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 التقاء الذكاء الاصطناعي البصري بالزراعة. **التاريخ والوقت** 15 أكتوبر الساعة 9 صباحًا بالتوقيت الهادئ **المكان** افتراضي. [سجّل الدخول إلى 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 الإدراك القوية للروبوتات والاستقلالية بيانات ضخمة ومتنوعة ثلاثية الأبعاد. لكن جمع وترميز سحب ليدار من العالم الحقيقي بحجم كبير أمر مكلف وجهد يستغرق وقتًا طويلاً، خاصة عند الحاجة إلى تسميات عالية الجودة. يقدم Paved2Paradise بديلاً اقتصاديًا: وهو خط أنابيب محاكاة ليدار قابل للتوسيع لإنتاج بيانات واقعية ومكتملة الترميز بجهد بشري ضئيل في التسمية. الفكرة الأساسية هي "تحليل العالم الحقيقي" من خلال التقاط سحوب الخلفية (مثل الحقول، الطرق، مواقع البناء) وسحوب الكائنات (مثل المركبات، الأشخاص، الآلات) بشكل منفصل. ومن خلال الجمع الذكي بين هذين المصدرَين، يمكن لـ Paved2Paradise توليد مجموعة كبيرة تآلفيًا من مشاهد التدريب المتنوعة. يتضمن خط الأنابيب أربع خطوات: (1) جمع سحوب ليدار واسعة النطاق للخلفية، (2) تسجيل سحوب عالية الدقة لكائنات الهدف في ظروف خاضعة للتحكم، (3) إدخال الكائنات في الخلفيات مع وضع وحجب يتماشى مع القوانين الفيزيائية، (4) محاكاة هندسة الليدار لضمان الواقعية. أظهرت التجارب أن النماذج المدربة على بيانات تم إنشاؤها باستخدام Paved2Paradise تنتقل بفعالية إلى العالم الحقيقي، وتُحقق أداءً قويًا في الكشف مع جهد ترقيمي يدوي أقل بكثير مقارنةً بطرق جمع البيانات التقليدية. هذه الطريقة ليست فعالة من حيث التكلفة فحسب، بل مرنة أيضًا — مما يسمح للممارسين بسهولة التوسع إلى فئات كائنات جديدة أو مجالات جديدة من خلال استبدال سحوب الخلفية أو الكائنات. بالنسبة لممارسي تعلم الآلات الذين يعملون في مجالات الروبوتات، المركبات المستقلة، أو أنظمة الإدراك الحساسة للسلامة، يبرز Paved2Paradise طريقًا عمليًا نحو توسيع بيانات التدريب دون توسيع التكاليف. وهو يسد الفجوة بين الأداء في المحاكاة والأداء في العالم الحقيقي، مما يمكّن من التكرار الأسرع والنشر الأكثر موثوقية لنماذج الإدراك. *عن المتحدث* [مايكل أ. ألكورن](https://www.linkedin.com/in/michaelaalcorn/) هو مهندس متقدم في تعلم الآلات في شركة John Deere\، حيث يطور نماذج التعلم العميق للإدراك باستخدام الليدار والصورة الملونة (RGB) في أنظمة تتطلب السلامة\-و\-الدقة\-و\-التشغيل\-في\-الوقت\-الحقيقي\. حصل على درجة الدكتوراه في علوم الحاسوب من جامعة أوبرن\، مع أطروحة حول تحسين رؤية الحاسوب والشبكات العصبية العميقة الزمكانية\، ويحمل أيضًا تخصصًا فرعيًا دراسيًا في الرياضيات\. تم الاستشهاد بأبحاث مايكل من قبل باحثين في DeepMind\، Google\، Meta\، Microsoft\، وOpenAI\، من بين آخرين\، كما فاز ورقة \(batter\|pitcher\)2vec الخاصة