سهيل خان، المؤسس المشارك والرئيس التنفيذي لشركة Hazen.ai – سلسلة المقابلات

سهيل خان هو المؤسس المشارك والرئيس التنفيذي لشركة Hazen.ai، وهي شركة تستخدم الرؤية الحاسوبية والتعلم العميق لتصميم برنامج تحليلات مرور ذكي يمكنه “فهم” حركة كل مركبة.

ما الذي جذبك في البداية إلى مجال الذكاء الاصطناعي؟

كان ذلك خلال الدراسة الجامعية الأولى عندما قرأت لأول مرة عن كيفية عمل الرؤية الثنائية (أو الرؤية الثنائية – تقدير العمق من كاميرتين). هذا ما جعلني مهتمًا بالاستكشاف المزيد عن الرؤية الحاسوبية. ومن المثير للاهتمام أنني قرأت عنه لأول مرة في كتاب اشتريته من سوق الجمعة التقليدي حيث يباع الكتب القديمة المستعملة على الرصيف في مدينةنا. وتابعت دراستي للحصول على الدكتوراه في هذا المجال من الولايات المتحدة.

كنت أستاذًا في واحدة من أكبر الجامعات في باكستان، جامعة لاهور للإدارة والعلوم. ما كانت اهتماماتك التدريسية والبحثية؟

عندما انضممت إلى جامعة لاهور بعد حصولي على الدكتوراه، بنيت ما كان أول مختبر بحثي في الجامعة، بتمويل حصلت عليه من منحة كبيرة من منظمة الدفاع. كان برنامج الدراسات العليا في علوم الحاسوب جديدًا جدًا، ولم يكن هناك مختبرات بحثية في ذلك الوقت. درّست الرؤية الحاسوبية لمدة 12 عامًا في جامعة لاهور، وكان لدي مختبر نشط في هذا المجال. في البداية، كانت الرؤية الحاسوبية تُدرس بشكل ضعيف في أي جامعة باكستانية، ولكن لاحقًا أصبحت مادة معيارية، وحقيقة أن العديد من طلابي يدرسون الآن أيضًا في الجامعات الباكستانية.

يمكنك مناقشة ما دفعك إلى إطلاق شركة ناشئة متخصصة في خوارزميات الرؤية الحاسوبية والتعلم العميق لتحليل الفيديو؟

كانت الرؤية الحاسوبية لفترة طويلة مجالًا بحثيًا تجريبيًا، مع تطبيقات محدودة في المنتجات. هذا كان بسبب أن نضج الخوارزميات اللازمة لبناء المنتجات لم يكن موجودًا.对于 منتج، يجب أن تعمل خوارزمية فهم الصورة في مجموعة متنوعة من ظروف التصوير والإضاءة، وليس فقط في بعض التجارب الخاضعة للرقابة. كنا نضحك بين طلاب الدراسات العليا في مختبرنا عندما كنت أدرس الدكتوراه في عام 2000، أنه إذا كنت تستطيع العثور على ثلاث صور تعمل خوارزميتك عليها، يمكنك كتابة ورقة. إذا عملت على ثلاث فيديوهات، يمكنك كتابة ورقة جيدة جدًا! النقطة هي أن العديد من خوارزميات الرؤية عملت فقط في سيناريوهات مختبرية خاضعة للرقابة، وكانت ليست قوية جدًا.

لكن الأشياء تغيرت الآن. مع ظهور التعلم العميق في عام 2012، رأينا بعض التقدم السريع والمثير في فهم الصور. عندما رأينا ذلك، شعرت بأن الوقت مناسب الآن لربما نبني منتجات صلبة يمكن أن يكون لها تأثير كبير.

ما نوع مخالفات المرور التي يمكن لشركة Hazen.ai رصدها؟

هدفنا هو تحديد جميع أنواع السلوك السيئ في القيادة على الطرق. هذا يدفعنا بهدفنا العام المتمثل في خفض عدد الوفيات على الطرق. كل 24 ثانية، يموت شخص ما في حادث سيارة، وهو ما يعادل حوالي 15 787-8 طائرة 梦林ر تحطمت كل يوم! لذلك هذا هو ما يلهمنا. هذا هو السبب في بناء برنامج يمكنه الكشف عن سلوكيات خطرة وخطيرة مختلفة، مثل تغيير المسار غير الآمن، والمنعطفات غير القانونية، وعبور الإشارة الحمراء أو إشارة التوقف، وعبور المشاة أو عدم ارتداء حزام الأمان أو النص أثناء القيادة. كما أننا نعمل على بناء ميزات في برنامجنا خصيصًا لأمان المشاة والدراجين، لأن أكثر من نصف الوفيات في حوادث السيارات تحدث في فئة المستخدمين الضعفاء من المشاة والدراجين والدراجين النارية.

