شبكة Sber العصبية تتعلم التنبؤ بالأحداث بفضل أساليب التعرّف على الأشياء

قدّمت Sber AI Lab شبكة عصبية تطبّق أساليب التعرّف على الأشياء المعروفة في الرؤية الحاسوبية على مهمة التنبؤ بتسلسلات الأحداث.

ما التشابه الذي تقوم عليه الطريقة؟

يجيب اكتشاف الأجسام في الصورة عن سؤالين فقط: ما الموجود في الصورة، وأين يقع الجسم تحديدًا. ومهمة التنبؤ بالأحداث مبنية على النحو نفسه: ما الحدث التالي الذي سيقع، ومتى بالضبط سيحدث. واقترح الباحثون مطابقة شكلية بين الفضاء الثنائي الأبعاد للصورة والمحور الزمني الأحادي البعد. وقد أتاحت هذه المطابقة نقل فئة كاملة من خوارزميات اكتشاف الأجسام إلى نمذجة السلاسل الزمنية.

قد لا يبدو التشابه بديهيًا للوهلة الأولى. فالكاشف يبحث عن السيارات والأشخاص وإشارات المرور في الصورة، بينما يتنبأ النموذج التنبؤي بالمعاملة التالية لعميل المصرف أو بتسلسل الوصفات الطبية. لكن على مستوى الصياغة الرياضية للمهمتين، تبيّن أن الفارق أصغر مما يبدو: فكاشف الأجسام يُخرج أزواجًا من «الفئة + الإحداثيات»، ونموذج الأحداث يُخرج أزواجًا من «نوع الحدث + لحظة وقوعه». وهما في جوهرهما المهمة المزدوجة نفسها، لكنها تُنفَّذ في فضاءين مختلفين.

لأي مهام تصلح هذه الطريقة؟

يحدد المؤلفون عدة مجالات تطبيقية يكون نقل المنهجية فيها مبرَّرًا بوجه خاص:

• التحليلات المصرفية — التنبؤ بالمعاملات والمشتريات التالية للعميل استنادًا إلى سجل عملياته
• النمذجة الطبية — التنبؤ بتسلسل الإجراءات الطبية والفواصل الزمنية بينها
• السلوك في الشبكات الاجتماعية — التنبؤ بنشاط المستخدمين وديناميكيته الزمنية

وفي كل سيناريو من هذه السيناريوهات، يجب أن يتنبأ النموذج في آن واحد بنوع الحدث التالي وبلحظة وقوعه. وهذه هي الصياغة نفسها التي يعتمدها كاشف الأجسام: ليس «ماذا» فحسب، بل «متى» أيضًا. وهذا التشابه البنيوي تحديدًا هو ما فتح الباب أمام نقل الحلول المعمارية والأساليب التدريبية الإرشادية التي صُقلت في مهام الرؤية الحاسوبية على مدى سنوات.

ويؤكد المؤلفون أن اختيار هذه المجالات ليس عشوائيًا، إذ تعمل جميعها مع تسلسلات تاريخية طويلة، تتساوى فيها أهمية تحديد نوع الحدث التالي ودقة التنبؤ بوقته.

لماذا يبدو هذا النهج واعدًا؟

يضع المؤلفون عملهم في سياق اتجاه أوسع في أبحاث الذكاء الاصطناعي خلال العقد الأخير: فأكثر الأفكار نجاحًا لم تولد داخل مجال معرفي واحد، بل عند تقاطع عدة مجالات. فقد ظهرت المحوّلات (Transformers) أولًا في معالجة اللغة الطبيعية، ثم غيّرت الرؤية الحاسوبية تغييرًا جذريًا، وهي اليوم أساس جميع معماريات ML الحديثة تقريبًا.

«تبيّن على نحو غير متوقع أن كثيرًا من الأفكار التي أصبحت منذ زمن طويل

معيارًا في مهام اكتشاف الأجسام تتيح النظر إلى التنبؤ بالأحداث المستقبلية من زاوية مختلفة جذريًا» — سافتشينكو وكاربوخين في ورقتهما المقدَّمة في AAAI 2026.

ويعني نقل أدوات object detection أن الخبرة المتراكمة على مدى سنوات — من معماريات وأساليب تدريب وأساليب إرشادية للتعامل مع البيانات الموسومة — لا تقتصر على مهام الرؤية الحاسوبية، ويمكن إعادة توظيفها في الذكاء الاصطناعي المصرفي والتحليلات الطبية ونمذجة السلوك.

والنشر في AAAI 2026، وهو من أبرز المؤتمرات المرموقة في مجال الذكاء الاصطناعي، يعني أن البحث اجتاز تحكيمًا صارمًا من المجتمع العلمي.

ماذا يعني ذلك؟

يجسّد عمل Sber AI Lab استراتيجية مثمرة: فبدلًا من بناء معماريات متخصصة من الصفر، يبحث الباحثون عن تشابه بنيوي مع مهام سبق حلّها جيدًا. وتبدو الحدود بين الرؤية الحاسوبية والتنبؤ بالسلاسل الزمنية اعتبارية، مما يفتح طريقًا مباشرًا لنقل عقود من الأساليب المتراكمة إلى مجالات لم تُطبَّق فيها بعد.

كيف تتنبأ شبكة Sber العصبية بالأحداث؟

إنها تستخدم المبدأ نفسه الذي تعتمده أنظمة التعرّف على الأشياء: فهي تحدد ما سيحدث لاحقًا في تسلسل الفيديو، ومتى بالضبط سيحدث ذلك.