قفزة مذهلة في الذكاء الاصطناعي: بيانات جديدة لتحسين حاسة الشم!
تم إطلاق SmellNet، قاعدة بيانات ضخمة جديدة تساعد الذكاء الاصطناعي في التعرف على الروائح بدقة. هذا التطور يعد خطوة كبيرة نحو تطبيقات مبتكرة في عدة مجالات.
في خطوة تُعتبر قفزة ثورية في عالم الذكاء الاصطناعي، تم تقديم SmellNet، قاعدة بيانات ضخمة تُشكّل أساسًا لفهم كيفية التعرف على الروائح في العالم الحقيقي. يتمتع الذكاء الاصطناعي (AI) بقدرة استثنائية على تحديد مختلف المواد بناءً على رائحتها، وهو ما قد يُحدث تحولاً جذريًا في مجالات متعددة مثل الكشف عن مسببات الحساسية، مراقبة عملية التصنيع، ورصد الهرمونات التي تدل على الحالات العاطفية والمستويات الصحية.
على الرغم من التأثيرات الواسعة، كان هناك نقص في قواعد البيانات القياسية، مما أعاق تقدم تدريب وتقييم أنظمة الذكاء الاصطناعي في حاسة الشم. قدّم الباحثون في هذا المشروع SmellNet، باستخدام أجهزة استشعار الغاز والمواد الكيميائية لتجميع قاعدة بيانات تحتوي على نحو 828000 نقطة بيانات زمنية عبر 50 مادة متنوعة، تشمل المكسرات والتوابل والأعشاب والفواكه والخضروات. تم جمع 68 ساعة من البيانات، مما يسمح بتشكيل صورة شاملة عن الروائح المختلفة.
ومن خلال SmellNet، تم تطوير نموذج ScentFormer الذي يعتمد على بنية Transformer، حيث يجمع بين تقنيات اختلاف الزمن وتعزيز نافذة التمرير لتحسين دقة البيانات الناتجة عن حاسة الشم. وقد أظهر ScentFormer دقة تصل إلى 63.3% في مهام التصنيف باستخدام إشراف GC-MS، وحقق 50.2% في مهام توقع توزيع المزيج. يعكس قدرة ScentFormer على التعميم عبر الحالات المختلفة والتقاط الديناميات الكيميائية العابر قدرات واعدة في نمذجة الزمن في الذكاء الاصطناعي القائم على الحاسة الشمية.
تتيح قاعدة بيانات SmellNet ونموذج ScentFormer احتمال تطبيقات مستقبلية مثيرة في مجالات الرعاية الصحية، صناعة الأغذية والمشروبات، المراقبة البيئية، التصنيع، والترفيه. هل أنتم متحمسون لهذه الابتكارات؟ شاركونا آراءكم في التعليقات!
على الرغم من التأثيرات الواسعة، كان هناك نقص في قواعد البيانات القياسية، مما أعاق تقدم تدريب وتقييم أنظمة الذكاء الاصطناعي في حاسة الشم. قدّم الباحثون في هذا المشروع SmellNet، باستخدام أجهزة استشعار الغاز والمواد الكيميائية لتجميع قاعدة بيانات تحتوي على نحو 828000 نقطة بيانات زمنية عبر 50 مادة متنوعة، تشمل المكسرات والتوابل والأعشاب والفواكه والخضروات. تم جمع 68 ساعة من البيانات، مما يسمح بتشكيل صورة شاملة عن الروائح المختلفة.
ومن خلال SmellNet، تم تطوير نموذج ScentFormer الذي يعتمد على بنية Transformer، حيث يجمع بين تقنيات اختلاف الزمن وتعزيز نافذة التمرير لتحسين دقة البيانات الناتجة عن حاسة الشم. وقد أظهر ScentFormer دقة تصل إلى 63.3% في مهام التصنيف باستخدام إشراف GC-MS، وحقق 50.2% في مهام توقع توزيع المزيج. يعكس قدرة ScentFormer على التعميم عبر الحالات المختلفة والتقاط الديناميات الكيميائية العابر قدرات واعدة في نمذجة الزمن في الذكاء الاصطناعي القائم على الحاسة الشمية.
تتيح قاعدة بيانات SmellNet ونموذج ScentFormer احتمال تطبيقات مستقبلية مثيرة في مجالات الرعاية الصحية، صناعة الأغذية والمشروبات، المراقبة البيئية، التصنيع، والترفيه. هل أنتم متحمسون لهذه الابتكارات؟ شاركونا آراءكم في التعليقات!
