تخيل أنك مفتش جودة في مصنع ضخم يصنع كل شيء، من التروس المعدنية اللامعة إلى المزهريات الزجاجية الرقيقة. مهمتك هي رصد أصغر خدش أو شق لا ينبغي أن يكون موجوداً. في العالم الحقيقي، يعد هذا كابوساً لأن العيوب نادرة، غريبة، وغير متوقعة. قد ترى مليون ترس مثالي قبل أن ترى واحداً مكسوراً. وهذا يجعل من الصعب للغاية على الكمبيوتر أن يتعلم كيف يبدو الشيء "المكسور" بمجرد النظر إلى أمثلة لأشياء "مكسورة"، لأنه لا يوجد تقريباً ما ينظر إليه.

لذا، يستخدم المهندسون حيلة ذكية: تعليم الكمبيوتر فقط كيف يبدو الشيء "المثالي". إذا وجد الكمبيوتر شيئاً لا يطابق النمط المثالي، فإنه يصنفه كعيب. وهذا ما يسمى بكشف الشذوذ (Anomaly Detection). ولكن ما التعليقة؟ ماذا لو بدأت للتو في صنع منتج جديد تماماً، مثل محمصة خبز مستقبلية، ولم يكن لديك سوى أربع صور لمحمصة خباض مثالية لتعليم الكمبيوتر؟ هذه هي مشكلة "التعلم من أمثلة قليلة" (Few-shot problem). الكمتر يشبه طالباً أُعطي صفحة واحدة من كتاب مدرسي وطُلب منه كتابة أطروحة. من السهل على الكمبيوتر الاعتماد على الاختصارات، أي حفظ البكسلات الدقيقة للصور الأربع بدلاً من تعلم "فكرة" المحمصة المثالية. إذا اعتمد على الاختصارات، فقد يغفل عن خدش حقيقي لأن الخدش يبدو مختلفاً قليلاً عن الصور التي حفظها.

هنا يأتي دور ورقة البحث ConceptADapt. يقترح المؤلفون، وهم فريق من جامعة شيديان (Xidian University)، طريقة جديدة لتعليم الحواسيب رصد العيوب حتى عندما لا تملك بيانات تدريبية تذكر. بدلاً من مجرد حفظ الصور، يتعلم النموذج مجموعة من "المفاهيم" المجردة—فكر فيها كأنها لبنات بناء أساسية أو "مفردات" لما يبدو عليه الكائن الطبيعي. إنهم يستخدمون حيلة خاصة تسمى الانتباه الديناميكي (Dynamic Attention) للتأكد من أن الكمبيوتر يركز فقط على الأجزاء الأكثر أهمية من هذه المفاهيم، متجاهلاً الضجيج. بعد ذلك، عندما يأتي منتج جديد، يتكيف النموذج بسرعة مع فهمه لـ "الطبيعي" ليتناسب مع ذلك المنتج المحدد دون الارتباك أو إدخال أخطاء جديدة. لقد اختبروا طريقتهم على ثلاث مجموعات بيانات صناعية رئيسية (MVTec-AD، وVisA، وMPDD) ووجدوا أن طريقتهم ترصد العيوب باستمرار وتحدد مواقعها بشكل أفضل من أفضل الطرق الحالية، خاصة عندما تكون بيانات التدريب شحيحة.

المشكلة: "الاختصار" و"البداية الباردة"

تخيل أنك تحاول تعليم روبوت التعرف على تفاحة مثالية. تعطيه سلة من التفاح، فيتعلم أن يقول: "هذه تفاحة!". ولكن بعد ذلك، تعطيه صورة واحدة فقط لتفاحة مثالية ليدرسها قبل أن يضطر لفحص بستان كامل. هذا هو سيناريو "الأمثلة القليلة". الروبوت في حالة "بداية باردة".

المشكلة الكبيرة في إعطاء الروبوت القليل جداً من البيانات هي أنه يميل إلى الاعتماد على الاختصارات. في تعلم الآلة، يسمى هذا مشكلة اختصار الميزات (Feature Shortcut Problem). فبدلاً من تعلم القواعد العميقة والمعقدة لما يجعل التفاحة تفاحة (المنحنى، الملمس، الساق)، قد يقوم الروبوت بمجرد حفظ نمط البكسل الدقيق لتلك الصورة الوحيدة. إذا كانت التفاحة الجديدة في البستان مائلة قليلاً أو ذات إضاءة مختلفة، فقد يعتقد الروبوت أنها عيب لأنها لا تطابق الصورة تماماً. أو والأسوأ من ذلك، قد يعتقد أن عيباً حقيقياً هو أمر طبيعي لأنه يشبه الصورة الوحيدة التي حفظها.

الحل: بناء "مكتبة مفاهيم"

قرر مؤلفو ConceptADapt التوقف عن محاولة حفظ الصور والبدء في تعلم المفاهيم.

فكر في المفهوم مثل قطعة "ليغو". أنت لا تحتاج إلى صورة لكل منزل ممكن لتعرف ما هو المنزل؛ تحتاج فقط إلى معرفة شكل "الجدار" و"السقف" و"النافذة". في هذه الورقة، يتعلم النموذج مسبقاً مجموعة من "المفاهيم الطبيعية" الثابتة من الصور القليلة المتاحة. هذه ليست مجرد نسخ ضبابية من الصور؛ بل هي ملخصات مجردة للميزات التي تجعل المنتج طبيعياً.

