باحثو MIT يطورون خوارزمية ذكاء اصطناعي تفهم العلاقات بين الأشياء
عندما ينظر الناس إلى أي سطح، فإنهم يرون الأشياء والعلاقات بينها. قد يكون على طاولتك حاسوب محمول يقع إلى يسار الهاتف، والهاتف موضوع أمام شاشة الحاسوب.
تواجه العديد من نماذج التعلم العميق صعوبة في رؤية العالم بهذه الطريقة، لأنها لا تفهم العلاقات المعقدة بين الأشياء المنفصلة. ومن دون معرفة هذه العلاقات، سيجد الروبوت المصمم لمساعدة شخص ما في المطبخ صعوبة في تنفيذ أمر مثل «خذ المغرفة الموجودة على يسار الموقد، وضعها على لوح التقطيع».
في محاولتهم لحل هذه المشكلة، طوّر باحثو معهد ماساتشوستس للتكنولوجيا نموذجاً يفهم العلاقات الأساسية بين الأشياء في المشهد. يمثل نموذجهم كل علاقة على حدة، ثم يدمج هذه التمثيلات لوصف المشهد كاملاً. وهذا يتيح للنموذج توليد صور أدق من الأوصاف النصية، حتى عندما يتضمن المشهد عدة أشياء في علاقات مختلفة فيما بينها.
يمكن تطبيق هذا العمل في الحالات التي يحتاج فيها الروبوتات الصناعية إلى تنفيذ مهام معالجة متعددة المراحل ومعقدة، مثل ترتيب الأغراض في المستودعات أو تجميع الأجهزة. كما يقرّب هذا المجال خطوة إضافية نحو تمكين الآلات من التعلم والتفاعل مع محيطها كما يفعل البشر.
«عندما أنظر إلى الطاولة، لا أستطيع القول إن هناك جسماً في الموقع XYZ. عقلنا لا يعمل بهذه الطريقة. في وعينا، عندما نفهم مشهداً ما، فإننا نفهمه فعلاً استناداً إلى العلاقات بين الأشياء. نعتقد أنه بعد بناء نظام يستطيع فهم العلاقات بين الأشياء، يمكننا استخدامه للتحكم في بيئتنا وتغييرها بكفاءة أكبر»
يمكن للإطار الذي طوّره الباحثون توليد صورة لموقع الحدث استناداً إلى وصف نصي للأشياء وعلاقاتها، مثل: «طاولة خشبية على يسار كرسي أزرق. أريكة حمراء على يمين الكرسي الأزرق».
كان نظامهم يقسّم هذه الجمل إلى جزأين أصغر، يصف كل منهما علاقة فردية («طاولة خشبية على يسار كرسي أزرق» و«أريكة حمراء على يمين كرسي أزرق»)، ثم يُنمذج كل جزء على حدة. بعد ذلك تُدمج هذه الأجزاء في عملية تحسين تنتج صورة لموقع الحدث.
استخدم الباحثون أسلوب تعلم آلي يُسمى النماذج الطاقوية لتمثيل العلاقة بين الأشياء المنفصلة في وصف المشهد. يتيح لهم هذا الأسلوب استخدام نموذج طاقوي واحد لترميز كل وصف علائقي، ثم تجميعها معاً بطريقة تُخرج جميع الأشياء والعلاقات.
«بتقسيم الجمل إلى أجزاء أقصر لكل علاقة، يستطيع النظام إعادة تركيبها بطرق مختلفة ليتكيّف بصورة أفضل مع أوصاف مشاهد لم يرها من قبل»، قال طالب الدراسات العليا في CSAIL شوانغ لي.
