الذكاء الاصطناعي يستطيع تحديد عمرك من ملامح وجهك
تُعدّ تقنيات الذكاء الاصطناعي القادرة على تقدير العمر من ملامح الوجه واحدةً من أبرز تطبيقات رؤية الكمبيوتر والتعلّم العميق في السنوات الأخيرة. تستند هذه التقنيات إلى تدريب شبكاتٍ عصبيةٍ عميقة على قواعد بيانات ضخمة من الصور المعلّمة بعمر كل شخص، لتتعلم استخراج الأنماط الدلالية في ملامح الوجه – مثل التجاعيد، وملمس الجلد، وشكل العيون – وربطها بعمرٍ بيولوجيّ أو ظاهريّ محدّد. تنتشر هذه الأدوات اليوم في مجالاتٍ متنوعة تشمل الرعاية الصحية، والتحقق من العمر في التجارة الإلكترونية، والتسويق الموجّه، مع تسليط الضوء على التحديات الأخلاقية المتعلقة بالخصوصية والتحيّز. يلي هذا المقال تفصيلٌ لآلية عمل هذه الأنظمة، وأهم أمثلةها التجارية والطبية، والدقّة المتحققة، والتحديات المستقبلية التي تواجهها.
كيف تعمل تقنية تحديد العمر من الوجه
جمع البيانات والتعليب
تعتمد الأنظمة على قواعد بيانات تضمّ مئات الآلاف إلى الملايين من الصور المصنّفة بعمر كل شخص عند التقاط الصورة، مثل مجموعتي IMDB-WIKI وIMDB-Clean المستخدمة في الأبحاث الأكاديمية. تقوم عملية التعليب (annotation) بتوثيق العمر الحقيقي لكل صورة، مما يتيح للشبكات العصبية – غالباً ما تكون من نوع الشبكات الالتفافية (CNN)
بنية النماذج والتعلّم العميق
تستخدم أحدث النماذج بنيةً متعددة المهام (multi-task) لالتقاط السمات المشتركة بين التعرف على الهوية، والتعبير العاطفي، وتقدير العمر، مما يعزّز الدقة ويوفّر كفاءةً في التدريب. مثلاً، يدمج نمط SwinFace إطار Transformer مع وحدات انتباه مخصّصة لكل مهمة، فتتمكن الشبكة من اختيار القنوات والطبقات الأمثل لكل غرض تحليلي. ويستخدم نموذج FP-Age تقنية «الانتباه التحليلي للوجه» (Face Parsing Attention) للتركيز على المكونات الأكثر دلالة – كالمنطقة حول العينين والفم – لتحسين الأداء عند الصور «في الظروف الحقيقية» (in the wild) .
أمثلة عملية لتطبيقات تحديد العمر
الرعاية الصحية: نموذج FaceAge
طوّرت مؤسسة Mass General Brigham أداةً تُدعى FaceAge قادرة على تقدير العمر البيولوجي للمريض من صورة وجهٍ وتعتمدها لتوقع نتائج البقاء على قيد الحياة في مرضى السرطان. أظهرت التجارب على أكثر من 6,000 مريض أن الـ FaceAge يتجاوز دقة الأطباء عند التنبؤ بنسبة النجاة الستة أشهر لما قبل العلاج الإشعاعي التلطيفي؛ فزادت الدقة من 61% إلى 80%
التجارة الإلكترونية والتحقق من العمر
اعتمدت شركاتٌ مثل Veriff وبنوكٌ رقميةٍ وأصحاب خدمات الخمور والكازينوهات الإلكترونيّة على أدوات تقدير العمر لتمكين التحقق السريع من كون المستخدم بالغاً قانونياً قبل الموافقة على المعاملات أو الوصول إلى المحتوى المحظور. تقدّر منصة Veriff العمر خلال أقل من ثانية عند التقاط سيلفي، مع تقديم تقرير بيومتري يساهم في مكافحة الاحتيال وتحسين تجربة المستخدم . كما أطلقت يوتي (Yoti) نظاماً يركّز على الفئات العمرية من 6 إلى 60 عاماً بدقّة وسطية 2.79 سنة، وتتقلص إلى أقل من 1.5 سنة تحت سن 25، مستخدمةً هذه التقنية لمنع استغلال الأطفال على منصّات التواصل الاجتماعي .
البيع بالتجزئة وتقييد المبيعات
في المملكة المتحدة، استعادت سلسلة John Lewis بيع السكاكين عبر الإنترنت بعد تعليقها منذ 2009، بفضل نظام تقدير عمرٍ قائم على AI من Yoti يقوم برفض المعاملات إذا كانت تقديرات عمر المشتري دون 18 عاماً ضمن هامش خطأ 1.3 سنة، مع حذف الصور فور الانتهاء لضمان الخصوصية .
الدقة والتحديات
عوامل
تؤثر على الدقة
الإضاءة: الظلال غير المتوازنة تؤدي إلى أخطاء في تحليل نسيج الجلد والتجاعيد .
وضعية الرأس والتعبير: الانحراف عن الوضعية الأمامية أو تغير تعابير الوجه يضطرّ النماذج إلى تعميم أقل دقة.
تنوع البيانات: تحيز قواعد البيانات نحو أعمار أو أعراق أو أجناسٍ معينة يقلل من دقة التقدير على مجموعاتٍ غير ممثلة جيداً.
الجوانب الأخلاقية والخصوصية
يثير استخدام الكاميرات والأدوات السحابية مخاوفٍ بشأن تخزين الصور وتحليلها لاحقاً دون موافقة صريحة، ما دفع بعض الشركات لحذف الصور فور الانتهاء من التقدير لضمان عدم استغلال البيانات الشخصية.
مستقبل تقدير العمر عبر الوجه
يتجه الباحثون حالياً إلى:
تحسين الشفافية: شرح كيفية اتخاذ النموذج لقراراته من خلال تقنيات تفسير النماذج.
التعميم العادل: ضمان توازُن بيانات التدريب عبر الأعراق والأعمار لتحقيق دقة متساوية.
التطبيقات الصحية الواسعة: الانتقال من «تقدير العمر» إلى «تنبؤ الحالة الصحية العامة» عبر تحليل العمر الظاهري كعلامةٍ حيوية مبكرة للأمراض والشيخوخة المبكرة.
في الخلاصة، تشكّل تقنيات الذكاء الاصطناعي لتقدير العمر من الوجه نقطة تحولٍ هامة في الطب، والتجارة، والأمن الرقمي، إلا أن ضمان الدقة، والعدالة،
