JarifNet: An Attention-Augmented Lightweight CNN for Highly Calibrated Edge Image Classification

في عالم التكنولوجيا الحديثة، هناك صراع مستمر بين الذكاء والكفاءة. لقد أصبحت الحواسيب بارعة للغاية في التعرف على الأنماط، مثل تحديد قطة في صورة فوتوغرافية أو رصد عيب في خط إنتاج مصنع، ولكن هذا الذكاء غالباً ما يأتي بثمن باهظ: كميات هائلة من الطاقة والذاكرة. لتشغيل هذه الأنظمة الذكية، يحتاج المهندسون عادةً إلى خوادم قوية ومكلفة تستهلك كميات كبيرة من الكهرباء. ومع ذلك، فإن مستقبل التكنولوجيا يكمن في وضع هذا الذكاء مباشرة في أجهزة صغيرة تعمل بالبطارية، مثل الهواتف الذكية، أو المستشعرات الطبية، أو الطائات بدون طيار (الدرونز) ذاتية القيادة. هذه الأجهزة، المعروفة باسم "أجهزة الحافة" (edge devices)، لديها قدرات محدودة جداً من الطاقة ولا يمكنها حمل الثقل الحسابي الكبير للأنظمة التقليدية فائقة الذكاء. ويتمثل التحدي الذي يواجه الباحثين في بناء "عقل" لهذه الآلات الصغيرة يكون ذكياً بما يكفي لاتخاذ قرارات دقيقة، وخفيفاً بما يكفي ليعمل دون استنزاف البطارية أو ارتفاع درجة حرارتها.

ولحل هذه المشكلة، صمم العلماء أنواعاً خاصة من البرامج الحاسوبية تسمى "الشبكات العصبية الالتفافية" (convolutional neural networks). صُممت هذه الشبكات لمحاكاة كيفية معالجة العين البشرية للمعلومات البصرية، حيث تقوم بمسح الصورة قطعة بقطعة لبناء صورة كاملة. وعلى مر السنين، ابتكر الباحثون نسخاً أخف من هذه الشبكات عن طريق إزالة الأجزاء غير الضرورية، تماماً مثل تجريد السيارة من مكوناتها لتصبح أسرع. ومع ذلك، فإن جعل الشبكة صغيرة جداً غالباً ما يجعلها أقل دقة، مما يؤدي إلى الخلط بين الأشياء المتشابهة، مثل الخلط بين كلب وقطة. علاوة على ذلك، حتى عندما تخمن هذه الشبكات الصغيرة بشكل صحيح، فإنها غالون ما تعاني في معرفة مدى تأكدها من إجابتها، حيث تتصرف أحياناً بثقة وهي في الواقع مخطئة. وهذا النقص في الموثوقية يجعلها محفوفة بالمخاطر في المهام الحرجة للسلامة حيث يمكن أن تكون التخمينات الخاطئة ذات عواقب وخيمة.

اقترح باحث يدعى صادق الجريف حلاً جديداً لهذه المشكلة يسمى "جريف نت" (JarifNet). وهو نظام رؤية حاسوبية مدمج وعالي الكفاءة مصمم خصيصاً للعمل على الأجهزة الصغيرة مع الحفاظ على دقة عالية، والأهم من ذلك، معرفة مدى ثقته في تنبؤاته. يجمع التصميم بين فكرتين مثبتتين: هيكل انسيابي يعالج الصور بكفاءة، وآلية "انتباه" (attention mechanism) خاصة تساعد النظام على التركيز على التفاصيل الأكثر أهمية مع تجاهل الضوضاء في الخلفية. كما أضاف الباحث تقنية تقوم بتخطي أجزاء من الشبكة عشوائياً أثناء التدريب، مما يجبر النظام على تعلم سمات أكثر قوة بدلاً من مجرد حفظ بيانات التدريب. ومن خلال اختبار هذا التصميم الجديد مقابل خمسة أنظمة أخرى معروفة باستخدام مجموعة معيارية مكونة من عشرة آلاف صورة صغيرة، هدفت الدراسة إلى معرفة ما إذا كان بإمكانه التفوق على النماذج الحالية في كل من السرعة والموثوقية.

