تعلم الذكاء الاصطناعي للرافعات من البيانات الضخمة

الرافعة العاملة الواحدة تولد يوميًا عبر الاهتزاز والتيار ودرجة الحرارة والصور وغيرها من بيانات الاستشعار كمية أكبر بعدة مراتب من العينات الموسومة التي تتراكم لديها خلال عام كامل. لكن البيانات الموسومة القابلة للاستخدام الفعلي في تدريب الذكاء الاصطناعي قليلة جدًا — لتوسيم عبارة "هذا الاهتزاز في هذه اللحظة هو تآكل مبكر للمحمل"، يحتاج مهندس ذو خبرة إلى مراجعة شكل الموجة جزءًا بجزء، والعينات الحقيقية للأعطال نادرة للغاية.

فالسؤال الذي يطرح نفسه: هل تبقى هذه البيانات غير الموسومة في القرص الصلب دون فائدة؟

الجواب موجود، وهذا الاتجاه يسمى التعلم الذاتي الإشراف. فكرته غير بديهية إلى حد ما: لا نعطي النموذج إجابة قياسية، بل نجعله يطرح الأسئلة على نفسه ويصححها بنفسه، ليكتشف أولاً القوانين الأساسية في البيانات. في أبحاث كيلود للصناعات الثقيلة حول تطبيق الذكاء الاصطناعي في الرافعات، يُعتبر هذا الاتجاه مرشحًا مهمًا "لتقليل الاعتماد على التعليقات التوضيحية"، مع إدراك حدوده بوضوح — فهو يكمّل تعلم التمثيل في المرحلة الأمامية، وليس بديلاً عن اتخاذ القرار في المرحلة الخلفية.

ما الذي يتعلمه التعلم الذاتي الإشراف؟ وما الفرق بينه وبين التعلم الخاضع للإشراف وغير الخاضع للإشراف

وضع نماذج التعلم الثلاثة جنبًا إلى جنب يوضح الصورة أكثر. يعتمد التعلم الخاضع للإشراف على التعليقات التوضيحية البشرية، ويتعلم النموذج علاقة "من المدخلات إلى الإجابات"؛ أما التعلم غير الخاضع للإشراف فلا يحتاج إلى تعليقات توضيحية إطلاقًا، ولا يمكنه سوى القيام بالتجميع وتقليل الأبعاد لاكتشاف البنية؛ بينما يقع التعلم الذاتي الإشراف بينهما — لا يحتاج إلى تعليقات توضيحية بشرية، لكنه يستخرج تلقائيًا من داخل البيانات هدفًا تدريبيًا "يشبه التسمية الزائفة"، وهذا الهدف يسمى مهمة التدريب المسبق.

المفتاح في مهام التدريب المسبق هو أن "المهمة تُولَّد تلقائيًا". على سبيل المثال، تغطية جزء من صورة عشوائيًا وجعل النموذج يكملها — لا يحتاج النموذج إلى أي شخص يخبره بما هو ذلك الجزء، فالإجابة الصحيحة موجودة في الصورة الأصلية. نفس المنطق يُطبق على الرافعة: حذف بضع عشرات من المللي ثانية من منتصف إشارة الاهتزاز، وجعل النموذج يتنبأ بالجزء المحذوف، والإجابة موجودة في سياق الإشارة نفسها قبل وبعد.

الناتج المباشر للنموذج ليس استنتاجًا عن العطل، بل "تمثيل" — أي تحويل الإشارة الخام إلى مجموعة من متجهات الخصائص الأكثر إحكامًا والتي تعكس القوانين الأساسية بشكل أفضل. هذا التمثيل هو القيمة الحقيقية للتعلم الذاتي الإشراف: فهو لا يستهدف مهمة محددة، لكن يمكن مشاركته عبر مهام متعددة في المراحل النهائية. هذا هو الفرق الجوهري بينه وبين التعلم الخاضع للإشراف — التعلم الخاضع للإشراف يتعلم "كيفية الإجابة على سؤال معين"، بينما التعلم الذاتي الإشراف يتعلم "كيفية فهم البيانات نفسها".

