AI-generated seed images do not outperform matched reuse of scarce real defect images in seed quality assessment

في عالم الزراعة، تُعد رحلة البذرة من الحقل إلى رف المتجر سباقاً ضد العيوب. يعتمد المزارعون والمعالجون على كاميرات عالية السرعة وأنظمة مؤتمتة لفرز البذور، وفصل السليمة والمنتفخة منها عن تلك المكسورة أو غير الناضجة أو المنقطة بالأمراض. هذه العيوب البصرية تهم بعمق؛ فالبذرة المكسورة قد لا تنبت، والبذرة المصابة قد تنشر العدوى عبر صومعة التخزين. ولتعليم الكمبيوتر كيفية رصد هذه العيوب، يحتاج المهندسون إلى آلاف الأمثلة، حيث يغذون البرمجيات بصور للبذور المثالية وآلاف الصور للبذور التالفة. لكن الطبيعة لا تتعاون مع هذا الطلب على الحجم؛ فالبذور السليمة يسهل العثور عليها بأعداد هائلة، بينما أنواع الأضرار المحددة التي تهم أكثر من غيرها — مثل الشق النادر أو نوع معين من العفن — غالباً ما تكون نادرة. قد يمتلك الباحث عشرة آلاف صورة لفول صويا جيد، ولكن حفنة فقط من الصور التي تظهر عيباً معيناً ونادراً. هذا النقص في البيانات يجعل من الصعب تدريب الكمبيوتر على التعرف على المشكلة التي يُفترض به حلها.

ولمعالجة هذا النقص، لجأ العلماء إلى الذكاء الاصطناعي لإنشاء صور مزيفة. فباستخدام نماذج حاسوبية قوية، يمكنهم توليد صور جديدة للبذور التالفة تبدو حقيقية، آملين في ملء الفجوات في بيانات التدريب الخاصة بهم. الفكرة بسيطة: إذا لم تتمكن من العثور على عدد كافٍ من البذور المكسورة الحقيقية، فاصنع المزيد منها. وقد أصبح هذا النهج شائعاً، حيث تدعي دراسات عديدة أن إضافة هذه الصور الاصطناعية تساعد الحواسيب على التعلم بشكل أفضل. ومع ذلك، تشير دراسة جديدة من باحثين في جامعة ميزوري وشركة "أمار بيوتيك إنديا" (Amar Biotech India) إلى أن القصة أكثر تعقيداً. فقد طرحوا سؤالاً أكثر دقة مما طرحه الآخرون من قبل: هل تحسن الكمبيوتر لأنه تعلم من الصور الجديدة المزيفة، أم أنه تحسن ببساطة لأنه رأى الصور الحقيقية القليلة التي كانت لديه بالفعل لمرات أكثر؟

قام الباحثون بإجراء تجربة دقيقة باستخدام بذور فول الصويا، مع التركيز على أربعة أنواع من العيوب النادرة: البذور المكسورة، وغير الناضجة، والبذور ذات القشور التالفة، والبذور المنقطة. بدأوا بإنشاء سيناريو صعب حيث يمتلك الكمبيوتر أمثلة قليلة جداً من كل عيب، محاكيين بذلك مشكلة ندرة البيانات في العالم الحقيقي. واختبروا أربعة مستويات مختلفة من الندرة، حيث أعطوا الكمبيوتر ما بين عشرين وخمسمائة صورة حقيقية فقط لكل نوع من أنواع العيوب. في الجزء الأول من الاختبار، أضافوا مئات الصور المولدة بالذكاء الاصطناعي إلى مجموعة التدريب. وكما كان متوقعاً، تحسن أداء الكمبيوتر بشكل كبير. فعندما كان الكمبيوتر يمتلك عشرين وخمسين صورة حقيقية فقط للبدء، أدت إضافة الصور المزيفة إلى تعزيز قدرته على تحديد العيوب بأكثر من خمسين نقطة مئوية. وقد أكد هذا الاعتقاد المعتاد بأن البيانات الاصطناعية تساعد.

لكن الباحثين لم يتوقفوا عند هذا الحد. فقد أرادوا معرفة ما إذا كان التحسن ناتجاً عن "محتوى" الصور المزيفة أم مجرد "كمية" البيانات. ولمعرفة ذلك، أجروا اختباراً ثانياً موازياً. في هذه النسخة، لم يضيفوا أي صور جديدة، بل أخذوا نفس العدد الصغير من صور العيوب الحقيقية التي لديهم وعرضوها على الكمبيوتر مرات أكثر، مما أدى فعلياً إلى تكرار نفس الأمثلة القليلة حتى تطابق إجمالي عدد صور التدريب مع حجم المجموعة التي تلقت الصور المزيفة. كان هذا مقارنة عادلة: كلا المجموعتين شاهدتا نفس عدد الصور، لكن إحدى المجموعتين رأت صوراً جديدة مولدة، بينما رأت الأخرى الصور الحقيقية نفسها مراراً وتكراراً.