«أنظمة أخرى تعالج جميع العلاقات ككل، وتولّد الصورة دفعة واحدة من الوصف. لكن هذه الأساليب تفشل عندما تكون لدينا أوصاف خارج نطاق التوزيع المعتاد، مثل الأوصاف التي تتضمن عدداً كبيراً من العلاقات، لأن هذا النموذج لا يستطيع أن يكيّف لقطة واحدة فعلاً لإنتاج صور تحتوي على علاقات أكثر. أما عندما نجمع هذه النماذج الأصغر والمنفصلة معاً، فيمكننا نمذجة عدد أكبر من العلاقات والتكيف مع تركيبات جديدة»
يعمل النظام أيضاً في الاتجاه المعاكس، فبالنظر إلى صورة يمكنه إيجاد الأوصاف النصية التي تطابق العلاقة بين الأشياء في الإطار. كما يمكن استخدام النموذج لتحرير الصورة، عبر إعادة ترتيب الأشياء لتتوافق مع وصف جديد.
قارن الباحثون نموذجهم بأساليب أخرى للتعلم العميق تتلقى أوصافاً نصية وتولّد صوراً تعرض الأشياء المناسبة وعلاقاتها. وفي كل حالة تفوّق نموذجهم على المعايير الأساسية.
طلبوا كذلك من أشخاص تقييم مدى تطابق الصور المولدة مع الوصف الأصلي. وفي أكثر الأمثلة تعقيداً، حيث احتوت الأوصاف على ثلاث علاقات، رأى 91% من المشاركين أن النموذج الجديد يعمل بشكل أفضل.
«من الأشياء المثيرة للاهتمام التي اكتشفناها أنه يمكننا بالنسبة إلى نموذجنا أن ننتقل من وصف واحد إلى وصفين أو ثلاثة أو حتى أربعة، ولا يزال نهجنا يتيح توليد صور تُوصف بدقة بالعلاقات، في حين تفشل الأساليب الأخرى»
عرض الباحثون أيضاً صوراً نموذجية لمشاهد لم يرها النظام من قبل، إلى جانب عدة أوصاف نصية مختلفة لكل صورة، وتمكنوا من تحديد الوصف الذي يطابق علاقات الأشياء في الصورة بشكل أفضل.
عندما أعطى الباحثون النظام وصفين لمشهد علائقي يصفان الصورة نفسها ولكن بطريقتين مختلفتين، تمكن النموذج من إدراك أن الوصفين متكافئان. وقد أُعجب العلماء بموثوقية نظامهم، خاصة عند التعامل مع أوصاف لم يسبق له مواجهتها.
«هذا واعد جداً، لأنه أقرب إلى طريقة عمل البشر. يستطيع الناس رؤية أمثلة قليلة فقط، لكنهم يستخلصون معلومات مفيدة من هذه الأمثلة القليلة ويجمعونها معاً لإنشاء عدد لا نهائي من التركيبات. ونموذجنا يمتلك خاصية تتيح له التعلم من بيانات أقل، مع القدرة على التعميم على مشاهد أو توليدات صور أكثر تعقيداً»
على الرغم من أن هذه النتائج الأولية مشجعة، يرغب الباحثون في رؤية كيفية عمل نموذجهم على صور حقيقية أكثر تعقيداً، ذات خلفيات مشوشة وأشياء تحجب بعضها البعض.
كما يهتمون بدمج نموذجهم في نهاية المطاف ضمن أنظمة الروبوتات، ما سيسمح للروبوت بتحديد العلاقات بين الأشياء، ثم تطبيق هذه المعرفة للتحكم في الأشياء في العالم.
«يُعد تطوير تمثيلات بصرية قادرة على التعامل مع الطبيعة التركيبية للعالم المحيط بنا أحد التحديات المفتوحة الرئيسية في رؤية الحاسوب. وقد أحرزت هذه الدراسة تقدماً كبيراً في معالجة هذا التحدي، من خلال اقتراح نموذج قائم على الطاقة يمثل بوضوح العلاقات المتعددة بين الأشياء المصورة في موقع الحدث. النتائج مثيرة للإعجاب حقاً»