نقطة قد تسبب لبسًا: غالبًا ما يُصنَّف التعلم الذاتي الإشراف ضمن الفئة الأوسع للتعلم غير الخاضع للإشراف، لأن كلاهما لا يحتاج إلى تعليقات توضيحية بشرية. لكن الفرق يكمن في الهدف: التجميع وتقليل الأبعاد في التعلم غير الخاضع للإشراف غالبًا ما يكون "موجهًا بالمهمة"، وينتهي بمجرد الحصول على نتيجة تجميع؛ بينما مهام التدريب المسبق في التعلم الذاتي الإشراف "موجهة بالتمثيل"، فتنتج تمثيلًا عامًا يُستخدم لاحقًا في مهام نهائية. جودة هذا التمثيل تُختبر في النهاية من خلال الضبط الدقيق بكمية صغيرة من البيانات الموسومة في المراحل النهائية.

ما أنواع مهام "التساؤل الذاتي" التي يمكن توليدها من بيانات الرافعات

التعلم الذاتي الإشراف ليس خوارزمية واحدة، بل فئة من الأفكار. عند تطبيقه على بيانات الاهتزاز والتيار والصور من الرافعات، يمكن تقسيم مهام التدريب المسبق القابلة للبناء إلى ثلاث عائلات رئيسية، ولكل عائلة شكل بيانات مناسب وقدرات تعلم مختلفة.

العائلة الأولى هي نمذجة الإخفاء، وفكرتها "احذف جزءًا واطلب التكميل". في الإشارات الزمنية، يتم حذف بضع عشرات من المللي ثانية من شكل موجة الاهتزاز ويُطلب من النموذج التنبؤ بها؛ وفي الصور، يتم تقسيم صورة الحمولة أو الحبل السلكي إلى قطع صغيرة وتغطية جزء منها عشوائيًا ليُعيد النموذج بناءها. هذه العائلة مناسبة لتعلم البنية المحلية والاعتماد على السياق في الإشارات، وهي الأكثر نقاشًا حاليًا في بيانات السلاسل الزمنية الصناعية.

العائلة الثانية هي التعلم المقارن، وفكرتها "قرّب المتشابهات وباعد بين المختلفات". لنفس الجهاز ونفس ظروف التشغيل، يتم أخذ نافذتين زمنيتين مختلفتين أو قناتين من مستشعرين مختلفين، ويُطلب من النموذج تعلم تمثيلات متشابهة؛ بينما يتم إبعاد بيانات ظروف التشغيل المختلفة عن بعضها. هذه العائلة مناسبة لتعلم "ما الذي تغير وما الذي لم يتغير"، ولها انسجام طبيعي مع اكتشاف الشذوذ.

العائلة الثالثة هي الترميز التنبؤي، وفكرتها "تنبؤ بالمستقبل من الماضي". يُطلب من النموذج مشاهدة الاهتزاز والتيار في الثواني القليلة الماضية للتنبؤ بالاتجاه في الفترة التالية. هذا هو نفس المنطق الأساسي في نماذج اللغة الكبيرة "التنبؤ بالكلمة التالية"، والتمثيل المتعلم يحمل بطبيعته معلومات التطور الديناميكي، وهو مناسب للمهام الاتجاهية مثل العمر المتبقي.

العائلات الثلاث ليست متنافية، ويمكن دمجها هندسيًا. الجدول التالي يعرض الاختلافات الرئيسية بينها جنبًا إلى جنب، لتسهيل الاختيار حسب شكل البيانات.

