصطلحات الشخص العادي، وهي أن الذكاء الاصطناعي هو اتساع نطاق المعرفة التي يحتويها النظام ويستخدمها، في حين أن التعلم الآلي هو الخوارزميات أو العمليات التي يكتسب فيها النظام المعرفة ويستوعبها لاستخدامها في المستقبل. في المصطلحات البشرية، الذكاء الاصطناعي هو كل المعلومات والمعرفة التي تمتلكها بالفعل، بينما التعلم الآلي هو الخطوات التي تختارها لاكتساب تلك المعرفة، مثل القراءة أو الملاحظة أو الدراسة أو حتى ارتكاب الأخطاء.
فهم التعلم الآلي
إن التعريف الجيد للتعلّم الآلي هو المفهوم القائل بأنه من خلال تغذية الآلة بالبيانات يمكن للآلة أن تتعلم بمرور الوقت توقع واتخاذ القرارات من تلقاء نفسها والتصرف وفقًا لذلك باستخدام المعلومات المتوفرة من الملاحظات والتفاعلات في العالم الحقيقي. باستخدام التعرف على الأنماط كدليل، تستخدم برامج الكمبيوتر البيانات التي يتم إدخالها لتتعلم أداء المهام بشكل مستقل. تعتمد العديد من الصناعات اليوم على التعلم الآلي للتنقيب عن كميات كبيرة من البيانات من أجل العمل بكفاءة أكبر واكتساب ميزة على منافسيها.
وتعتمد وكالات إنفاذ القانون والوكالات الحكومية الأخرى بما في ذلك الأمن الداخلي على برمجيات التعلم الآلي من أجل اتخاذ قرارات دقيقة في الوقت الحقيقي بشكل أفضل والحفاظ على سلامة الجمهور. قد تعتمد سلامة ضباط الشرطة أنفسهم على قدرات التعلم الآلي أو التنقيب عن البيانات. ترتبط عملية صنع القرار التي تدخل في برنامج تنقيح الفيديو المستخدم مع كاميراتهم الشخصية بالأنظمة الداخلية التي يمكن أن تمنحهم إمكانية الوصول الفوري إلى المعلومات التي تم جمعها من مصادر متعددة. كما أن المعلومات الدقيقة التي يتم إرجاعها تمنح الضابط سرعة وأماناً في الوصول إلى المعلومات التي يحتاجها بحيث يتمكن من اتخاذ قرارات سريعة مع الاستمرار في اتباع سياسات وممارسات الشرطة الخاصة بهم في الوقت الذي يكونون فيه قادرين أيضاً على التصرف حيال التهديدات التي يتعرض لها الجمهور بطريقة موثوقة وآمنة.
التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف. التعلم غير الخاضع للإشراف
هناك إلى حد كبير طريقتان رئيسيتان للتعلم الآلي، التعلم تحت الإشراف والتعلم غير الخاضع للإشراف. هاتان الطريقتان ليستا الطريقتين الوحيدتين، ولكنهما الأكثر شيوعًا. التعلم المعزز هو أيضًا طريقة أخرى للتعلم الآلي وكل تقنية توفر نهجًا مختلفًا للتعلم وجمع البيانات وتوليد نتائج مفيدة. ويعتمد الأمر إلى حد كبير على الصناعة التي يتم استخدام النهج المستخدم، ولكن اليوم مع زيادة تكامل العديد من الأنظمة، تطبق تصميمات البرامج الأحدث منهجيات متعددة للتعلم الآلي.
تستخدم جميع أساليب التعلّم الآلي خوارزميات لتحديد الحلول وجمع المعلومات واكتشاف النتائج المطلوبة لإنشاء إجراء أو حل مشكلة ما. عندما تتم تقنية جمع المعلومات باستخدام التعلّم تحت الإشراف، يتم تدريب الخوارزميات باستخدام أنماط ونماذج يتم تصنيفها عند إدخالها كبيانات. تذكر أن الخوارزميات هي ببساطة سلسلة من الخطوات أو الطرق المستخدمة لحل المشكلة. مع التعلم الخاضع للإشراف، يحصل البرنامج على مجموعة محددة من المدخلات تتطابق مع مجموعة مميزة من المخرجات. الطريقة التي تبدأ بها الآلة في التعلم لاكتشاف الأخطاء وبدء مهارات حل المشكلات الخاصة بها هي بمقارنة المخرجات الصحيحة الأصلية مع مخرجاتها الحالية. هذا هو التعلم الآلي الذي سيعتمد على التصنيف والتسميات والانحدار وتسلسلات التنبؤ لتحديد الأخطاء والتنبؤ بالقيم المستقبلية. يستخدم هذا النوع من التعلم الآلي بشكل عام في التطبيقات التي يمكنها مقارنة التواريخ والتنبؤ بالسلوكيات المستقبلية. من الاستخدامات الشائعة وجود تطبيق برمجي يمكنه استخدام الحدس لتوقع الاحتيال أو الأنشطة الإجرامية الأخرى في المعاملات المصرفية وبطاقات الائتمان. كما يمكن استخدامه أيضاً للتنبؤ بالعملاء الذين من المحتمل أن يقدموا مطالبات تأمينية عن الأضرار التي لحقت بالمنازل والسيارات.
يُعد التعلّم غير الخاضع للإشراف أداة جيدة للتطبيقات التي تتضمن التسويق والحصول على عينات سكانية للدراسات. يعد تحليل المكونات الرئيسية والتحليل العنقودي من الطرق الشائعة المستخدمة للحصول على مجموعات البيانات باستخدام التعلم الآلي غير الخاضع للإشراف. يعمل التعلّم غير الخاضع للإشراف من خلال استقراء مجموعات البيانات التي وُجد أن لها خصائص متشابهة. من خلال دراسة البيانات غير المصنفة، يبحث التطبيق البرمجي عن القواسم المشتركة ويجمع البيانات في مجموعات لمزيد من الاستقصاء. فهو يجمع البيانات في مجموعات قابلة للاستخدام لأنها لم يتم تصنيفها أو تصنيفها أو تصنيفها مسبقًا. ومن الأمثلة على ذلك العثور على مجموعات من بيانات العملاء وتجميعها بناءً على عادات التسوق بحيث يمكن استهداف المواد التسويقية لاحتياجاتهم وجعلها أكثر فعالية في خلق عمليات الشراء؛ مما يؤدي بدوره إلى تحقيق هامش ربح أعلى.
تُستخدم أنواع أخرى من التعلم الآلي لأغراض أخرى ويتم تطوير المزيد من الأساليب باستمرار. هناك طريقتان أكثر ولكن أقل استخدامًا هما التعلم شبه الخاضع للإشراف والتعلم المعزز. وغالبًا ما يُستخدم التعلّم شبه الخاضع للإشراف في نفس أنواع التطبيقات التي تستخدم البيانات التاريخية والتنبؤات مثل تقنيات التعلّم الآلي الخاضع للإشراف. الفرق هو أنه يستخدم كلاً من نقاط البيانات المصنفة وغير المصنفة لتعلم إجراء التصنيفات والتنبؤات المستقبلية. يعد هذا خيارًا جيدًا للعديد من الشركات حيث يمكن توفير نقاط البيانات غير الموسومة بكميات كبيرة وبصورة عامة مقابل أموال أقل من نظيراتها الموسومة. يختلف التعلم المعزز من حيث أنه يتيح للخوارزمية أن تتعلم من خلال التجربة والخطأ العمليات التي يجب تنفيذها لتحقيق أكبر عائد أو مكاسب. ويكون الهدف العام هو تحقيق أقصى قدر من المكافأة بمرور الوقت. غالبًا ما يستخدم هذا الوقت من التعلم الآلي في الروبوتات والألعاب وبرامج الملاحة.
فهم التنقيح الآلي للفيديو
تتزايد أعداد الكاميرات التي يتم ارتداؤها على الجسد، وغالباً ما تكون الآن من متطلبات ضباط الشرطة وأقسامهم. صُممت أنظمة الكاميرات من أجل سلامة الضباط والجمهور على حد سواء؛ فعند التعامل مع الجرائم أو المواقف الخطيرة يمكنها تسجيل أي تصرفات تُرتكب ضد الضباط، كما يمكنها تسجيل أي تصرفات أو تكتيكات مشكوك فيها من قبل الشرطة قد تكون مؤذية أو غير قانونية. وغالباً ما تطلب وسائل الإعلام والجمهور لقطات من هذه الجرائم من خلال قانون حرية المعلومات، خاصةً بعد القضايا التي تحظى بتغطية إعلامية كبيرة.
ويسهل برنامج التعلم الآلي لتنقيح الفيديو وخوارزمياته تلبية هذا الطلب. تنشأ المشكلة عند محاولة تلبية طلب الجمهور على المعلومات الفورية مع الحفاظ على قوانين الولاية والقوانين المحلية المتعلقة بالخصوصية الشخصية والمعلومات الحساسة. ومن الأمثلة على ذلك عرض وجوه القاصرين الذين لا يتمتعون بأهلية البالغين لإعطاء الموافقة والقدرة على حماية خصوصيتهم.
عندما تتلقى الإدارات طلبات للحصول على هذا النوع من المعلومات، يستغرق الأمر وقتًا وموارد في الوقت الذي يتم فيه تكليف شخص ما بمهمة تنقيح الفيديو. هذه هي عملية تعتيم أو طمس المعلومات التي تحدد هوية القاصرين أو غيرها من المواد الحساسة. هناك مشكلة أخرى تواجه الإدارات وهي أن كل ولاية أو ولاية قضائية لديها مجموعة القوانين الخاصة بها فيما يتعلق بكيفية التعامل مع هذا النوع من البيانات المعقدة. مع مواجهة العديد من الإدارات التي تواجه تخفيضات في الميزانية، من الصعب تحمل تكلفة العمالة المكثفة التي ينطوي عليها الأمر بالنسبة للموظفين بالإضافة إلى تخزين الفيديو وبرامج تكنولوجيا التنقيح.