ما هي بعض التحديات الفريدة للرؤية الحاسوبية لمراقبة الأجسام المتحركة بسرعات عالية؟

هناك نوعان من التحديات: الأول هو أداء خوارزميات الرؤية الحاسوبية نفسها – تريد أن يكون لديك منتج يمكنه العمل في ظروف مرور صعبة 24/7 في جميع التباين الإضاءي. في حين كان هناك الكثير من التقدم الفني نحو هذا الهدف، لا يزال هناك بلدان حيث كثافة مستخدمي الطريق عالية جدًا، مثل مجموعات الدراجات النارية أو المشاة في قربة جدية، بحيث لا يزال من الصعب على الخوارزميات تتبعهم بشكل فردي وفهم المشهد. ولكن التحدي الأكبر هو جعل منتج صلب من خوارزميات الرؤية الحاسوبية، يمكن توزيعه على موارد الأجهزة المحدودة على الحافة، ويمكن مراقبته وإدارته بسهولة على الرغم من توزيعه في جميع أنحاء المدينة. منذ أن تتعامل منتجات الرؤية الحاسوبية مع الكثير من بيانات الفيديو، فإن نشرها على الحافة، كجهاز آي أو تي، وإدارته بشكل فعال، لا يزال مهمة صعبة.

ما هي عملية المستخدم النهائي لتكوين البرنامج ل不同的 تكوينات الطرق؟

كل تقاطع يوفر سيناريو فريد، من حيث حجم المرور وتكوين المسارات ونوع المركبة أو التفاعلات الدراجة أو المشاة. بالإضافة إلى ذلك، قد تكون اهتمامات مسؤولي المرور محددة، لتحديد نوع معين من سلوك المرور في كل موقع. على سبيل المثال، قد يحظر الشرطة المرورية الدوران في تقاطع لتحسين تدفق المرور، وهم مهتمون بالحصول على هذه الإحصائية. هذا هو السبب في أننا أبقينا برنامجنا قابلًا للتكوين لسيناريوهات مختلفة. عندما يتم تثبيت كاميرا مع برنامجنا، نقوم بتكوينه من خلال عملية بسيطة لما يحتاجه المستخدم النهائي في ذلك الموقع. داخليًا، قمنا ببناء لغة عالية المستوى يمكننا من خلالها وصف سيناريوهات المرور المهمة بطريقة بسيطة. هذا يسمح لنا بتكوين موقع بسرعة لعملائنا.

ما هو النوع من الأجهزة المطلوبة لتشغيل هذا النظام؟

تحليلات الفيديو تتطلب قدرة حسابية كبيرة. لقد قمنا بتحسين رمزنا ليعمل على أجهزة إِنفيديا الصغيرة التي يمكن توزيعها على الحافة، مثل سلسلة جيتسون، وأيضًا على معالجات إنتل للعديد من الميزات التي نقدمها. في السنوات الأخيرة، أصبحت أجهزة حافة أكثر قوة متاحة بسعر معقول، لذلك هذا ي驱ر الكثير من التطبيقات المثيرة.

يمكنك مناقشة ما إذا كانت هناك أي ولايات تختبر حاليًا أو تستخدم تقنية Hazen.ai؟

لدينا الآن تجارب جارية في العديد من البلدان، المملكة المتحدة، الولايات المتحدة، مصر، المملكة العربية السعودية، باكستان، عمان، بيرو، ونحن نتعامل مع العملاء المحتملين في بلدان أخرى أيضًا.

هل هناك شيء آخر تود مشاركته حول Hazen.ai؟

بشكل عام، نشعر أن تقنيات أمان المرور لم تتطور بما يكفي، مقارنة بمقياس المشكلة. ومع ذلك، الآن الوقت مناسب، بسبب التقدم الكبير في الرؤية الحاسوبية والتعلم العميق، بالإضافة إلى توافر كاميرات وأجهزة حاسوب رخيصة. سنرى المزيد من التطبيقات للرؤية الحاسوبية القائمة على الحافة في السنوات القادمة. هذه هي الأسس التي تدفع Hazen.ai.

شكرًا على المقابلة، القراء الذين يرغبون في معرفة المزيد يمكنهم زيارة Hazen.ai