← أحدث الأبحاث
🤖 AI

FloodReasonBench: Benchmarking VLM Reasoning Segmentation for Embodied Flood Response at the Edge

تقدم هذه الورقة FloodReasonBench، وهو معيار ومجموعة بيانات متخصصة مصممة لتقييم الدقة، وزمن الاستجابة، وكفاءة الطاقة، ومقايضات الاتصال لتقسيم الاستدلال لنماذج الرؤية واللغة في أنظمة الاستجابة للفيضانات المتجسدة التي تعمل تحت قيود الموارد عند الحافة.

المؤلفون الأصليون: Rajat Bhattacharjya, Yoomee Jung, Minwoo Kim, Sing-Yao Wu, Eli Bozorgzadeh, Nalini Venkatasubramanian, Nikil Dutt

نُشر 2026-08-18
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Rajat Bhattacharjya, Yoomee Jung, Minwoo Kim, Sing-Yao Wu, Eli Bozorgzadeh, Nalini Venkatasubramanian, Nikil Dutt

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

عندما تضرب الفيضانات، قد تختفي الأرض من تحت أقدام فرق الإنقاذ، وقد يمتلئ الهواء فوقها بالحطام. في هذه اللحظات، غالبًا ما تكون العيون البشرية وأجهزة اللاسلكي غير كافية. لذا، تلجأ فرق الإنقاض بشكل متزايد إلى الآلات — الطائات بدون طيار (الدرونز) والروبوتات — التي يمكنها الطيران أو القيادة إلى مناطق الخطر لرؤية ما لا يستطيع البشر رؤيته. ولكن لكي تكون هذه الآلات مفيدة حقًا، يجب أن تفعل أكثر من مجرد التقاط الصور؛ بل يجب أن تفهم طلبًا منطوقًا بسيطًا، مثل "ابحث عن الشخص العالق فوق السطح" أو "حدد موقع السيارة شبه المغمورة في الماء"، ثم تشير بإصبع رقمي بدقة إلى ذلك المكان في الصورة. إن القدرة على ربط كلمات البشر بجزء محدد من مشهد بصري هي عمل نوع جديد من الذكاء الاصطناعي. ومع ذلك، فإن هذه الآلات الذكية تتطلب عادةً أجهزة كمبيوتر ضخمة للتشغيل، والطائرة بدون طيار التي تحلق فوق منطقة كارثة لا يمكنها حمل حاسوب خارق؛ إذ يجب أن تعمل بطاقة بطارية محدودة واتصال ضعيف بالإنترنت، مما يفرض خيارًا صعبًا بين مدى ذكاء الآلة وسرعة أدائها.

قام باحثون من جامعة كاليفورنيا، إيرفاين، وجامعة كوكمين، بابتكار طريقة جديدة لاختبار وتحسين هذه الآلات خصيصًا لعمليات إنقاذ الفيضانات. لقد بنوا معيارًا متخصصًا يسمى FloodReasonBench، والذي يعمل كأرض تدريب صارمة للذكاء الاصطناعي المصمم للعمل على حافة مناطق الكوارث. ولتحقيق ذلك، كان عليهم أولاً تعليم الآلات كيف تبدو الفيضانات؛ فنماذج الذكاء الاصطناعي القياسية يتم تدريبها على صور عامة للمدن والمنتزهات، وهي صور لا تهيئها للواقع الموحل والفوضوي للفيضانات. أنشأ الفريق مجموعة بيانات جديدة تسمى FloodResponseSeg، تحتوي على صور حقيقية لمناطق مغمورة بالمياه، إلى جانب أسئلة باللغة الطبيعية قد يطرحها المنقذ، والخطوط العريضة الدقيقة للأشياء التي يحتاج الذكاء الاصطناعي للعثور عليها. ووجدوا أنه بدون هذا التدريب المحدد، واجه الذكاء الاصطناعي صعوبة، حيث حدد حوالي 72 بالمائة فقط من الأهداف المطلوبة بشكل صحيح. ولكن بمجرد ضبط النموذج بدقة باستخدام بياناتهم الخاصة بالفيضانات، قفزت دقة النتائج إلى أكثر من 84 بالمائة، مما أثبت أن الآلة كانت بحاجة لتعلم لغة الفيضانات، وليس مجرد لغة الرؤية العامة.