تساعد برمجيات التنقيح الآلي للفيديو في حل بعض المشكلات التي تواجه العديد من أقسام الشرطة من خلال التخلص من بعض التكاليف التي ينطوي عليها الحفاظ على قسم كبير من الموظفين لمجرد الحفاظ على الفيديو وتخزينه وتنقيحه. لقد تقدم التعلم الآلي إلى درجة أن الخوارزميات أصبحت الآن قادرة على تنقيح الفيديو من الكاميرات المتحركة، مثل كاميرات الجسم التي يرتديها الضباط. وهذا يسمح للقسم بالعمل بكفاءة أكبر وفعالية من حيث التكلفة. بعد اختيار أنواع الأشياء أو الملصقات المراد تنقيحها من مقاطع الفيديو، تقوم البرامج الآن بمراجعة كل إطار على حدة وتحديد هذه الأهداف لطمسها أو تعتيمها وفقاً لذلك.
وفي حين يمكن إنجاز الكثير من المهام أثناء عمل الضباط، إلا أن التنقيح الآلي سيظل دائماً بحاجة إلى عنصر بشري. خاصة في القضايا ذات المخاطر العالية، إذا تُركت لقطة واحدة دون تنقيح أو لم يتم تنقيحها، يمكن أن يتعرض وجه قاصر أو شاهد مهم أو حتى هوية ضابط سري للخطر. مع احتمال وقوع المسؤولية على القسم، من المهم اتخاذ جميع الخطوات اللازمة لضمان سلامة الجمهور. قد يؤدي الخطأ إلى تعريض حياة شخص ما للخطر.
التعلّم الآلي يحسّن التنقيح الآلي للفيديو
نظرًا لأن عملية التنقيح تستغرق وقتًا طويلاً وتتطلب عمالة مكثفة، مما يؤدي إلى نفقات كبيرة لمعظم وكالات الشرطة، فإن التنقيح الآلي للفيديو يساعد في توفير الوقت والمال. وقد أدت قوة الخوارزميات المستخدمة الآن في التعلم الآلي إلى تحسين عملية التنقيح الآلي للفيديو بشكل كبير إلى درجة أنه من السهل استخدامها وتخفيف بعض التكاليف التي ينطوي عليها حجب المعلومات التي تحدد الهوية الشخصية. بشكل عام، هناك ثلاث خطوات رئيسية في طرق التعلم الآلي المستخدمة في برمجيات تنقيح الفيديو الآلي. وهي:
- تحديد مواقع الأجسام أو الملصقات المراد تنقيحها.
- تتبع حركة الأجسام أو الملصقات مع مرور الوقت.
- الإخفاء أو التعتيم.
يمكن تنفيذ جميع هذه الخطوات يدوياً، ولكن بتكلفة كبيرة على القسم. أفضل نهج حالياً هو استخدام طريقة شبه آلية. باستخدام خوارزميات قوية للتعلم الآلي وبرنامج تنقيح الفيديو الآلي يمكن تحديد التسميات ومعلومات الكائنات وطمسها أو إزالتها حسب الحاجة تلقائيًا. ومع ذلك، فإن المراجعة اليدوية ضرورية لتحديد جودة النتائج. وتعتبر المراجعة اليدوية مهمة لأن تفويت إطار واحد يمكن أن يكشف هوية شخص ما، وهو ما يتعارض مع الغرض بأكمله وقد يكلفك حياة شخص ما.
الخوارزميات القوية في التعلّم الآلي تحسّن السلامة للجميع
على الرغم من أن الخوارزميات أصبحت أكثر دقة وقوة مما يتيح للآلات القدرة على التعلم واتخاذ القرارات من تلقاء نفسها، إلا أنه لا تزال هناك حاجة للتدخل البشري. من الأمثلة على ذلك عند استخدام برنامج لتعتيم أو حجب الوجوه في مقطع فيديو، فالعديد من أدوات البرامج الخوارزمية تقدم تحديدًا آليًا لاكتشاف الوجوه. ومع ذلك، يمكن أن يفشل العديد منها في استهداف أو تحديد جميع الوجوه أو تحديد موقعها عند التعامل مع حالات الانسداد أو المناظر الجانبية أو غيرها من الحالات الشاذة. نظرًا لأن الأرواح والقضايا الجنائية يمكن أن تكون على المحك عندما تستخدم الشرطة هذا البرنامج، فقبل السماح بنشر أي فيديو للاستهلاك العام، فإن المراجعة اليدوية هي إجراء قياسي. تلتقط هذه المراجعات أي مناطق مفقودة في الفيلم تحتاج إلى معالجة. يمكن أن تساعد قوة هذه الأدوات في الأيدي الصحيحة في الاحتفاظ بالمعلومات للمساعدة في حل القضايا وإنقاذ الأرواح.