კომპიუტერული ხედვა — ხელოვნური ინტელექტის დარგია, რომელიც კომპიუტერებს ასწავლის სურათებიდან და ვიდეოდან სასარგებლო ინფორმაციის ამოღებას — იმის ამოცნობას, რა არის გამოსახული, სად მდებარეობს ეს და როგორ იცვლება ის დროთა განმავლობაში. სწორედ ამ ტექნოლოგიის წყალობით იხსნება ტელეფონი თქვენი სახის დანახვისთანავე, ქარხნის კამერა შენიშნავს დეფექტურ დეტალს, ხოლო მანქანა ქვეითს ბევრად ადრე ამჩნევს, ვიდრე ადამიანი მძღოლი შეძლებდა.
როგორ სწავლობს კომპიუტერი „ხედვას“
ციფრული სურათი უბრალოდ რიცხვების ბადეა — თითოეული პიქსელი სიკაშკაშისა და ფერის მნიშვნელობების ერთობლიობაა. კომპიუტერული ხედვის სისტემები ამ ბადის მნიშვნელობად გარდაქმნას სწავლობენ კონვოლუციური ნეირონული ქსელების (CNN) დახმარებით — ეს ნეირონული ქსელის ტიპია, სპეციალურად შექმნილი სივრცითი შაბლონების, მაგალითად, კიდეების, ტექსტურებისა და ფორმების დასამუშავებლად. ქსელის საწყისი შრეები მარტივ მახასიათებლებს ცნობს — კიდეს, მრუდს, ფერის ლაქას. ღრმა შრეები კი მათ უფრო რთულ შაბლონებში აერთიანებს — თვალში, ბორბალში, ფოთოლში — სანამ საბოლოო შრეები მთლიან ობიექტს არ ამოიცნობს.
ქსელი ამას მაგალითებით სწავლობს, არა წინასწარ ჩაწერილი წესებით. მკვლევრები მას ათასობით ან მილიონობით მარკირებულ სურათს აწვდიან — „ეს კატაა“, „ეს გაჩერების ნიშანია“ — და ის საკუთარ შიდა პარამეტრებს არეგულირებს მანამ, სანამ ისეთი სურათების სწორად მონიშვნას არ შეძლებს, რომლებიც აქამდე არასდროს უნახავს. ეს მანქანური სწავლების ფართო დისციპლინის კონკრეტული გამოყენებაა — იგივე სტატისტიკური, მაგალითებზე დაფუძნებული მიდგომა, რომელიც დიდი ენობრივი მოდელების შესაქმნელადაც გამოიყენება, ოღონდ სიტყვების ნაცვლად პიქსელებზეა გამოყენებული.
სფეროს თანამედროვე ეპოქა ჩვეულებრივ 2012 წლიდან აითვლება, როცა CNN მოდელმა AlexNet-მა ImageNet-ის ბენჩმარკზე — მილიონზე მეტი მარკირებული ფოტოსგან შემდგარ საჯარო კრებულზე — ყველა წინა მიდგომას მკვეთრად აჯობა. ამ შედეგმა აჩვენა, რომ GPU-ებზე გაწვრთნილ ღრმა ნეირონულ ქსელებს ათწლეულების განმავლობაში ხელით შემუშავებული სურათის დამუშავების ტექნიკების გადალახვა შეეძლო — და სწორედ მან დაუდო სათავე ღრმა სწავლების ბუმს, რომელმაც დღევანდელი ჩატბოტებიც და სურათების გენერატორებიც წარმოშვა.
კლასიფიკაცია, დეტექცია და სეგმენტაცია
„კომპიუტერული ხედვა“ რამდენიმე განსხვავებულ ამოცანას მოიცავს, რომლებიც ჩვეულებრივ ერთმანეთზეა დაშრევებული:
- სურათის კლასიფიკაცია ერთ კითხვას პასუხობს: რისი გამოსახულებაა ეს? პასუხი ეტიკეტია — „ძაღლი“, „მოტეხილობის მაჩვენებელი რენტგენი“, „დეფექტური შედუღება“.
- ობიექტის დეტექცია უფრო შორს მიდის — ის თითოეულ ნაპოვნ ობიექტს გარშემო ჩარჩოს უსვამს და ასახელებს — სასარგებლოა, როცა სურათზე ერთდროულად რამდენიმე რამ ჩანს, მაგალითად, ქუჩის სცენა მანქანებით, ველოსიპედისტებითა და ქვეითებით.
