الذكاء الاصطناعي والمنصات
نماذج مدرَّبة على بياناتكم، وأنظمة مصمَّمة للميدان.
الفرق بين عرض توضيحي للذكاء الاصطناعي ونظام قابل للتشغيل يُقاس في الميدان. نموذج تعرّف على اللوحات مدرَّب على بيانات عامة ينهار أمام لوحات تونسية، أو كاميرا بزاوية سيئة، أو مطر، أو شمس منخفضة خلف المركبة.
منهجنا تجريبي. نبدأ من تدفّقات الفيديو الفعلية عندكم، ونبني مجموعة بيانات موسومة من ظروف التشغيل الحقيقية، ثم ندرّب نموذجًا مخصّصًا.
مثال: منطقة الأنشطة الاقتصادية ببنزرت
في مشروع منطقة الأنشطة الاقتصادية ببنزرت، رفع هذا المنهج دقة التعرّف من نحو 50 إلى 65% بنموذج عام إلى نحو 95% بنموذج مدرَّب خصيصًا على اللوحات التونسية، انطلاقًا من 3200 صورة.
هندسة التشغيل
القراءة الآلية للوحات السيارات (ANPR / LPR)
تدريب النماذج على بيانات محلية موسومة
كشف الأجسام وتتبّعها (YOLO)
التعرّف الضوئي على الحروف واستخراج بيانات الوثائق
معالجة عدّة تدفّقات RTSP في الزمن الحقيقي
تحديد وتركيب محطات معالجة رسومية مخصّصة
دمج النماذج في منتج قائم
مشاريع سُلّمت في هذا المجال.
منطقة أنشطة اقتصادية
PAEB — Parc d'Activités Économiques de Bizerte
نظام للتعرّف على لوحات السيارات يتحكّم في ثلاثة حواجز انطلاقًا من ستة تدفّقات فيديو، بنموذج مدرَّب خصيصًا على اللوحات التونسية.
اللوجستيك
يعتمد ذلك على مدى تغيّر الظروف. بالنسبة لنموذج اللوحات التونسية في مشروع بنزرت، كفت 3200 صورة موسومة للوصول إلى دقة تقارب 95%. أما موقع بزوايا كاميرات أكثر أو إضاءة أصعب فسيحتاج إلى المزيد.
بالنسبة للفيديو في الزمن الحقيقي، في الموقع دائمًا تقريبًا. إرسال عدّة تدفّقات RTSP إلى السحابة مكلف في النطاق الترددي ويضيف زمن استجابة لا يتلاءم مع فتح حاجز. نحدّد محطة معالجة رسومية مخصّصة في الموقع ولا نرسل سوى النتائج.
