15 أكتوبر - الذكاء الاصطناعي البصري في الزراعة (اليوم الأول)

انضم إلينا في اليوم الأول من سلسلة الفعاليات الافتراضية للاستماع إلى متحدثين خبراء حول آخر التطورات في مجال التقاطع بين الذكاء الاصطناعي البصري والزراعة. **التاريخ والوقت** 15 أكتوبر الساعة 9 صباحًا بالتوقيت الهادئ **المكان** افتراضي. [سجّل الدخول عبر Zoom.](https://voxel51.com/events/visual-ai-in-agriculture-october-15-2025) **Paved2Paradise: محاكاة ليدار قابلة للتوسيع من أجل الإدراك في العالم الحقيقي** غالبًا ما يتطلب تدريب نماذج إدراك قوية للروبوتات والاستقلالية وجود مجموعات بيانات ضخمة ومتنوعة ثلاثية الأبعاد. ولكن جمع وتصنيف سحب النقاط الليدارية من العالم الحقيقي بحجم كبير عملية مكلفة وجهدة، خاصة عند الحاجة إلى تسميات عالية الجودة. يقدم Paved2Paradise بديلاً اقتصاديًا: خط أنابيب محاكاة ليدار قابل للتوسيع لإنشاء مجموعات بيانات واقعية ومُصنَّفة بالكامل مع الحد الأدنى من الجهد اليدوي في التسمية. الفكرة الأساسية هي "تحليل العالم الحقيقي" من خلال التقاط مسح الخلفية (مثلًا: الحقول، الطرق، مواقع البناء) ومسح الكائنات (مثلًا: المركبات، الأشخاص، الآلات) بشكل منفصل. ومن خلال دمج هذين المصدرَين بذكاء، يمكن لـ Paved2Paradise توليد عدد هائل من مشاهد التدريب المختلفة. يتضمن خط الأنابيب أربع خطوات: (1) جمع مسح ليدار للخلفية على نطاق واسع، (2) تسجيل مسح عالي الدقة لكائنات الهدف في ظروف خاضعة للرقابة، (3) إدخال الكائنات في الخلفيات مع وضع وحجب يتماشيان مع القوانين الفيزيائية، و(4) محاكاة هندسة الليدار لضمان الواقعية. أظهرت التجارب أن النماذج المدربة على بيانات تم إنشاؤها باستخدام Paved2Paradise تنتقل بكفاءة إلى العالم الحقيقي، وتحقق أداءً قويًا في الكشف مع حاجة أقل بكثير للتصنيف اليدوي مقارنةً بجمع مجموعة البيانات التقليدية. هذه الطريقة ليست فعالة من حيث التكلفة فحسب، بل أيضًا مرنة — مما يسمح للممارسين بسهولة التوسع إلى فئات كائنات جديدة أو مجالات جديدة عن طريق استبدال مسح الخلفية أو الكائنات بمسوح جديدة. بالنسبة لممارسي التعلم الآلي العاملين في الروبوتات، أو المركبات المستقلة، أو أنظمة الإدراك الحرجة للسلامة، يبرز Paved2Paradise مسارًا عمليًا نحو توسيع بيانات التدريب دون زيادة التكاليف. وهو يسد الفجوة بين المحاكاة والأداء في العالم الحقيقي، مما يتيح التكرار الأسرع والنشر الأكثر موثوقية لنماذج الإدراك. *عن المتحدث* [مايكل أ. ألْكورن](https://www.linkedin.com/in/michaelaalcorn/) هو مهندس تعلم آلي أول في شركة جون دير، حيث يطوّر نماذج التعلّم العميق للإدراك باستخدام الليدار والصور ذات القنوات الثلاث (RGB) في أنظمة تتطلب السلامة وتُعالج في الزمن الحقيقي. حصل على درجة الدكتوراه في علوم الحاسوب من جامعة أوبرن، وكان موضوع أطروحته تحسين رؤية الحاسوب والشبكات العصبية