تظهر نتائج الدراسة أن "جريف نت" نجح في الموازنة بين هذه الاحتياجات المتضاربة. فعند اختباره على مجموعة الصور المعيارية، حدد النظام الأشياء بشكل صحيح في 92.27 بالمائة من الحالات. وهذا الأداء يكاد يكون متطابقاً مع أفضل النماذج خفيفة الوزن المتاحة حالياً، مثل "موبايل نت V2" (MobileNetV2)، الذي حقق دقة بلغت 92.23 بالمائى. ومع ذلك، يتميز "جريف نت" في كيفية تعامله مع عدم اليقين. في عالم تعلم الآلة، يُعتبر النموذج "معايراً" (calibrated) إذا كانت درجة ثقته تتوافق مع احتمالية كونه على حق. على سبيل المثال، إذا قال النموذج إنه واثق بنسبة 90 بالمائة من إجابة ما، فيجب أن يكون صحيحاً بنسبة 90 بالمائة من الوقت. وقد أظهر "جريف نت" معايرة فائقة، حيث حقق درجة 0.9743 في مقياس يقيس مدى جودة ترتيب النظام لإجاباته الصحيحة مقابل الإجابات الخاطئة. وكانت هذه الدرجة أعلى من أي من النماذج الخمسة الأخرى التي تم اختبارها، بما في ذلك نموذج "VGG16" الثقيل والمعقد، مما يشير إلى أن "جريف نت" ليس مجرد نموذج يخمن بشكل صحيح، بل هو أيضاً موثوق في مستويات ثقته.

كما بحثت الدراسة في كيفية أداء النظام في العالم الحقيقي، وتحديداً على الأجهزة الموجودة في مراكز البيانات الحديثة والحواسيب القياسية. ففي بطاقة رسوميات عالية الأداء، عالج "جريف نت" صورة واحدة في 8.11 مللي ثانية، وهو ما يكفي للتطبيقات التي تعمل في الوقت الفعلي. وعلى معالج حاسوب قياسي بدون بطاقة رسوميات، استغرق 13.52 مللي ثانية. ورغم أن هذا أبطأ قليلاً من النماذج الأكثر بساطة، إلا أنه أسرع بكثير من النماذج الكبيرة غير المضغوطة مثل "VGG16"، الذي استغرق 18.37 مللي ثانية على نفس المعالج. كما أن النظام مدمج بشكل ملحوظ، حيث يحتوي على حوالي 4.50 مليون إعداد قابل للضبط، تُعرف باسم "المعلمات" (parameters). وهذا الحجم الصغير يعني أن النموذج يتطلب ذاكرة قليلة جداً للتخزين، مما يجعله مثالياً للأجهزة ذات مساحات التخزين المحدودة.

وعلى الرغم من نجاحه، تسلط الدراسة الضوء على مجالات محددة لا يزال النظام يواجه فيها تحديات. فقد وجدت الدراسة أن "جريف نت"، مثل جميع النماذج الأخرى التي تم اختبارها، واجه صعوبة أكبر مع صور الحيوانات التي تبدو متشابهة جداً مع بعضها البعض، مثل القطط والكلاب. فقد حدد النظام القطط بشكل صحيح بنسبة 81.7 بالمائة والكلاب بنسبة 88.4 بالمائة، وهي نسبة أقل من أدائه في الأجسام المتميزة مثل الطائرات أو الشاحنات. وهذا يشير إلى أن الصعوبة لا تكمن في بنية النظام نفسه، بل في التشابه المتأصل في البيانات البصرية، وهي مشكلة تؤثر على جميع نماذج الرؤية الحاسوبية الحالية. ويشير الباحث إلى أنه بينما يعد "جريف نت" فعالاً للغاية، فإنه ليس النموذج الأسرع على الإطلاق؛ فالأنظمة الأبسط مثل "موبايل نت V1" (MobileNetV1) هي أسرع وتستخدم ذاكرة أقل، لكنها تضحي ببعض الدقة والموثوقية التي يوفرها "جريف نت".

تشير النتائج إلى أن الجمع بين هيكل انسيابي وآلية تساعد النظام على التركيز على السمات المهمة يخلق أداة قوية للحوسبة الطرفية (edge computing). ومن خلال دمج طريقة تعيد معايرة أهمية القنوات البصرية المختلفة مع تقنية تمنع النظام من الاعتماد المفرط على أنماط معينة، يحقق "جريف نت" مستوى من الأداء كان من الصعب تحقيقه سابقاً في مثل هذه الحزمة الصغيرة. وتخلص الدراسة إلى أن هذا النهج يقدم مساراً قابلاً للتطبيق لنشر أنظمة رؤية عالية الأداء وموثوقة على الأجهزة ذات الموارد المحدودة، بشراد أن يكون الزيادة الطفيفة في وقت المعالجة مقارنة بالنماذج الأبسط أمراً مقبولاً للتطبيق المستخدم. وسيتضمن العمل المستقبلي اختبار هذا التصميم على مجموعات أكبر وأكثر تعقيداً من الصور واستكشاف كيفية استخدامه لمهام تتجاوز مجرد التصنيف البسيط، مثل اكتشاف الأشياء في مشهد ما أو رسم خرائط للبيئة المحيطة.