IREX StreamVLM™ تقدّم تحليلات فيديو فورية يحدّدها الموجّه النصي للسلامة العامة

MURRIETA, CA — IREX (IrexAI Inc.)، مطوّرة منصة IREX للذكاء الاصطناعي الأخلاقي في مجال السلامة العامة، أعلنت اليوم عن StreamVLM™، وهي أول تحليلات في العالم قائمة على نماذج الرؤية واللغة (VLM) في مجال السلامة العامة. تصدر StreamVLM™ ضمن الإصدار IREX 4.43 المقرر إطلاقه بين ديسمبر 2026 وأوائل يناير 2027. تتيح StreamVLM™ لفرق السلامة العامة والنقل والبنية التحتية الحيوية إنشاء كاشفات فيديو فورية مخصّصة انطلاقاً من موجّهات نصية بالإنجليزية البسيطة. لا مجموعة بيانات لجمعها، ولا صور لوسمها، ولا شبكة عصبية لإعادة تدريبها: يبدأ الكاشف الجديد جملةً، ويمكن أن يعمل خلال دقائق لا أشهر.

ما يميّز StreamVLM™ عن مساعدي الذكاء الاصطناعي العامّين مثل ChatGPT أو Gemini هو كفاءة العتاد والقدرة على التوسّع. فبنيتها ونماذجها مصمَّمة خصيصاً للفيديو الحي، ولذلك تخدم وحدة GPU واحدة كاميرات أكثر بكثير مما يستطيعه نموذج عام الأغراض، وتنسّق منصة IREX مئات سيناريوهات StreamVLM™ عبر آلاف الكاميرات. كما تعمل StreamVLM™ داخل منشأة العميل (on premises)، ضمن بنيته التحتية الخاصة: لا يغادر أي فيديو ولا أي بيانات البلد أو الشبكة الخاصة.

المشكلة التي تعالجها StreamVLM™

كان كل خطر جديد يعني تقليدياً نموذجاً جديداً. فالجهة التي أرادت كشف شيء لا تغطيه تحليلاتها الحالية كان عليها جمع آلاف الصور ووسمها وتدريب كاشف ونشره على خوادمها، وهي دورة تستغرق أشهراً لكل طلب.

تلغي نماذج الرؤية واللغة الكبيرة خطوة التدريب لأنها تفهم ما تراه بالكلمات. لكنها بطيئة أيضاً: يستغرق استدعاء VLM واحد نحو 1 إلى 2 ثانية للإطار على GPU، بينما تحتاج شبكة كاميرات إنتاجية إلى عشرات الإطارات في الثانية لكل GPU عبر تدفقات كثيرة. وتوجيه نموذج VLM إلى كل إطار من كل كاميرا غير عملي.

تحلّ StreamVLM™ هذا التعارض بقمع من مرحلتين. وهي تبلغ دقة (precision) تتراوح بين 97.9 و100.0% عبر قطاعات الكشف الثمانية المعتمدة للإنتاج.

كيف يعمل القمع ذو المرحلتين

في شبكة كاميرات حقيقية تكون الحوادث الحرجة نادرة: فالغالبية الساحقة من الإطارات تُظهر نشاطاً اعتيادياً. تضع StreamVLM™ مرشّحاً متعدد الوسائط سريعاً أمام مُدقِّق VLM دقيق، فلا تُنفَق حوسبة GPU الثقيلة إلا حين يحدث شيء فعلاً.