متى يستحق التعلم الذاتي الإشراف؟ احسب تكلفة التعليق وحجم البيانات أولاً

القيمة الأساسية للتعلم الذاتي الإشراف تقوم على شرطين: توفر بيانات غير موسومة بكميات كافية، وارتفاع تكلفة التعليق اليدوي. وهذان الشرطان غالباً ما ينطبقان على بيئة الرافعات؛ فمن ناحية، يتطلب GB/T 28264 — نظام مراقبة وإدارة السلامة لآلات الرفع جمعاً وتسجيلاً مستمراً لمختلف معاملات التشغيل، وهو ما يشكل بحد ذاته مخزوناً كبيراً من البيانات غير الموسومة. ومن ناحية أخرى، استثمرت منصة رؤية الذكاء الاصطناعي في الموقع موارد فعلية كبيرة في التعليق التوضيحي، حيث راكمت عشرات الآلاف من العينات الموسومة لتحسين دقة التعرف على العيوب.

لكن توفر الشروط لا يعني أن كل مشروع يجب أن يتبنى هذا النهج. لتحديد ما إذا كان مشروع معين يستحق إدخال التعلم الذاتي الإشراف، يُنصح باحتساب ثلاثة أمور:

الأول: حساب البيانات. هل تمتلك مصدر بيانات مستمر وعالي الجودة وغير موسوم؟ أم أن المستشعرات متناثرة والطوابع الزمنية غير متطابقة؟ إذا كان مصدر البيانات غير سليم، فلن يتعلم النموذج أي شيء مفيد. يمكن التحقق من جودة التجميع في هذه الخطوة بالاستناد إلى متطلبات ISO 24445:2020 — الشروط الفنية للمستشعرات الذكية في الرافعات الخاصة بتركيب المستشعرات وجودة البيانات.

الثاني: حساب التعليق. هل وصل حجم التعليق التوضيحي الحالي فعلاً إلى مستوى يشكل عنق زجاجة؟ إذا كان المشروع يمتلك أصلاً عملية تعليق كافية، فمن الأسهل والأكثر فعالية اتباع نهج التعلم الخاضع للإشراف المباشر.

الثالث: حساب العائد. هل يمكن لتوفير تكلفة التعليق الذي يحققه التعلم الذاتي الإشراف أن يغطي التكلفة الإضافية لقوة الحوسبة للتدريب المسبق والتعقيد الهندسي الذي يستلزمه؟

بعد احتساب هذه الأمور الثلاثة، تتلخص النتائج عادةً في نوعين من ظروف التشغيل. النوع الأول: ظروف "الندرة الشديدة في التسميات" — مثل الأعطال النادرة أو ظروف التشغيل غير الطبيعية، حيث يصعب جمع حتى عينة واحدة في السنة. هنا يكون من الأكثر فاعلية تدريب النموذج أولاً على تمثيل البيانات من كميات كبيرة من البيانات الطبيعية، ثم ضبطه بدقة باستخدام عدد قليل جداً من العينات الشاذة. النوع الثاني: ظروف "الوفرة الزائدة في البيانات" — حيث تكون البيانات أكثر من أن يستوعبها التعليق اليدوي، فيقوم التعلم الذاتي الإشراف بمعالجة المخزون غير الموسوم أولاً، تاركاً موارد التعليق للعينات الأكثر أهمية. خارج هذين النوعين، إذا كانت كمية البيانات صغيرة والتسميات متوفرة، فإن فرض التعلم الذاتي الإشراف غالباً ما يكون غير مجدٍ.

حدود التعلم الذاتي الإشراف: أربعة قيود مبكرة وأخطاء شائعة في التطبيق

حقّق التعلم الذاتي الإشراف (Self-Supervised Learning) نضجًا ملحوظًا في مجالي الرؤية الحاسوبية ومعالجة اللغة الطبيعية، لكن تطبيقه في البيئات الصناعية مثل الرافعات لا يزال في مراحله المبكرة. توضيح هذه النقطة أهم من أي إبهار تقني.