العميقة المكانية-الزمنية، كما يحمل تخصصًا فرعيًا في الرياضيات. وقد استشهد ببحث مايكل باحثون من DeepMind وGoogle وMeta وMicrosoft وOpenAI وغيرهم، كما فاز ورقيه \(batter\|pitcher\)2vec بجائزة في مؤتمر MIT Sloan Sports Analytics Conference عام 2018. كما ساهم مايكل برموز تعلم آلي في scikit\-learn وApache Solr، وتم استخدام مستودعاته على GitHub — التي حصلت مجتمعة على أكثر من 2\,100 نجمة — كنقاط بداية لأبحاث وأكواد إنتاجية في العديد من المؤسسات المختلفة. **MothBox: جهاز رصد حشرات منخفض التكلفة ومفتوح المصدر** سيتحدث الدكتور آندي كوتميير عن تصميم أداة علمية جديدة ومثيرة مفتوحة المصدر، Mothbox. مشروع Mothbox هو مشروع فائز بجائزة لمراقبة الحشرات على نطاق واسع من أجل التنوع البيولوجي. إنها جهاز منخفض التكلفة تم تطويره في غابات بنما القاسية، ويقوم بالتقاط صور عالية الدقة جدًا ثم يقوم تلقائيًا بتحديد مستويات التنوع البيولوجي في الغابات والزراعة. بعد آلاف الملاحظات الحشرية ومئات النشرات في بنما، بيرو، المكسيك، الإكوادور، والولايات المتحدة، نحن الآن نعمل على تطوير نسخة جديدة قابلة للتصنيع لنشارك هذه الأداة المهمة حول العالم. سنناقش تطوير هذا الجهاز في غابات بنما وأهميته لدراسة التنوع البيولوجي عالميًا. *عن المتحدث* يصمم الدكتور آندي كوتميير طرقًا جديدة للتفاعل مع العالم الطبيعي. عمل مع منظمات كبيرة مثل Cartoon Network وIDEO وSmithsonian، ودرّس كأستاذ محاضر في جامعة سنغافورة الوطنية، وحتى تم تحويل بحثه إلى سلسلة تلفزيونية (مضحكة) بعنوان "Hacking the Wild"، تم توزيعها عبر Discovery Networks. حاليًا، يقضي معظم وقته في العمل التطوعي مع منظمات صغيرة، وقام مؤخرًا بتأسيس ورشة تصنيع في موقع ميداني تُدعى Digital Naturalism Laboratories. في غابة الأمطار في جامبوا ببنما، تدمج Dinalab العمل الميداني البيولوجي مع الصناعة التكنولوجية ضمن مجتمع من العلماء والفنيين والمهندسين ومتخصصي إعادة تأهيل الحيوانات المحليين والدوليين. وحاليًا، يعمل كأستاذ متعاون في جامعة واشنطن، حيث يستشار الطلاب. **النماذج الأساسية للذكاء الاصطناعي البصري في الزراعة** لقد مكّنت النماذج الأساسية من أسلوب جديد لمعالجة المهام، وذلك بالاستفادة من القدرات الناشئة بطريقة بدون تدريب (zero-shot). في هذا الحديث، سأناقش أحدث الأبحاث المتعلقة بتمكين الذكاء الاصطناعي البصري بطريقة بدون تدريب أو عبر الضبط الدقيق (fine-tuning). على وجه التحديد، سأتناول العمل المشترك حول RELOCATE، وهو معيار بسيط لا يتطلب تدريبًا مُعد خصيصًا لأداء مهمة صعبة تتمثل في تحديد موقع الاستعلام البصري في مقاطع فيديو طويلة. لكي نتجنب الحاجة إلى تدريب مخصص لكل مهمة وللتعامل بكفاءة مع مقاطع الفيديو الطويلة، يستفيد RELOCATE من تمثيل قائم على المناطق مستمد من نماذج الرؤية المدربة مسبقًا. كما سأناقش العمل المشترك حول