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** فعالية افتراضية. [سجّل حضورك عبر زوم.](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 وجود مجموعات بيانات ضخمة ومتنوعة ثلاثية الأبعاد. لكن جمع وترميز سحب ليدار من العالم الحقيقي على نطاق واسع أمرٌ مكلفٌ للغاية ويتطلب وقتًا طويلاً، خاصة عند الحاجة إلى تسميات عالية الجودة. يقدم مشروع Paved2Paradise بديلًا اقتصاديًا: وهو خط أنابيب محاكاة ليدار قابل للتوسيع لإنشاء مجموعات بيانات واقعية ومُوسومة تمامًا مع الحد الأدنى من جهد التسمية اليدوية. الفكرة الأساسية هي "تفكيك العالم الحقيقي" من خلال التقاط مسح الخلفية (مثل الحقول، الطرق، مواقع البناء) ومسح الكائنات (مثل المركبات، الأشخاص، الآلات) بشكل منفصل. ومن خلال الجمع الذكي بين هذين المصدرَين، يمكن لـ Paved2Paradise تركيب عدد كبير جدًا من مشاهد التدريب المتنوعة. يتضمن الخط الأنابيب أربع خطوات: (1) جمع مسوحات ليدار واسعة النطاق للخلفية، (2) تسجيل مسوحات عالية الدقة لكائنات مستهدفة في ظروف مضبوطة، (3) إدخال الكائنات داخل الخلفيات مع وضع وحجب يتماشيان مع القوانين الفيزيائية، و(4) محاكاة هندسة الليدار لضمان الواقعية. أظهرت التجارب أن النماذج المدرّبة باستخدام البيانات التي يولدها Paved2Paradise تنتقل بكفاءة إلى العالم الحقيقي، وتُحقق أداءً قويًا في الكشف مع حاجة أقل بكثير للتسمية اليدوية مقارنةً بجمع مجموعة البيانات التقليدي. هذه الطريقة ليست فعالة من حيث التكلفة فحسب، بل أيضًا مرنة — مما يتيح للممارسين توسيع العمل بسهولة ليشمل فئات كائنات جديدة أو مجالات جديدة عن طريق استبدال مسوحات الخلفية أو الكائنات بغيرها جديدة. بالنسبة لممارسي تعلم الآلة العاملين في مجالات الروبوتات، أو المركبات ذاتية القيادة، أو أنظمة الإدراك الحرجة للسلامة، يسلط Paved2Paradise الضوء على مسار عملي لتوسيع بيانات التدريب دون زيادة التكاليف. كما يسد الفجوة بين الأداء في 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 متقدم في تعلم الآلة في شركة John Deere\، حيث يطوّر نماذج تعلّم عميق للإدراك باستخدام بيانات الليدار والصور RGB في أنظمة حرجة للسلامة وتعمل في الزمن الحقيقي\. حصل على درجة الدكتوراه في علوم الحاسوب من جامعة أوبرن\، وكان موضوع أطروحته تحسين رؤية الحاسوب والشبكات العصبية العميقة المكانية-الزمنية\، ويحمل أيضًا تخصصًا فرعيًا في الرياضيات\. تم الاستشهاد بأبحاث مايكل من قبل باحثين في DeepMind\، Google\، Meta\، Microsoft\، وOpenAI\، من بين آخرين\، كما فاز بجائزة في مؤتمر MIT Sloan Sports Analytics Conference عام 2018 عن ورقته \(batter\|pitcher\)2vec\. كما ساهم برمجيًا في scikit\-learn وApache Solr\، وقد استُخدمت مستودرات GitHub الخاصة به — التي حصلت مجتمعةً على أكثر من 2\,100 نجمة — كنقاط بداية لأغراض البحث والبرمجيات التشغيلية في العديد من المنظمات المختلفة\. **MothBox: جهاز رصد حشرات منخفض التكلفة ومفتوح المصدر** سيتحدث الدكتور آندي كويتمير عن تصميم أداة علمية جديدة ومثيرة ومفتوحة المصدر، وهي Mothbox. يُعد مشروع Mothbox فائزًا بجائزة، ويهدف إلى الرصد الواسع النطاق للحشرات من أجل التنوع البيولوجي. إنها جهاز منخفض التكلفة تم تطويره في الغابات الصعبة في بنما، ويقوم بالتقاط صور عالية الدقة جدًا ثم يقوم بتحديد تلقائي لمستويات التنوع البيولوجي في الغابات والزراعة. بعد آلاف الملاحظات على الحشرات ونشرات عديدة في بنما، بيرو، المكسيك، الإكوادور، والولايات المتحدة، نحن الآن بصدد تطوير نسخة جديدة قابلة للإنتاج لتعميم هذه الأداة المهمة عالميًا. سنناقش تطور هذا الجهاز في غابات بنما وأهميته لدراسة التنوع البيولوجي عالميًا. *عن المتحدث* يصمم الدكتور آندي كويتمير طرقًا جديدة للتفاعل مع العالم الطبيعي. عمل مع منظمات كبيرة مثل شبكة الكرتون، IDEO، ومعهد سميثسونيان، ودرّس كأستاذ محاضر في الجامعة الوطنية السنغافورية، وتحولت بعض أبحاثه إلى برنامج تلفزيوني (مضحك) بعنوان "Hacking the Wild"، تم توزيعه بواسطة Discovery Networks. حاليًا، يقضي معظم