1. المرحلة 1: المُضمِّن السريع متعدد الوسائط (مرشّح الهامش الدلالي). تأخذ المنصة إطارات مفتاحية من البث الحي، أو من منطقة اهتمام (ROI) مضلّعة داخله، وتُسقط كل إطار في فضاء تضمين مشترك للرؤية واللغة. وتقارنه بعبارات الهدف POSITIVE المخزّنة مؤقتاً وبعبارات الإنذار الكاذب NEGATIVE، وتحسب هامش التشابه في أجزاء من الثانية. تتوقف هنا الإطارات الاعتيادية والمتشابهات المتوقَّعة.
2. المرحلة 2: التحقق بنموذج الرؤية واللغة (CHECK). لا تستدعي StreamVLM™ نموذج VLM إلا حين تتجاوز نتيجة المرحلة 1 عتبة التشغيل المضبوطة (مثلاً 80%) وتستمر للمدة المطلوبة. وبتوجيه من تعليمة CHECK الخاصة بالكاشف، يفحص النموذج المشهد ويعيد حكماً منظّماً بصيغة JSON (yes أو no)، ودرجة ثقة، ووصفاً بالإنجليزية البسيطة للأدلة التي رآها.

والأثر سهل القياس. في فيديو لساحة صناعية مدته 5 دقائق بمعدل 1 FPS (336 فحص إطار)، أطلق عمّال شرراً قرب مدفأة معدنية مدة أربع دقائق. ومع ضبط عبارة “welding sparks at a construction site” (شرر لحام في موقع إنشاء) مرساةً سلبية، سجّل ذلك الشرر 55–76%، أي أقل من عتبة 80%. لم يتجاوز العتبة سوى 29 إطاراً من أصل 336، واندمجت في 5 استدعاءات فقط لنموذج VLM في المرحلة 2، أي انخفاض يتجاوز 91% في استدعاءات VLM. وحين اندلعت ألسنة لهب حقيقية، أكدت StreamVLM™ حلقات الحريق الثلاث كلها بثقة 95%.

موجّهات من ثلاثة أجزاء: إنذارات كاذبة صُمّمت خارج المعادلة

تتعامل نماذج التضمين من نص إلى صورة مع النفي بشكل ضعيف. فموجّه “no smoke” (لا دخان) ما زال يطابق كلمة “smoke”، وموجّه إيجابي فقط لـ*“camels on the road”* (جمال على الطريق) قد يُطلق إنذاراً عند مرور حصان، لأن الحيوانين أقرب أحدهما إلى الآخر في فضاء التضمين من قربهما إلى الإسفلت الفارغ.

لذلك لا تعتمد StreamVLM™ على جملة واحدة. يبني المسؤولون كل كاشف في كتالوج كاشفات VLM على مستوى النظام من ثلاثة أجزاء:

• POSITIVE (من 1 إلى 16 عبارة هدف): أوصاف بصرية قصيرة للحدث عبر ظروف الإضاءة وزوايا الكاميرا.
• NEGATIVE (من 0 إلى 16 عبارة مُشوِّشة): أحداث غير حقيقية معروفة ومتشابهات بصرية تكبح التشغيل الكاذب في المرحلة 1.
• CHECK (قاعدة التحقق في المرحلة 2): معايير بصرية صريحة يستخدمها نموذج VLM لتأكيد الحادث وشرح قراره.

المثال 1: دخان المداخن والدخان الصناعي

POSITIVE:
thick black smoke rising from a chimney
dark gray smoke billowing from a rooftop chimney
a plume of smoke coming out of a house chimney
white smoke rising from a residential chimney
a smoking chimney over houses in winter

NEGATIVE:
white steam evaporating from a vent
fog over rooftops in the morning
low clouds over a residential area
a dirty camera lens with smudges
lens flare and sun glare in the sky
a dark tree silhouette against the sky
clear sky over houses with no smoke

CHECK:
Determine whether smoke is actively being emitted from a chimney or flue.
A real chimney smoke plume originates at a chimney mouth, is attached to it,
widens and fades as it rises, and drifts or changes shape across frames.
Distinguish steam, fog or low clouds, lens dirt, glare, and dark static objects.
If smoke is present, classify its color as white, dark, or unknown.

