التعلم العميق في صناعة البناء،
أصبح الذكاء الاصطناعي (AI) والتعلم الآلي (ML) من التقنيات الشائعة بشكل متزايد بين الجماهير.
حتى الأشخاص غير المتمرسين بالتكنولوجيا يتعرضون لهذه التقنيات المتطورة بطريقة أو بأخرى.
بينما يشير الذكاء الاصطناعي إلى مفهوم واسع يمكن للآلات من خلاله أداء المهام التي يؤديها البشر عادةً،
فإن ML هي مجموعة فرعية من الذكاء الاصطناعي وتستند إلى فكرة أن الآلات يجب أن تكون قادرة على التعلم والتكيف من خلال التجربة.
وبالإضافة إلى ذلك، يعتبر التعلم العميق هو مجموعة فرعية من التعلم الآلي،
حيث يتم تدريس الخوارزميات باستخدام الشبكات العصبية الاصطناعية (ANNs).
تطبيق نماذج التعلم العميق
يمكن أن يكون التعلم العميق مفيدًا للعديد من الصناعات بما في ذلك البناء والتمويل والطب والنقل وما إلى ذلك،
ومع ذلك، فهو يركز بشكل أساسي على حل المشكلات الأساسية الثلاثة التالية:
رؤية الكمبيوتر:
هي عملية تعليم الآلات لفهم البيانات المرئية،
مثل الصور أو الفيديو، وتنفيذ الإجراءات المناسبة اعتمادًا على ما يلاحظونه، وعلى سبيل المثال، سلامة البناء وإعادة البناء الفوتوغرافي وما إلى ذلك.
معالجة اللغة الطبيعية (NLP):
هي برمجة الآلات لتقييم لغة الإنسان عبر التسجيلات النصية أو الصوتية،
وتشمل الأمثلة روبوتات المحادثة والترجمة التلقائية وتحليل المستندات القانونية وما إلى ذلك.
الانحدار:
يتم تدريب الذكاء الاصطناعي على التنبؤ برقم أو درجة توفر معلومات مفيدة للمستخدم،
على سبيل المثال، تطبيقات الانحدار، وتوقع أسعار الأسهم، واكتشاف الاحتيال، وما إلى ذلك.
تعد كمية البيانات التي ننتجها اليوم، والتي تُستخدم بعد ذلك لتدريب وتحسين رؤية الكمبيوتر، أحد العوامل الدافعة وراء نمو رؤية الكمبيوتر.
على الرغم من الفوائد التي تقدمها، فإن رؤية الكمبيوتر هي تقنية معقدة بشكل لا يصدق لتحقيقها.
وهناك ثلاثة أنواع رئيسية من مشاكل رؤية الكمبيوتر: تصنيف الصور، واكتشاف الأشياء، وتجزئة الصور.
تصنيف الصورة:
الهدف الأساسي لنماذج تصنيف الصور هو التنبؤ بكيفية تمثيل الصورة بشكل عام.
على الرغم من أن لديهم تطبيقات محدودة في مشاكل العالم الحقيقي،
إلا أنهم كانوا النماذج الأولى التي أحدثت ثورة وأدت إلى شعبية التعلم العميق،
تأخذ هذه الخوارزميات الصور كمدخلات وتتوقع فئة تمثل ما تمثله الصورة.
اكتشاف الكائن:
لكل كائن معروف داخل صورة ما، تحدد هذه الخوارزميات فئة الكائن وتكتشف مواضع هذه الكائنات باستخدام المربعات المحيطة،
حيث تأخذ خوارزميات اكتشاف الكائن صورة كمدخلات وتعيد فئة مسقطة، بينما تأخذ خوارزميات تصنيف الصور كمدخلات وتنتج صورًا.
ومع ذلك، ستظهر مواضع الصندوق المحيط المتوقعة في الصور التي تم إنشاؤها.
تجزئة الصورة:
بشكل عام، تعد تحديات التجزئة في رؤية الكمبيوتر أكثر صعوبة من المشكلات الأخرى حيث تعمل الخوارزميات المستخدمة في التجزئة على مستوى البكسل.
وبدلاً من التنبؤ بما تمثله مجموعة البكسل، تحاول الخوارزميات التنبؤ بفئة كل بكسل فردي في المساحة المحددة.
تستخدم الصور كمدخلات ومخرجات في نماذج تجزئة الصور؛ ومع ذلك، فإن الصور الناتجة سيكون لها “طبقة” متوقعة متراكبة فوقها لتمثل فئة كل بكسل.
يشبه تجزئة المثيل التجزئة الدلالية، باستثناء أنه يذهب خطوة أخرى إلى الأمام في حل مشكلة التجزئة العامة في رؤية الكمبيوتر.
نتيجة لذلك، فهو أكثر تقدمًا قليلاً ويضيف طبقة من التعقيد.
من الواضح جدًا أن تقنية الكشف عن الأشياء يمكن أن تكون ذات فائدة هائلة لصناعة البناء.
ويعد اكتشاف الكائنات في بيئة معقدة الخطوة الأساسية في فهم وتفسير سياق مشهد البناء،
(أي التخطيط والبنية) وإنشاء روابط وظيفية ووظيفية ودلالية بين تلك الكائنات.
يمكن تطبيق هذه التقنية في البناء المستقل حيث تحتاج المركبات غير المأهولة إلى تحديد الأشياء وتجنبها للتنقل عبر الموقع وأداء المهام.
وبالمثل، يجب أن تتعرف الروبوتات على كائنات معينة لإجراء العمليات.
الطريق الطويل للأمام
من أجل الاستفادة الحقيقية من الذكاء الاصطناعي في البناء، فإن القدرة على اكتشاف الأشياء في الوقت الفعلي (أو بالقرب من الوقت الفعلي) لها أهمية قصوى في بعض التطبيقات.
وعلى سبيل المثال، يتطلب منع الحوادث المحتملة تحديدًا في الوقت الفعلي للسلوك المحفوف بالمخاطر مثل طاقم بشري يعمل على مقربة من خطر الموقع أو كائن متحرك.
ولكن لتتبع حركة الكائنات في بث فيديو مباشر، ستحتاج إلى خوارزمية سريعة جدًا يمكنها تحليل كل إطار فيديو في تتابع سريع واكتشاف جميع الكائنات المثيرة للاهتمام في الإطار الحالي قبل ظهور الإطار التالي.
يمكن تدريب خوارزميات الذكاء الاصطناعي السريعة والخفيفة على البيانات ذات الصلة والقيمة للحصول على أفضل النتائج في هذا المجال.
ويتم تحديد جودة البيانات في التعلم الآلي الخاضع للإشراف (ML) من خلال مدى فعالية شرحها لتدريب النموذج.
نظرًا لأنه يجب تدريب نموذج الذكاء الاصطناعي بمجموعة بيانات متنوعة لاكتشاف الكائنات ذات المظاهر المختلفة في سيناريوهات العالم الحقيقي،
يجب جمع صور التدريب والاختبار من مجموعة متنوعة من المصادر للتأكد من أن مجموعة البيانات تغطي مجموعة واسعة من إعدادات البناء .
للاطلاع على المزيد من الأخبار المعمارية