تمكين نماذج اللغات الكبيرة متعددة الوسائط (MLLMs) من الإجابة الصحيحة على الطلبات التي تتطلب فهمًا شاملاً مكانياً-زمنياً: فالنماذج MLLMs تواجه صعوبة في الإجابة على طلبات تشير إلى 1) بيئة كاملة يمكن لوكيل مزود بنموذج MLLM العمل فيها؛ وفي الوقت نفسه تشير أيضاً إلى 2) إجراءات حدثت مؤخرًا ومُرمَّزة في مقطع فيديو. ومع ذلك، فإن هذا الفهم الشامل المكاني-الزماني مهم للوكلاء الذين يعملون في العالم الحقيقي. يشمل حلنا تطوير خط أنابيب مخصص لجمع البيانات وضبط نموذج MLLM مجهز بمشعات لتحسين كل من الفهم المكاني للبيئة والفهم الزمني للملاحظات الأخيرة. *عن المتحدث* [ألكس شوينغ](https://www.linkedin.com/in/alexander-s-0a049258/) هو أستاذ مشارك في جامعة إلينوي في أوربانا-شمباين، يعمل مع طلاب موهوبين في مجالات الذكاء الاصطناعي، والذكاء الاصطناعي التوليدي، ورؤية الحاسوب. حصل على بكالوريوس الهندسة الكهربائية وهندسة المعلومات من الجامعة التقنية في ميونيخ عام 2006 و2008 على التوالي، وحصل على درجة الدكتوراه في علوم الحاسوب من ETH زيورخ عام 2014. وبعد ذلك انضم إلى جامعة تورونتو كزميل ما بعد الدكتوراه حتى عام 2016. تتركز اهتماماته البحثية في مجالات الذكاء الاصطناعي، والذكاء الاصطناعي التوليدي، ورؤية الحاسوب، حيث شارك في تأليف العديد من الأوراق البحثية حول مواضيع في فهم المشهد، وخوارزميات الاستدلال والتعلم، والتعلم العميق، ومعالجة الصور واللغة، والنماذج التوليدية. ونالت أطروحته للدكتوراه ميدالية ETH، كما تم تكريم بحث فريقه بجائزة NSF CAREER. **خارج المختبر: كشف الشذوذ في العالم الحقيقي للرؤية الحاسوبية الزراعية** يُحدث كشف الشذوذ ثورة في التصنيع والمراقبة، لكن ماذا عن الزراعة؟ هل يمكن للذكاء الاصطناعي بالفعل اكتشاف أمراض النباتات وأضرار الآفات في وقت مبكر بما يكفي لتحقيق فرق؟ يوضح هذا الحديث كيف يقوم كشف الشذوذ بتحديد وتحديد مواقع مشكلات المحاصيل باستخدام صحة أوراق القهوة كمثال أساسي. سنبدأ بالنظرية الأساسية، ثم نفحص كيف تكتشف هذه النماذج صدأ الأوراق وأضرار المنقّبة في صور الأوراق. تشمل الجلسة سير عمل شاملًا عمليًا باستخدام أدوات الرؤية الحاسوبية المفتوحة المصدر FiftyOne، ويتناول تنسيق مجموعة البيانات، واستخراج القطع، وتدريب النموذج، وعرض النتائج. ستكتسب فهماً نظريًا لكشف الشذوذ في الرؤية الحاسوبية وخبرة عملية في تطبيق هذه الأساليب على التحديات الزراعية وغيرها من المجالات. *عن المتحدث* [بولينا راموس](https://www.linkedin.com/in/paula-ramos-phd/) تحمل درجة الدكتوراه في الرؤية الحاسوبية والتعلم الآلي، ولديها أكثر من 20 عامًا من الخبرة في المجال التكنولوجي. وهي تعمل على تطوير تقنيات هندسية متكاملة جديدة، خاصة في مجالات الرؤية الحاسوبية، والروبوتات، والتعلم الآلي المطبقة على الزراعة، منذ أوائل العقد الأول من القرن الحادي والعشرين في كولومبيا.