بناء برمجيات التعرّف على وسيلة التنقل من البداية إلى النهاية – قصة نجاح
تُظهر قصة النجاح هذه كيف تؤتي الحماسة والخبرة والالتزام ثمارها. فهناك مشاريع لا تُحصى، لكل منها مشكلاته التي تتطلب أساليب وتقنيات مبتكرة.
مقدمة
تُظهر قصة النجاح هذه كيف تؤتي الحماسة والخبرة والالتزام ثمارها. فهناك مشاريع لا تُحصى، لكل منها مشكلاته التي تتطلب أساليب وتقنيات مبتكرة. كما أن مهارات متنوعة كثيرة يمكن أن تساعد في إنجاز العمل ضمن الإطار الزمني المتوقع. لدينا خبرة هندسة برمجية واسعة، ونتشارك المعرفة جيدًا داخل الفريق، وبصراحة يلزم الكثير عادةً كي نُفاجأ.
ومع ذلك، تصل إلى مكتبنا بين الحين والآخر مهمة غير اعتيادية حقًا. ربما تعرف هذا الشعور: تراجع الافتراضات الأولية للمشروع، وتتحدث إلى العميل، وفي تلك اللحظة تدرك أن مغامرة على وشك أن تبدأ.
لا شيء يقود المشروع إلى النجاح مثل فريق متحمس، ولا شيء يغذي الحماسة مثل مشكلة هندسية مثيرة وصعبة. وقد منحنا هذا المشروع كل ذلك وأكثر.
تصف هذه المقالة كيف انتقلنا من فكرة حل متطور للتعرّف على وسيلة النقل يعتمد على تعلّم الآلة إلى إثبات مفهوم (PoC) متين، ثم بدأنا الاستعداد لمنتج أدنى قابل للتطبيق (MVP).
أعدّ لنفسك قهوة. فهذه القصة ليست قصيرة 🙂
المهمة
يبدأ كل مشروع تقني جيد بمشكلة محددة بوضوح. فمعمارية المشروع كلها تُبنى حولها، كما أنها تحرّك الفريق وتبقيه متحفزًا ومركّزًا. وقد يكون فهم المشكلة وما تنطوي عليه أهم جزء في المشروع كله.
وقد أوفى عميلنا بذلك. فقد جاءنا بتحدي التعرّف على وسائل التنقل من بيانات الهاتف المحمول. كان علينا بناء حل متكامل يستخدم التعرّف على النشاط البشري لحساب انبعاثات CO2 التي تم تجنّبها.
الهدف الرئيسي للعميل هو مكافأة الناس على التنقل بطريقة مستدامة. يكتشف تطبيق العميل وسيلة التنقل تلقائيًا، ويحسب كمية CO2 التي تم تجنّبها مقارنة بسيارة بمحرك احتراق، ويكافئ المستخدمين على هذا الأساس – فكرة جديرة بالاهتمام ومنتج له معنى.
من الناحية التقنية، المهمة صعبة. فهي تتطلب التعامل مع تدفق مستمر من بيانات مستشعرات الهاتف وتستلزم نماذج تعلّم آلة دقيقة جدًا. وفوق ذلك، فإن فهم السياق المكاني ضروري، لأن المستخدمين يتنقلون داخل المدن. وهذا يضع المهمة عند ملتقى العلم والهندسة، مما يجعلها مناسبة تمامًا لشركتنا.
الفريق
كما قال أحد الحكماء ذات مرة: عليك أن تجمع رفاقك قبل أن تنطلق. يتكون فريق تعلّم الآلة لدينا من مهندسين متخصصين في تعلّم الآلة. تقع شبكة عصبية عميقة في قلب الحل، لكنها لا تستطيع العمل وحدها. فلا بد من بناء تطبيق للهاتف المحمول للوصول إلى بيانات المستشعرات وللتواصل مع المستخدم. وبما أن عدة خدمات مصغّرة (microservices) تستهلك نتائج استدلال النموذج وتتعاون لحساب درجة تجنّب انبعاثات CO2، فإن النظام يحتاج أيضًا إلى منصة قادرة على تنسيق مكوناته الأخرى.
ولهذا السبب تعاونّا مع شركات أخرى: شركة برمجيات لديها مطورو Scala ممتازون ذوو خبرة في حلول البيانات الضخمة والبلوكتشين، وشركة شريكة متخصصة في بناء تطبيقات الإدارة والتطبيقات الموجهة للمستخدمين.