به بجائزة في مؤتمر MIT Sloan Sports Analytics Conference 2018\. كما ساهم برمجيًا في scikit\-learn وApache Solr\، وقد تلقى مستودعات GitHub الخاصة به — التي حصلت مجتمعة على أكثر من 2\,100 نجمة — دعمًا كنقاط بداية لأبحاث وبرامج إنتاجية في العديد من المنظمات المختلفة\. **MothBox: جهاز رصد حشرات منخفض التكلفة، مفتوح المصدر، وآلي** سيتحدث الدكتور آندي كويتماير عن تصميم أداة علمية جديدة مثيرة ومفتوحة المصدر، تُسمى Mothbox. مشروع Mothbox هو مشروع فائز بجائزة لمراقبة واسعة النطاق للحشرات من أجل التنوع البيولوجي. وهو جهاز منخفض التكلفة تم تطويره في الغابات القاسية ببنما، ويُجري صورًا فائقة الدقة تُستخدم بعد ذلك لتحديد تلقائي لمستويات التنوع البيولوجي في الغابات والزراعة. بعد آلاف الملاحظات على الحشرات ونشرات مئات الأجهزة في بنما، بيرو، المكسيك، الإكوادور، والولايات المتحدة، نحن الآن نطور إصدارًا جديدًا قابلاً للتصنيع لنشر هذه الأداة المهمة في جميع أنحاء العالم. سنناقش تطوير هذا الجهاز في غابات بنما و أهميته لدراسة التنوع البيولوجي عالميًا. *عن المتحدث* يُصمم الدكتور آندي كويتماير طرقًا جديدة للتفاعل مع العالم الطبيعي. عمل مع منظمات كبيرة مثل شبكة كرتون نتورك، IDEO، ومعهد سميثسونيان، ودرّس كبروفيسور في مسار التعيين الدائم في الجامعة الوطنية السنغافورية، وحتى تم تحويل بحثه إلى سلسلة تلفزيونية (مضحكة) بعنوان "اختراق البرية"، تم توزيعها بواسطة شبكة ديسكفري. حاليًا، يقضي معظم وقته في العمل التطوعي مع منظمات صغيرة، ومؤخرًا أسس ورشة العمل الميدانية، Digital Naturalism Laboratories. في غابة مطيرة في جامبوا ببنما، تدمج Dinalab بين العمل الميداني البيولوجي والصناعة التكنولوجية ضمن مجتمع من العلماء والفنيين والمهندسين والفنانين المحليين والدوليين، بالإضافة إلى متخصصي إعادة تأهيل الحيوانات. وحاليًا، يقوم أيضًا بإرشاد الطلاب كبروفيسور مشارك في جامعة واشنطن. **النماذج الأساسية للذكاء الاصطناعي البصري في الزراعة** لقد مكّنت النماذج الأساسية من أسلوب جديد لمعالجة المهام، مستفيدة من القدرات الناشئة بطريقة بدون تدريب (zero-shot). في هذا الحديث، سأناقش أبحاثًا حديثة حول تمكين الذكاء الاصطناعي البصري بطريقة بدون تدريب (zero-shot) أو من خلال التخصيص الدقيق (fine-tuning). على وجه التحديد، سأناقش عملًا مشتركًا حول RELOCATE، وهو معيار بسيط لا يتطلب تدريبًا مصممًا لأداء المهمة الصعبة المتمثلة في تحديد موقع الاستعلامات البصرية في مقاطع فيديو طويلة. للتخلص من الحاجة إلى تدريب خاص بالمهمة والتعامل بكفاءة مع مقاطع الفيديو الطويلة، يستفيد RELOCATE من تمثيل قائم على المناطق مشتق من نماذج بصرية مُدرّبة مسبقًا. سأناقش أيضًا عملًا مشتركًا حول تمكين نماذج اللغات الكبيرة متعددة الوسائط (MLLMs) من الإجابة بشكل صحيح على المطالبات