المثال 2: حريق مفتوح مقابل شرر اللحام

لرصد الحرق غير المصرّح به أو حريق مبكر في موقع صناعي دون إنذار عند أعمال الصيانة الاعتيادية، يقرن المشغّلون مراسي حريق إيجابية (“open flames burning” لهب مفتوح مشتعل، “a fire with thick smoke” حريق بدخان كثيف، “a burning car on fire” سيارة مشتعلة) بمُشوِّشات سلبية مثل وهج الشمس ومصابيح المركبات والمصابيح المتوهجة و*“welding sparks at a construction site”*. تُبقي المرحلة 1 الشرر دون العتبة؛ وتؤكد المرحلة 2 الحريق الحقيقي وتكتب أدلة يقرؤها المشغّل بنظرة واحدة: “Visible smoke plume rising from a small fire in a metal container, with glowing embers and burning material at the base.” (عمود دخان مرئي يتصاعد من حريق صغير في حاوية معدنية، مع جمر متوهج ومواد محترقة عند القاعدة).

وتؤتي النظرة الثانية نفسها ثمارها في شوارع المدن. ففي تجارب حية امتدت أياماً على كاميرات شوارع عامة، لرصد المشاة الساقطين ومركبات الطوارئ والدراجات الصغيرة أو العادية على الأرصفة، كان مروّجون في الشوارع يرتدون أزياء دببة تغطي الجسم كاملاً يُطلقون مراراً تشابه الشكل في المرحلة 1 مع شخص مستلقٍ. وفي كل مرة كان نموذج VLM في المرحلة 2 ينظر مجدداً ويرفض الإنذار.

أداء معتمد للإنتاج

يُتحقَّق من كل ملف كاشف StreamVLM™ قبل اعتماده. وبوابة الإصدار صارمة: لا يُطلق الكاشف إلا حين يبلغ دقة (precision) لا تقل عن 97.0% واسترجاعاً (recall) لا يقل عن 90.0% على بيانات اختبار محجوبة.

نتائج مقيسة لقطاعات الكشف الثمانية المعتمدة للإنتاج، مع الإنتاجية المتوقعة على وحدة NVIDIA L40S واحدة، وهي وحدة GPU لمراكز البيانات تشغّلها IREX في منشأتها في Dallas للعملاء الأمريكيين:

قطاع الكشف	الدقة	الاسترجاع	درجة F1	الإنتاجية المتوقعة (1× NVIDIA L40S)
سلاح في الإطار (كشف الأسلحة)	98.9%	95.8%	0.973	~3 FPS
الدخان والحريق (كشف الحريق والدخان)	99.2%	96.1%	0.976	~11 FPS
أي دخان (حريق، مدخنة، عادم)	98.2%	94.7%	0.964	~51 FPS
دخان حريق خطر (حريق مقابل بخار/عادم)	97.9%	92.0%	0.949	~85 FPS
أعمال الطرق ومناطق الإنشاء	97.9%	97.9%	0.979	~40 FPS
البيع غير المصرّح به في الشارع	100.0%	97.1%	0.985	~77 FPS
تخريب الكاميرا: فقدان البؤرة	100.0%	94.6%	0.972	~15 FPS
الحياة البرية / الجمال على الطريق	100.0%	100.0%	1.000	~5 FPS

الدقة والاسترجاع ودرجة F1 نتائج مقيسة على مجموعة الاختبار ضمن معيار التحقق IREX. أما الإنتاجية فتقدير هندسي لوحدة NVIDIA L40S واحدة، مستخرج من تشغيلات المعيار بحسب عدد أنوية GPU؛ وتحمل عقدة GPU القياسية في IREX وحدتين. وتعتمد الدقة في الواقع العملي على موضع الكاميرا والإضاءة وإعداد منطقة الاهتمام.

معدل الإطارات المناسب لكل مهمة

ليست كل التطبيقات بحاجة إلى مراقبة كل ثانية من الفيديو. تفحص StreamVLM™ كل كاميرا بالفاصل الذي تتطلبه المهمة، وهذا الفاصل هو ما يحدّد عدد الكاميرات التي تستطيع وحدة GPU واحدة تغطيتها:

• السلامة الحرجة زمنياً: في كشف الحريق والدخان، توصي IREX بفحص إطار كل 10 إلى 30 ثانية لاستجابة سريعة.
• الحالات بطيئة التغيّر: في مراقبة عدسات الكاميرات أو ضبط نظافة الشوارع، يمكن لـStreamVLM™ مراجعة إطار كل 10 إلى 60 دقيقة.