وهكذا انطلق المشروع: بفريق هندسي يضم مهندسي تعلّم الآلة ومطوري برمجيات Scala ومطوري iOS ومهندسي DevOps ومهندسي ضمان الجودة وخبراء نظم المعلومات الجغرافية (GIS). وغني عن القول إن هذا كان مزيجًا مذهلًا. وبالتوازي، تولّى أعضاء آخرون في الفريق تنسيق عملنا، فعملوا كمالكي منتج / مديرين، وصمّموا تجربة / واجهة المستخدم، وأداروا ورش عمل حول البلوكتشين. واستغرق إعداد التنسيق بين عمل الشركات الثلاث نحو أسبوعين.
والأهم أن فريق العميل شارك في الجهد الهندسي منذ اليوم الأول. فقد كانوا دائمًا حاضرين للإجابة عن الأسئلة التي لا تُحصى والتي كنا نطرحها عليهم يوميًا. وتبين أن التعاون بين العميل والمهندسين كان أساسيًا. إلى فريق العميل: شكرًا لكم على موقفكم ودعمكم!
التخطيط قبل البرمجة
كان لدينا قدر كبير من الحرية، وتمكنا من تصميم معمارية الحل من الصفر. كنا متشوقين لبدء البرمجة، لكن قبل ذلك كان علينا التأكد من أننا نفهم ما يتوقعه العميل لنتمكن من التخطيط جيدًا. وكان الموعد النهائي للمهمة ثابتًا. أردنا أن يتمكن العميل من عرض حله ومشاركة فكرته مع العالم في أقرب وقت ممكن.
كان هدفنا أن نتمكن من متابعة تقدم مراحل إثبات المفهوم في أي لحظة. أردنا أن يبقى العميل مسيطرًا على ما يجري في مشروعه رغم سرعة التطوير. وكان هذا مهمًا جدًا أيضًا من منظور تعلّم الآلة، إذ يتطلب كميات كبيرة من البيانات عالية الجودة، يجب جمعها ومعالجتها بشكل صحيح. وبالنسبة إلينا، عنى ذلك تسليم النسخة الأولى من المنصة كاملة خلال شهرين من بدء العمل. وكان ضبط التوقيت أساسيًا لتلبية القيود التي فرضها البحث الميداني (جمع البيانات).
وللتأكد من جاهزية كل جزء في الوقت المناسب، قررنا إجراء سلسلة من ورش العمل مع العميل. وأنتجنا معًا مخططًا مفصلًا للنظام كله، يشمل تعلّم الآلة ومتطلبات المنصات السحابية وتطبيق الهاتف المحمول، وأخيرًا وليس آخرًا البلوكتشين.
وأنتجت الجولة الأولى من ورش العمل وثيقة بحثية للتعرّف على وسيلة النقل (TMD)، حددت الخطوات اللازمة لبناء حل تعلّم آلة مرن. وقادت هذه الوثيقة بدورها إلى تصميم معمارية المنصة ووضع بحثي (للتوسيم) في تطبيق الهاتف المحمول.
تفعيل الوضع البحثي
تتطلب مشاريع تعلّم الآلة كميات هائلة من البيانات – وليس أي نوع من البيانات. فدقة النموذج تعتمد مباشرة على جودة البيانات المجمّعة. وفي المشاريع من نوع جديد، نادرًا ما توجد مجموعة البيانات التي تحتاجها المشكلة، ولذلك يجب بناؤها.
لا يمكنك ببساطة أن تخرج إلى الميدان وتلتقط البيانات. فأولًا، كان علينا تحديد مجموعة من القواعد نتبعها أثناء جمعها. وما يضمن أن تتم هذه الخطوة بعناية هو التعامل مع المشروع كله بوصفه بحثًا علميًا. ولم يخذلنا هذا النهج قط، فهو يناسب مشاريع تعلّم الآلة تمامًا.
جاءت القواعد في شكل تطبيق للهاتف المحمول ودليل للتوسيم. ثم شكّلنا فريقًا من المتطوعين الراغبين في مساعدتنا على جمع البيانات. وحصل كل مشارك على iPhone وApple Watch لتسجيل القياسات أثناء التنقل بين المنزل والعمل.
وخلال البحث جمعنا أكثر من 150 مليون سجل تصف كيف يتحرك الناس.