وللتأكد من أن الروبوت لا يعتمد على الاختصارات ويحاول استخدام كل المفاهيم لكل جزء من الصورة (مما يؤدي إلى مشكلة الاختصار)، يستخدمون آلية الانتباه الديناميكي. تخيل كشافاً ضوئياً في غرفة مظلمة. عندما ينظر الروبوت إلى جزء من الصورة، يسلط الكشاف الضوء فقط على "لبنات المفاهيم" المحددة ذات الصلة في تلك اللحظة. إذا كان الروبوت ينظر إلى سطح معدني ناعم، فإن الكشاف يتجاهل مفهوم "الملمس الخشن". هذا التركيز "المتفرق" يجبر النموذج على أن يكون دقيقاً ويمنعه من الاعتماد على الاختصارات عبر حفظ الصورة بأكملها.

الخدعة السحرية: "التكيف السريع" باستخدام LoRA

بمجرد أن يتعلم النموذج هذه المفاهيم، يواجه تحدياً جديداً: كيف يستخدمها على منتج جديد دون أن ينسى ما تعلمه أو يرتبك؟

عادةً، عندما تحاول تعليم نموذج شيئاً جديداً، عليك إعادة تدريبه بالكامل، وهو أمر بطيء ومخاطرة. يستخدم ConceptADapt اختصاراً ذكياً يسمى LoRA (التكيف منخفض الرتبة). تخيل أن النموذج عبارة عن مكتبة ضخمة وثقيلة من الكتب (المفاهيم). عندما يصل منتج جديد، بدلاً من إعادة كتابة جميع الكتب، يضيف النموذج فقط "ملحوظة لاصقة" صغيرة وخفيفة الوزن إلى الصفحة الأخيرة من الكتاب. تعدل هذه الملحوظة المعلومات بما يكفي لتناسب المنتج الجديد، لكن المكتبة الأساسية تظل دون مساس.

يحدث هذا في وقت "الاستدلال" (عندما يقوم الروبوت بعملية الفحص فعلياً). يقوم النموذج بتجميد المفاهيم التي تعلمها ويقوم فقط بتحديث هذه الطبقة الصغيرة والخفيفة. وهذا يسمح له بالتكيف فوراً مع المنتجات الجديدة دون خطر "انزياح النموذج الأصلي" (Prototype Shift)، وهي طريقة فنية للقول بأن النموذج لا ينسى بالخطأ كيف يبدو الشيء "الطبيعي" أثناء محاولته تعلم الشيء الجديد.

كيف اختبروه

اختبر الفريق فكرتهم على ثلاث مجموعات بيانات صناعية شهيرة:

1. MVTec-AD: مجموعة من 15 كائناً وقواماً مختلفاً، مثل الكابلات والسجاد والزجاجات.
2. VisA: صور عالية الدقة تحتوي على عيوب معقدة وصعبة للغاية.
3. MPDD: أجزاء معدنية بها الكثير من الاختلافات الهيكلية.

لقد وضعوا تحدي "الأمثلة القليلة" حيث لم يرَ النموذج سوى صورة أو اثنتين أو أربع صور لمنتج مثالي قبل أن يضطر لفحص البقية. وقارنوا طريقتهم مع النماذج الرائدة حالياً (SOTA).

النتائج: رصد غير المرئي

كانت النتائج مبهرة. في إعداد الـ 1-shot (حيث رأى النموذج صورة مثالية واحدة فقط)، تفوق ConceptADapt باستمرار على الطرق الأخرى.

• في مجموعة بيانات MVTec-AD، حقق دقة على مستوى الصورة (AUROC) بلغت 97.4% في حالة الـ 1-shot، متفوقاً على أفضل نتيجة سابقة بلغت 96.4%.
• في مجموعة بيانات VisA الصعبة، وصل إلى دقة 92.8% في حالة الـ 1-shot، مقارنة بـ 82.2% لأفضل طريقة تالية.

تشير الورقة إلى أن النموذج جيد بشكل خاص في "التحديد الموضعي" (Localization)، مما يعني أنه لا يكتفي بالقول "هذا مكسور"، بل يمكنه رسم مربع حول مكان الخدش بالضبط. في مجموعة بيانات VisA، حسنت طريقتهم درجة "تداخل المنطقة لكل منطقة" (PRO) من 89.0% إلى 94.5% مقارنة بمنافس قوي، مما يعني أنها وجدت مساحة أكبر من المنطقة المعيبة الفعلية.

لماذا هذا مهم

يجادل المؤلفون بأن نهجهم يحل مشكلتين رئيسيتين في الفحص الصناعي:

1. مشكلة الاختصار: من خلال استخدام الانتباه المتفرق والمفاهيم، يتعلم النموذج جوهر "الطبيعي" بدلاً من حفظ البكسلات، مما يجعل من الصعب الاعتماد على الاختصارات.
2. مشكلة التكيف: من خلال تجميد المفاهيم وتحديث طبقة صغيرة فقط (LoRA)، يمكن للنموذج التكيف مع المنتجات الجديدة بسرعة دون فقدان ذاكرته لما يبدو عليه الشيء "الطبيعي".

تخلص الورقة إلى أن هذا النهج "الموجه بالمفاهيم" يوفر طريقة مستقرة ومرنة للتعامل مع الفحص الصناعي عندما تكون البيانات شحيحة. وهي تشير إلى أنه بدلاً من محاولة تغذية الكمبيوتر بمزيد ومزيد من البيانات، يجب علينا تعليمه فهم اللبنات الأساسية لما يجب أن يكون عليه المنتج. وبينما لا تدعي الورقة أنها تحل كل المشاكل في العالم، فإن التجار تجري أن هذا الأسلوب، بالنسبة لمهمة محددة مثل العثور على العيوب باستخدام أمثلة قليلة جداً، يمثل خطوة كبيرة للأمام.