تعتبر مراقبة الشذوذات الصناعية أحد التحديات الأساسية التي تواجه أنظمة الإنتاج الحديثة، حيث تزايدت أهمية هذا المجال مع تطور المستشعرات الصناعية المتنوعة. بينما تم تقليديًا الاعتماد على طرق مركزية تعتمد على بيانات أحادية، أصبح هناك توجه متزايد نحو تطوير استراتيجيات تتعامل مع البيانات المتعددة الأنماط (Multimodal) التي يتم توليدها باستمرار في البيئة الصناعية.

في ظل ظهور مفاهيم الذكاء على حواف الشبكات (Edge Intelligence)، أصبحت الأجهزة كذلك مؤهلة ليس فقط لجمع البيانات بل أيضًا لتدريب النماذج بشكل موزع، مما يتيح التعاون الذكي بين النظام بشكل كامل.

استجابة لهذه التحديات، تم تقديم الإطار العصري المعروف باسم كشف الشذوذات الصناعية الموزعة عبر الأجهزة المتعددة (MODIAD). يركز هذا الإطار على تطوير عملية متكاملة تتضمن صياغة مشكلة الجدولة الذكية متعددة الفئات (Multi-class Intelligent Scheduling) التي تنظم تحديثات النماذج عبر الفئات المختلفة لتوازن بين كفاية البيانات وتكرار تحديث الفئات.

للبحث عن الحلول الفعالة، أُطلقت خوارزمية جديدة تُعرف بخوارزمية كسب هامشي تسلسلي (Sequential Marginal Gain Greedy - SMG) التي تدعم التدريب المتعدد الفئات بكفاءة تحت قيود الموارد.

علاوة على ذلك، تم تقديم استراتيجية تعديل منخفض التصنيف ذكية (Resource Efficient Class-Wise Low Rank Adaptation - REC-LoRA) التي تهدف إلى تحسين الكفاءة الحاسوبية والاتصالية أثناء عملية التدريب، مما يساهم في تقليل الحمل على النظام مع الحفاظ على أداء الكشف.

تبين نتائج التجارب الواسعة التي أجريت على مجموعتي بيانات م代表تين من كشف الشذوذات الصناعية، MVTec 3D-AD وEyecandies، أن الطريقة الجديدة تقدم أداءً فائقًا وكفاءة ملحوظة في سيناريو MODIAD. هذا التقدم يعزز من فرص استخدام تقنيات الذكاء الاصطناعي في مجالات الإنتاج الحديثة ويعد خطوة نحو مستقبل أكثر أمانًا وفعالية.