الحد الأول: عدم قابلية التفسير. التمثيلات التي يتعلمها النموذج هي متجهات سمات عالية الأبعاد، ويصعب على المهندسين تفسير "هل البعد السابع والثلاثون يقابل خلوص المحمل أم حالة التشحيم؟". هذا الغموض يجعله حاليًا أداة مساعدة فقط، ولا يمكنه قيادة إجراءات السلامة مثل الكبح أو إيقاف الطوارئ مباشرة.

الحد الثاني: الحاجة المتبقية للتعليق التوضيحي. يقلل التعلم الذاتي الإشراف من الاعتماد على البيانات الموسومة، لكن الضبط الدقيق والتحقق النهائي يتطلبان كمية معينة من التسميات عالية الجودة. إنه يخفض العبء من "مئات الآلاف من الصور" إلى "آلاف الصور"، لكنه لا يلغيه تمامًا. ترى كيلود للصناعات الثقيلة أن التعلم الذاتي الإشراف يُعدّ مرحلة تمهيدية مثالية قبل خط الإشراف، وليس بديلًا عنه.

الحد الثالث: صعوبة التحقق. لا يوجد مؤشر مباشر لجودة التمثيلات، بل يُقاس ذلك بتحسّن المهام النهائية. هذا يعني أن دورة قبول مشاريع التعلم الذاتي الإشراف أطول، ويجب على الفريق الهندسي التحلّي بالصبر لبدء "بتجارب صغيرة قبل التوسع". يمكن اعتماد منهجية ISO 4310 الخاصة بجمع بيانات الاختبار وتقييمها، ومقارنة مخرجات النموذج ضمن إطار الفحص الحالي.

الحد الرابع: مواءمة المعايير. ما يتعلمه النموذج يجب أن يُختبر في النهاية ضمن إطار مراقبة السلامة وتشخيص الأعطال بالذكاء الاصطناعي للرافعات — من مصدر البيانات، وجودة العينات، إلى حدود تحديد الحالات الشاذة، كل ذلك يجب أن يتوافق مع المعايير القائمة، لا أن يشكّل نظامًا منفردًا. التمثيلات ودرجات الشذوذ الناتجة عن التعلم الذاتي الإشراف تخدم في الأساس سيناريوهات التشخيص والإنذار المبكر المقيّدة بمعايير مثل ISO 24621:2022 لتشخيص أعطال الرافعات بالذكاء الاصطناعي.

تكمن قيمة التعلم الذاتي الإشراف في إتاحة استخدام البيانات غير الموسومة الهائلة التي كانت خاملة، بدلاً من بقائها مخزنة دون فائدة. حدوده واضحة أيضًا: التمثيل ليس قرارًا، والتدريب المسبق ليس قبولًا نهائيًا، والتحقق المبكر ليس حلًا ناضجًا. تدمج كيلود للصناعات الثقيلة هذا الاتجاه في المرحلة الأولى من خط البيانات والخوارزميات، وتنظر إليه جنبًا إلى جنب مع تنظيف البيانات والتعلم شبه الخاضع للإشراف، بهدف توجيه كل وحدة من وحدات التعليق التوضيحي نحو العينات الأكثر أهمية. أما عن مدى قدرته على استبدال التعليق اليدوي، فالإجابة الوحيدة هي: بالقياس الفعلي على ظروف التشغيل الحقيقية.

📖 قراءات ذات صلة:منصة تدريب رؤية الذكاء الاصطناعي للرافعات وبيانات تعليق توضيحي لـ 500,000 عيب | نظرة شاملة على نظام الرؤية والكشف بالذكاء الاصطناعي للرافعات العلوية | إدارة صحة المعدات (PHM) والصيانة التنبؤية للرافعات العلوية

الأسئلة الشائعة

س: كيف يمكن مواءمة التمثيلات التي يتعلمها النموذج مع متطلبات مراقبة السلامة للرافعات؟