التي تتطلب فهمًا شاملاً زمانيًا ومكانيًا: تواجه النماذج متعددة الوسائط صعوبات في الإجابة على المطالبات التي تشير إلى 1) بيئة كاملة يمكن لوكيل مزود بـ MLLM العمل فيها؛ وتُشير في الوقت نفسه إلى 2) إجراءات حديثة حدثت للتو وتم ترميزها في مقطع فيديو. ومع ذلك، فإن هذا الفهم الشامل الزماني والمكاني مهم للوكلاء الذين يعملون في العالم الحقيقي. يتضمن حلنا تطوير خط أنابيب مخصص لجمع البيانات وتخصيص نموذج MLLM مزود بمشعات لتحسين كل من الفهم المكاني للبيئة والفهم الزمني للملاحظات الحديثة. *عن المتحدث* [ألكس شوينغ](https://www.linkedin.com/in/alexander-s-0a049258/) هو أستاذ مشارك في جامعة إلينوي في أوربانا-شيرمبيان، يعمل مع طلاب موهوبين في مجالات الذكاء الاصطناعي، والذكاء الاصطناعي التوليدي، ورؤية الحاسوب. حصل على بكالوريوس ودبلومه في الهندسة الكهربائية وتكنولوجيا المعلومات من الجامعة التقنية في ميونخ عام 2006 و2008 على التوالي، وحصل على درجة الدكتوراه في علوم الحاسوب من ETH زيورخ في عام 2014. بعد ذلك، انضم إلى جامعة تورونتو كزميل باحث ما بعد الدكتوراه حتى عام 2016. تتمحور اهتماماته البحثية حول الذكاء الاصطناعي، والذكاء الاصطناعي التوليدي، ورؤية الحاسوب، حيث شارك في تأليف العديد من الأوراق البحثية في مجالات فهم المشهد، وخوارزميات الاستنتاج والتعلم، والتعلم العميق، ومعالجة الصور واللغة، والنماذج التوليدية. حصلت أطروحته للدكتوراه على ميدالية ETH، وحاز بحث فريقه على جائزة NSF CAREER. **ما وراء المختبر: كشف الشذوذ في العالم الحقيقي للرؤية الحاسوبية الزراعية** يُحدث كشف الشذوذ تغييرًا جذريًا في التصنيع والمراقبة، ولكن ماذا عن الزراعة؟ هل يمكن للذكاء الاصطناعي أن يكشف فعلاً عن أمراض النباتات وأضرار الآفات مبكرًا بما يكفي لصنع فرق؟ يوضح هذا الحديث كيف يُحدد كشف الشذوذ مشكلات المحاصيل ويحلل مواقعها، باستخدام صحة أوراق القهوة كمثال رئيسي. سنبدأ بالنظرية الأساسية، ثم نفحص كيف تكتشف هذه النماذج أضرار الصدأ والحفر في صور الأوراق. تشمل الجلسة سير عمل شاملاً عمليًا باستخدام مجموعة أدوات الرؤية الحاسوبية المفتوحة المصدر FiftyOne، وتشمل تهيئة مجموعة البيانات، واستخراج القطع، وتدريب النموذج، وعرض النتائج. ستحصل على فهم نظري لكشف الشذوذ في الرؤية الحاسوبية، بالإضافة إلى خبرة عملية في تطبيق هذه التقنيات على التحديات الزراعية و المجالات الأخرى. *عن المتحدث* [باولا راموس](https://www.linkedin.com/in/paula-ramos-phd/) تحمل درجة الدكتوراه في الرؤية الحاسوبية وتعلم الآلات، ولديها أكثر من 20 عامًا من الخبرة في المجال التكنولوجي. وقد كانت تعمل على تطوير تقنيات هندسية متكاملة جديدة، خاصة في مجالات الرؤية الحاسوبية، والروبوتات، وتعلم الآلات المطبقة على الزراعة، منذ أوائل العقد الأول من القرن الحادي والعشرين في كولومبيا.