وبما أن الإنتاجية تُوزَّع على الكاميرات، فإن الفاصل الأطول يضاعف التغطية. فعند إطار واحد كل 30 ثانية، يمكن لكاشف يعمل بسرعة ~85 FPS من حيث المبدأ تغطية أكثر من 2,000 قناة كاميرا على وحدة L40S واحدة، وعند فواصل تُقاس بالدقائق تصل الوحدة نفسها إلى أبعد من ذلك بكثير. وهذا ما يتيح لـStreamVLM™ التوسّع عبر آلاف الكاميرات في مدينة أو ولاية. ويتولى فريق هندسة IREX تحديد الحجم النهائي لكل عملية نشر.

مصمَّمة للتحكم التشغيلي وحوكمة الذكاء الاصطناعي الأخلاقي

تندمج StreamVLM™ في سير عمل مراكز القيادة القائمة في IREX:

• اختبار الكاشف على إطار واحد: قبل تشغيل الكاشف، يختبر المسؤولون الموجّه على لقطة من كاميرا حية أو على صورة JPEG أو PNG مرفوعة، ويرون درجة التشابه الدقيقة وحكم نموذج VLM وتفسيره.
• عدة كاشفات لكل كاميرا: يمكن تشغيل عدة كاشفات StreamVLM™ على قناة كاميرا واحدة، لكل منها منطقة اهتمام مضلّعة خاصة به. وحين تتشارك الكاشفات منطقة الاهتمام نفسها، تحسب المرحلة 1 تضمين الإطار مرة واحدة وتعيد استخدامه لكل قاعدة فعّالة. ويعتمد الحد الأقصى لكل كاميرا على عتاد العميل ويُؤكَّد خلال التجربة الأولية.
• الفتح عند الإخفاق بالتصميم (fail-open): إذا تعذّرت خدمة التحقق بنموذج VLM لحظياً أثناء ذروة حمل، تُطلق StreamVLM™ تنبيه المرحلة 1 مع ذلك وتضع عليه علامة “لم يُجرَ فحص إضافي”، فلا يُهمَل حادث سلامة عاجل بصمت.
• Transparency by Design والمساءلة: يحمل كل تنبيه من StreamVLM™ الإطار الكامل ومقتطع منطقة الاهتمام ونسبة التشابه والأدلة النصية من نموذج VLM. ويتطلب البحث في الأحداث Case ID، ويُسجَّل كل تغيير في الإعدادات وكل بحث في سجل التدقيق (Audit Logbook) غير القابل للتغيير ضمن صلاحيات مخصّصة للتحكم في الوصول المستند إلى الأدوار (RBAC).

التوافر وخارطة الطريق

يصدر التنبيه الفوري عبر StreamVLM™ ضمن IREX 4.43 المقرر إطلاقه بين ديسمبر 2026 وأوائل يناير 2027. وهو يعمل على عقدة GPU داخل نشر IREX لدى العميل، وتحدّد IREX الهندسة حجمها، بينما يواصل بقية المنصة العمل على خوادم قياسية. أما البحث الاستعادي بلغة طبيعية المستند إلى الأوصاف عبر أرشيفات الفيديو المخزّنة فهو مدرج في خارطة طريق منتجات IREX لعام 2027.

استكشف StreamVLM™ ←

نبذة عن IREX

IREX منصة ذكاء اصطناعي أخلاقي للسلامة العامة والمدن الذكية وإدارة المرور، مع أكثر من 250,000 كاميرا منشورة عالمياً في 8 دول وأكثر من 100,000 كاميرا مُثبَت عملها في نسخة واحدة. وبالاستناد إلى مبدأ Transparency by Design، تحوّل IREX شبكات الكاميرات القائمة إلى أدوات ذكية قابلة للتدقيق، بينما يحتفظ العملاء بسيادة كاملة على بياناتهم.