مثال على البيانات المجمّعة أثناء البحث، في إحدى مناطق البحث.
ومن الجدير بالتأكيد أنه عندما خرج أول عضو في الفريق لجمع البيانات، كانت لدينا بالفعل منصة سحابية تعمل وتعالج البيانات القادمة من الهاتف المحمول وتجهزها لتعلّم الآلة. وكان ذلك في نهاية الشهر الثاني من المشروع. وكانت وتيرة المشروع لافتة.
تطوير قائم على الملاحظات
ما كان للنظام أن يرى النور لولا التواصل المستمر بيننا. فالمعمارية المدروسة جيدًا تساعد في تحديد الإطار الذي يعمل ضمنه الفريق الهندسي. ومع ذلك، يتوقف النجاح على مدى فعاليتنا في تبادل المعلومات حول العمل على تطبيق الهاتف المحمول أو المنصة السحابية أو تعلّم الآلة. وقد ساعدنا Slack وGoogle Meet كثيرًا في ذلك.
هل ذكرت أن الفريق كان يعمل عن بُعد وأن الجميع كانوا يعملون من منازلهم؟
الخلاصة والختام
بعد ستة أشهر من التطوير، كان إثبات مفهوم النظام جاهزًا لاختبارات قبول المستخدم (UAT). وكانت المنصة السحابية مكتملة وقادرة على معالجة الطلبات الواردة من تطبيق الهاتف المحمول. وكانت خدمة التعرّف على وسيلة النقل المعتمدة على تعلّم الآلة جاهزة لتشغيل الاستدلال على بيانات المستشعرات المجمّعة.
لا توجد طريقة أفضل لاختبار حل يقوده تعلّم الآلة من استخدامه في ظروف الحياة الواقعية. لذلك انطلق فريقنا البحثي، بدعم من ضمان الجودة وعملائنا، في رحلاته. وجرّبنا سيناريوهات متنوعة، من المشي إلى التنقل بالمواصلات العامة، ودوّنا ملاحظات كثيرة لضبط النظام بدقة.
وفاقت النتيجة توقعاتنا. فقد تكاملت كل أجزاء المنصة، والحل يعمل.
عميلنا نشط ويشارك في العديد من المؤتمرات في أوروبا والولايات المتحدة. كما يجري الإعداد لتجارب واسعة النطاق، وتتوفر نسخة تجريبية (beta) مفتوحة للتسجيل.
وتُوّج عملنا بتقرير شامل لعميلنا وثّقنا فيه كل جزء من المنصة بالتفصيل. وخطوة كهذه مهمة للحفاظ على المعرفة بالمشروع. فهي تتيح إطلاق المراحل التالية بسرعة وتوسيع الفريق عند الحاجة. كما أن التوثيق المتين مهم لعملية التحقق من حرية التشغيل (FTO)، بل وللحصول على براءة اختراع.
الملخص
كانت مغامرة رائعة. في نحو ستة أشهر صمّمنا وبنينا إثبات مفهوم متقدمًا. ويستطيع الحل إنتاج واستخدام نموذج تعلّم عميق يتعرف على وسائل النقل. ولتقديم الوظائف التي أرادها العميل، جمعنا مهارات كثيرة: تعلّم الآلة، وتطوير الواجهة الخلفية، وتطوير تطبيقات الهاتف المحمول، والبلوكتشين، وGIS، والبحث العلمي.
ما كان لهذا النجاح أن يتحقق لولا الخبرة الواسعة لأعضاء الفريق والثقة التي منحنا إياها عملاؤنا.
كان أصعب جزء في المشروع هو تجميع جميع المهام في الوقت المناسب لنبدأ تصميم نماذج تعلّم الآلة وتدريبها مبكرًا. فقد أردنا ترك أكبر قدر ممكن من الوقت لتجربة معماريات شبكات عصبية مختلفة وأساليب معالجة بيانات متنوعة. وقد تطلب ذلك قدرًا كبيرًا من الانضباط من الجميع في الفريق، إضافة إلى إدراك أن كل عمل على المنصة السحابية أو تطبيق الهاتف المحمول له أثر مباشر في نتائج تعلّم الآلة.
فماذا بعد؟
نتجه الآن نحو MVP. وقد حان الوقت لـتخطيط المهام القادمة وجعل الآلة تعمل بسرعة أكبر. المزيد من الأخبار قريبًا. كل رحلة تُحسب 🌿