في ظل انتشار البيانات الضخمة، يبقى تحدي اكتشاف الشذوذ الصناعي من أكبر العقبات التي تواجه الباحثين والممارسين في هذا المجال. فقد كشفت الأبحاث الحديثة عن أداة مبتكرة تُدعى AnomalyAgent، والتي تُعتبر ثورة في عمليات توليد الشذوذ الصناعي.

يعتمد AnomalyAgent على التعلم المعزز (Reinforcement Learning) فضلاً عن آليات التعلم الذاتي والتفكير الذاتي، مما يجعلها قادرة على توليد شذوذات واقعية ومتنوعة بشكل يفوق الطرق التقليدية. وتهدف هذه الأداة إلى معالجة مشكلة ندرة البيانات من خلال توليد عينات شذوذ ذات واقع دلالي عالٍ، حيث تُجري تحسينات متكررة على النماذج للوصول إلى نتائج دقيقة.

تم تزويد AnomalyAgent بخمسة أدوات متميزة تشمل: توليد المطالبات (Prompt Generation)، توليد الصور (Image Generation)، تقييم الجودة (Quality Evaluation)، استرجاع المعرفة (Knowledge Retrieval)، وتوليد القناع (Mask Generation). هذه الأدوات تتيح لها إجراء تحسينات مغلقة الحلقة، ما يعزز من قدرة الأداة على اتخاذ القرارات والتكيف.

علاوة على ذلك، تم تصميم إطار تدريب من مرحلتين يتضمن التدريب الخاضع للإشراف يليه التعلم المعزز، مما يسهم في تحسين القدرة على توليد الشذوذ. يعمل نظام AnomalyAgent وفقاً لآلية مكافآت تتكون من ثلاثة أجزاء: مكافآت مهام تراقب جودة الشذوذ التي يتم توليدها، مكافآت تأملية لتحسين اقتراحات توليد الشذوذ، ومكافآت سلوكية تضمن اتباع المسارات الهيكلية المحددة.

على مجموعة بيانات MVTec-AD، حقق AnomalyAgent نتائج مذهلة حيث سجل IS/IC-L قيمتين تبلغان 2.10/0.33 لتوليد الشذوذ. كما استطاع نظام التصنيف تحقيق دقة بلغت 57.0% باستخدام ResNet34، مع أداء تفوق على جميع الطرق التقليدية الأخرى.

لمزيد من التفاصيل، يمكن الاطلاع على الكود المتاح للجمهور عبر GitHub. هل تتوقع أن تُحدث هذه الأداة ثورة في كيفية معالجة الشذوذ الصناعي؟ شاركونا آراءكم في التعليقات!