- სურათის სეგმენტაცია კიდევ უფრო ზუსტია — ის ყოველ ცალკეულ პიქსელს ანაწილებს კატეგორიებად, რათა სისტემამ ობიექტის ზუსტი მოხაზულობა იცოდეს, არა მხოლოდ მისი მიახლოებითი მდებარეობა — აუცილებელია, როცა რობოტულ მკლავს ან ქირურგიულ ინსტრუმენტს ობიექტის კიდის ზუსტად ცოდნა სჭირდება.
სად მუშაობს ის უკვე
კომპიუტერული ხედვა AI-ის ერთ-ერთი ყველაზე ჩუმად დანერგილი კუთხეა — იშვიათად ხვდება სათაურებში, მაგრამ განუწყვეტლივ მუშაობს ფონზე:
- წარმოება: საწარმოო ხაზზე განთავსებული კამერები ნაკაწრებს, გადახრებსა და დეფექტურ დეტალებს ადამიან ინსპექტორზე ბევრად სწრაფად და თანმიმდევრულად აღმოაჩენენ.
- მედიცინა: რადიოლოგიური ხელსაწყოები ეჭვმიტანილ უბნებს რენტგენზე, CT და MRI სურათებზე აღნიშნავენ ექიმის შესამოწმებლად; მხოლოდ აშშ-ში მარეგულირებლების მიერ დამტკიცებული AI-ზე დაფუძნებული სამედიცინო ვიზუალიზაციის ხელსაწყოების რაოდენობა ათას ერთეულს მნიშვნელოვნად აღემატება.
- ტრანსპორტი: თვითმართვადი და მძღოლის დამხმარე სისტემები მას საგზაო ზოლების, ნიშნების, ქვეითებისა და სხვა მანქანების რეალურ დროში აღმოსაჩენად იყენებენ.
- სოფლის მეურნეობა: დრონებზე ან ტრაქტორებზე დამონტაჟებული კამერები კულტურების დაავადებებს ამჩნევენ, ხილს ითვლიან და ზუსტი შესხურების პროცესს წარმართავენ.
- საცალო ვაჭრობა და უსაფრთხოება: ის ხელს უწყობს მოლარის გარეშე ანგარიშსწორებას, თაროების შევსების შემოწმებას და კარებთან თუ აეროპორტში წვდომის კონტროლს.
კომპიუტერული ხედვა vs. AI სურათების გენერაცია
ეს ორი ხშირად ერთმანეთში ერევათ, რადგან ორივე სურათებთან მუშაობს, თუმცა მათი ამოცანები საპირისპიროა. კომპიუტერული ხედვა არსებულ სურათს უყურებს და მისგან ინფორმაციას ამოიღებს — ეს ამოცნობაა და არა შექმნა. AI სურათების გენერაციის ხელსაწყოები, როგორებიცაა Midjourney ან DALL-E, საწინააღმდეგოს აკეთებენ — ტექსტური აღწერიდან სრულიად ახალ სურათს ქმნიან. ზოგიერთი სისტემა ორივეს აერთიანებს — გენერატორი, რომელიც ჯერ საორიენტაციო ფოტოს „უყურებს“, ან ხედვის მოდელი, რომელიც ამოწმებს, შეესაბამება თუ არა გენერირებული სურათი პრომპტს — მაგრამ ამოცნობა და გენერაცია განსხვავებული, სხვადასხვა ტექნიკით აგებული შესაძლებლობები რჩება.
სცადეთ თავად
კომპიუტერული ხედვის მუშაობის სანახავად კოდის წერა არაა საჭირო. Google-ის უფასო, ბრაუზერზე დაფუძნებული Teachable Machine ნებისმიერს რამდენიმე წუთში მარტივი სურათების კლასიფიკატორის გაწვრთნის საშუალებას აძლევს: აჩვენეთ მას რამდენიმე ათეული მაგალითი სურათი თითოეულ კატეგორიაში — ვთქვათ, სამი სახის ოთახის მცენარე — და ის სამუშაო მოდელს ააგებს, რომლის ტესტირებაც თქვენი ვებკამერით შეგიძლიათ, სრულად ბრაუზერში, ანგარიშის გარეშე.