وقته في التطوع مع منظمات صغيرة، وقام مؤخرًا بتأسيس مختبر صناعة المحطة الميدانية، Digital Naturalism Laboratories. في غابة جامبوا المطيرة في بنما، يدمج Dinalab العمل الميداني البيولوجي مع الصياغة التكنولوجية ضمن مجتمع من العلماء والفنانين والمهندسين ومتخصصي إعادة تأهيل الحيوانات المحليين والدوليين. ويشغل حاليًا أيضًا دور المستشار الطلابي كأستاذ مشارك في جامعة واشنطن. **النماذج الأساسية للذكاء الاصطناعي البصري في الزراعة** لقد مكّنت النماذج الأساسية من طريقة جديدة لمعالجة المهام، وذلك بالاستفادة من القدرات الناشئة بطريقة بدون تدريب (zero-shot). في هذا الحديث، سأناقش الأبحاث الحديثة حول تمكين الذكاء الاصطناعي البصري بطريقة بدون تدريب (zero-shot) أو عبر التعديل الدقيق (fine-tuning). على وجه التحديد، سأتناول العمل المشترك حول RELOCATE، وهو معيار بسيط لا يتطلب تدريبًا مصممًا لأداء مهمة صعبة تتمثل في تحديد موقع السؤال البصري في مقاطع فيديو طويلة. للتخلص من الحاجة إلى تدريب خاص بالمهمة وللتعامل بكفاءة مع مقاطع الفيديو الطويلة، يستفيد RELOCATE من تمثيل قائم على المناطق مستمد من نماذج رؤية مسبقة التدريب. سأناقش أيضًا العمل المشترك حول تمكين نماذج اللغة الكبيرة متعددة الوسائط (MLLMs) من الإجابة الصحيحة على الأوامر التي تتطلب فهمًا شاملاً مكانياً-زمنياً: إذ تعاني النماذج متعددة الوسائط من صعوبة في الإجابة على أوامر تشير إلى 1) البيئة بأكملها التي يمكن لوكيل مزوّد بنموذج MLLM العمل فيها؛ وكذلك تشير في الوقت نفسه إلى 2) الإجراءات الأخيرة التي حدثت للتو والتي تم ترميزها في مقطع فيديو. لكن مثل هذا الفهم الشامل المكاني-الزماني مهم للوكلاء الذين يعملون في العالم الحقيقي. وتشمل حلولنا تطوير خط أنابيب مخصص لجمع البيانات والتعديل الدقيق لنموذج MLLM مزوّد بمشعّات لتحسين كل من الفهم المكاني للبيئة والفهم الزمني للملاحظات الأخيرة. *عن المتحدث* [أليكس شوينغ](https://www.linkedin.com/in/alexander-s-0a049258/) هو أستاذ مشارك في جامعة إلينوي في أوربانا-แชมبين، يعمل مع طلاب موهوبين في مجالات الذكاء الاصطناعي، والذكاء الاصطناعي التوليدي، ورؤية الحاسوب. حصل على درجة البكالوريوس والدبلوم في الهندسة الكهربائية وتكنولوجيا المعلومات من الجامعة التقنية بميونيخ عامي 2006 و2008 على التوالي، وحصل على درجة دكتوراه في علوم الحاسوب من ETH زيورخ في عام 2014. بعد ذلك انضم إلى جامعة تورونتو كزميل باحث حتى عام 2016. تركز اهتماماته البحثية على مجالات الذكاء الاصطناعي، والذكاء الاصطناعي التوليدي، ورؤية الحاسوب، حيث شارك في تأليف العديد من الأوراق العلمية حول فهم المشهد، وخوارزميات الاستنتاج والتعلم، والتعلم العميق، وتجهيز الصور واللغة، والنماذج التوليدية. ونالت أطروحته للدكتوراه ميدالية ETH، كما حصل فريقه البحثي على جائزة NSF CAREER. **خارج 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 اكتشاف أمراض النباتات وأضرار الآفات في وقت مبكر بما يكفي لتحقيق فرق حقيقي؟ يوضح هذا الحديث كيف يقوم كشف الشذوذ بتحديد وتحديد مواقع مشكلات المحاصيل باستخدام صحة أوراق البن كمثال أساسي. سنبدأ بالنظرية الأساسية، ثم نحلل كيفية اكتشاف هذه النماذج لصدأ الأوراق وأضرار العُثّ في صور الأوراق. تشمل الجلسة سير عمل شاملًا عمليًا باستخدام أدوات FiftyOne المفتوحة المصدر للرؤية الحاسوبية، ويتناول تنقيح مجموعة البيانات، واستخراج القطع، وتدريب النموذج، وتصور النتائج. ستحصل على فهم نظري لكشف الشذوذ في الرؤية الحاسوبية، بالإضافة إلى خبرة عملية في تطبيق هذه التقنيات على التحديات الزراعية وغيرها من المجالات. *عن المتحدث* [بولينا راموس](https://www.linkedin.com/in/paula-ramos-phd/) حاصلة على درجة الدكتوراه في الرؤية الحاسوبية وتعلّم الآلة، ولديها أكثر من 20 عامًا من الخبرة في المجال التكنولوجي. وهي تعمل منذ أوائل العقد الأول من القرن الحادي والعشرين في كولومبيا على تطوير تقنيات هندسية متكاملة مبتكرة، تركز أساسًا على الرؤية الحاسوبية، والروبوتات، وتعلّم الآلة المطبقة في الزراعة.