كانت النتيجة مفاجئة. فالمجموعة التي رأت الصور الحقيقية المكررة فقط حققت أداءً يضاهي، أو حتى يتفوق على، المجموعة التي رأت الصور المولدة بالذكاء الاصطناعي. في الواقع، عندما قاس الباحثون الفائدة المحددة للصور المزيفة عن طريق طرح أداء مجموعة الصور الحقيقية المكررة من مجموعة الصور المزيفة، كانت النتيجة سلبية. لم تضف الصور المولدة بالذكاء الاصطناعي أي قيمة إضافية. وفي الحالة الأكثر تطرفاً، حيث بدأ الكمبيوتر بعشرين وخمسين صورة حقيقية فقط، كان أداء الصور المزيفة أسوأ بنسبة ثماني نقاط مئوية من مجرد إعادة استخدام الصور الحقيقية. إن التحسن الذي شوهد في الاختبار الأول لم يكن لأن الذكاء الاصطناعي اخترع أمثلة جديدة ومفيدة للتلف، بل لأن الكمبيوتر تعرض ببساطة لفئات العيوب النادرة بشكل أكثر تكراراً.

وللتأكد من أن هذا لم يكن مجرد مصادفة، جرب الباحثون عدة حيل أخرى. فقد اختبروا أنواعاً مختلفة من أنظمة الرؤية الحاسوبية، بدءاً من الشبكات البسيطة وصولاً إلى البنى الأكثر تعقيداً وحداثة. وفي كل حالة، ظل النمط ثابتاً: مجرد عرض العيوب الحقيقية على الكمبيوتر بشكل متكرر أكثر كان يعمل بشكل أفضل من تغذيته ببيانات اصطناعية. حتى أنهم أجروا "اختبار ضغط" حيث أضافوا صوراً مزيفة بتصنيفات خاطئة تماماً — كأن يخبروا الكمبيوتر أن بذرة مكسورة هي في الواقع بذرة منقطة. وحتى مع هذه المعلومات المضللة والمربكة، تحسن أداء الكمبيوتر عندما كانت البيانات نادرة. أثبت هذا أن الكمبيوتر كان يائساً جداً للحصول على البيانات لدرجة أنه تحسن بمجرد رؤية المزيد من صفوف البيانات، حتى لو كانت بعض تلك البيانات مضللة. لقد جاء الربح الحقيقي من موازنة مجموعة التدريب، وليس من جودة الصور الجديدة.

كما بحثت الدراسة فيما إذا كان تصفية الصور المزيفة يمكن أن ينقذ الموقف. فربما كان الذكاء الاصطناعي يولد الكثير من الصور رديئة الجودة، وإذا تم تنظيفها، فقد تساعد. جرب الباحثون طرقاً مختلفة لاختيار أفضل البذور المزيفة، ولكن حتى بعد التصفية، فشلت الصور الاصطناعية في التفوق على الاستراتيجية البسيطة المتمثلة في إعادة استخدام الصور الحقيقية. كما كرروا التجربة بأكملها بمحصول آخر، وهو الذرة، حيث وصفت الملصقات أصنافاً مختلفة بدلاً من العيوب. وكانت النتيجة هي نفسها؛ فقد اختفت ميزة البيانات الاصطناعية عندما تحكم الباحثون في مدى تكرار ظهور الفئات النادرة للكمبيوتر.

إن الخلاصة ليست أن الذكاء الاصطناعي لا يمكنه المساعدة في الزراعة، بل أن دوره يحتاج إلى فهم أكثر وضوحاً. تُظهر الدراسة أنه عندما تكون البيانات نادرة، فإن المشكلة الكبرى غالباً لا تكمن في نقص تنوع الصور، بل في نقص التعرض للفئات النادرة. يتعلم الكمبيوتر التعرف على البذرة المكسورة ليس لأنه رأى مليون نسخة مختلفة من الشق، بل لأنه رأى الشقوق الحقيقية القليلة مرات كافية لفهم شكلها. وعندما يدعي الباحثون أن الصور الاصطناعية قد أضافت معلومات بيولوجية جديدة أو استعادت تباينات مفقودة، تشير هذه الدراسة إلى أنهم قد يكونون مخطئين. إن التحسن يأتي من فعل إعادة موازنة البيانات، وليس من توليد محتوى جديد. وبالنسبة للعلماء والمهندسين الذين يبنون هذه الأنظمة، فإن الدرس هو ضرورة الحذر بشأن ما يعزونه إلى الذكاء الاصطناعي. فقبل الاحتفال بقوة البيانات الاصطناعية، يجب عليهم أولاً التحقق مما إذا كان مجرد عرض الأمثلة الحقيقية النادرة على الكمبيوتر بشكل أكثر تكراراً سيؤدي المهمة بنفس الكفاءة.