كان التحدي التالي هو وضع هذا النظام الذكي داخل طائرة بدون طيار صغيرة. إن أقوى نماذج الذكاء الاصطناعي ثقيلة جدًا بحيث لا تستطيع الطائرة بدون طيار حملها وتشغيلها باستقلالية عبر بطاريتها. اختبر الباحثون نسخة أخف من الذكاء الاصطناعي يمكنها العمل على الطائرة نفسها، لكنهم استكشفوا أيضًا حلاً وسطًا ذكيًا يسمى "الحوسبة المنقسمة" (split computing). تخيل سباق تتابع حيث يركض الجزء الأول من المسار بواسطة الطائرة، ثم تمر بالهراوة (العصا) إلى كمبيوتر قوي ينتظر على الأرض لينهي السباق. في هذا النظام، تعالج الطائرة الجزء الأول من تحليل الصورة، وتضغط النتيجة في حزمة بيانات صغيرة، وترسلها إلى خادم بعيد. يقوم الخادم بإكمال عملية التفكير ويرسل الإجابة مرة أخرى. اختبر الفريق العديد من النقاط المختلفة التي يمكن أن يحدث عندها هذا التسليم، متفحصين مقدار العمل الذي يجب أن تقوم به الطائرة مقابل ما يجب أن يقوم به الخادم البعيد.

ما اكتشفوه كان مفاجئًا. في الحالات العامة غير المتعلقة بالفيضانات، كان تغيير نقطة التسليم ولو قليلاً يغير دقة النتائج بشكل كبير، مثل تغيير ترس في سيارة وفقدان القوة فجأة. ولكن في بيئة الفيضانات المحددة، كان النظام أكثر استقرارًا؛ فبغض النظر عن المكان الذي اختاروا فيه تقسيم العمل بين الطائرة والخادم البعيد، ظلت الدقة مرتفعة باستمرار، وتحوم في نطاق ضيق. هذا الاستقرار هو هدية للمهندسين؛ فهو يعني أنهم ليس عليهم التضحية بجودة مهمة الإنقاذ لتوفير البطارية أو تسريع الاستجة، بل يمكنهم اختيار نقطة التقسيم التي تستخدم أقل قدر من الطاقة أو ترسل أقل كمية من البيانات، مع العلم أن الذكاء الاصطناعي سيظل يجد الأشخاص والمركبات التي يحتاجون لإنقاذها.

اختبر الباحثون هذه الأفكار على كمبيوتر مدمج حقيقي، وهو NVIDIA Jetson AGX Xavier، وهو نوع من الرقائق الموجودة في الطائرات المسيرة ذاتية القيادة الحديثة. وقاسوا الوقت الذي استغرقه معالجة صورة، وكمية الطاقة التي استهلكتها، وحجم حزمة البيانات التي توجب إرسالها عبر الشبكة. ووجدوا أنه من خلال اختيار نقطة التقسيم الصحيحة، يمكن للطائرة بدون طيار تقليل استهلاك الطاقة بأكثر من النصف وتقليل الوقت اللازم للحصول على إجابة بمقدار النصف، كل ذلك مع الحفاظ على مستوى دقة مماثل تقريبًا لأكثر الإعدادات قوة. يوفر هذا العمل خريطة طريق واضحة للمهندسين الذين يبنون روبوتات الإنقاذ؛ فهو يوضح أنه من خلال تدريب الذكاء الاصطناعي خصيصًا للكارثة التي سيواجهها، ومن خلال الموازنة الدقيقة بين العمل بين الروبوت والسحابة، يمكننا إنشاء أنظمة تكون ذكية بما يكفي لفهم الأزمة وخفيفة بما يكفي للطيران داخلها.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →