في عالم الصناعة الحديث، يُعد رصد الانحرافات والتأكد من جودة المنتجات جزءًا أساسيًا من ضمان الكفاءة والأمان. ومن هنا، تظهر أهمية تقنيات الذكاء الاصطناعي والتعلم الآلي في الكشف عن العيوب. لكن، ماذا عن القفزة النوعية التي تأتي بها مقاربة Mahalanobis PatchCore؟

تعتمد معظم تقنيات رصد الانحرافات على مبدأ يعتمد على فئة واحدة، حيث تعتبر الصور الطبيعية متاحة بكثرة، بينما تُعد العيوب نادرة. ومقاربة PatchCore الأصلية تعتمد على تخزين مكونات صورة طبيعية من قاعدة بيانات لتقييم الصور الاختبارية. ولكن، كانت تواجه تحديات في بلوغ الدقة بسبب تجاهلها العلاقات بين الخصائص (features).

تدخل Mahalanobis PatchCore في الصورة، حيث تُعزز هذه التقنية الجديدة القدرة على رصد الانحرافات عبر نماذج التغاير (covariance models). تقوم بتقدير النموذج التغايري في فضاء الميزات (feature space) المنقوص، مما يمكنها من إجراء عمليات بحث عن الجيران الأقرب (nearest-neighbor search) بدقة أكبر بعد إجراء تغييرات على البيانات.

ومن خلال استخدام خوارزمية قائمة على الذاكرة المحدودة (bounded-memory)، يمكن لمقاربة Mahalanobis PatchCore بناء بنك ذكري دون الحاجة لتخزين جميع الصور الطبيعية في آن واحد، مما يسهم في تقليل استهلاك الذاكرة من 5.41 إلى 2.78 جيجابايت.

تم اختبار هذه المقاربة على مجموعة بيانات صناعية متنوعة تتضمن فحص نوعين من الأدوية والمزيد، حيث أظهرت أداءً استثنائيًا من خلال تحسين مساحة مجموعة البيانات المطلوبة وتقديم دقة أعلى في النتائج المرجوة.

ما رأيكم في تأثير الذكاء الاصطناعي على جودة المنتجات الصناعية؟ شاركونا أفكاركم وتجاربكم في التعليقات.