تحسين أمن المطارات باستخدام طرق التعلم العميق المدعومة بإنترنت الأشياء لاكتشاف التهديدات ونظم التوصية الذكية

لماذا تهم المطارات الأذكى المسافرين

السفر الجوي أكثر ازدحامًا من أي وقت مضى، ومعظم الركاب لا يلاحظون الأمن إلا عندما يكون بطيئًا أو مجهدًا. تستكشف هذه الدراسة كيف يمكن لمزيج جديد من المستشعرات الذكية والذكاء الاصطناعي أن يجعل المطارات أكثر أمانًا وأسهل في التنقّل. من خلال تعليم الحواسيب التعرف على السلوك غير المألوف والأشياء الخطرة في الوقت الحقيقي، يهدف الباحثون إلى تقليل الطوابير الطويلة، وخفض عدد الإنذارات الكاذبة، ومساعدة فرق الأمن على التركيز على الحالات التي تهم بالفعل.

من الكاميرات والمستشعرات إلى نظام عصبي حي

يقترح المؤلفون إطار أمن مطار يسميه ISODI يتعامل مع الصالة كما لو كانت نظامًا عصبيًا متصلاً. تغذي الكاميرات وكاشفات الحركة وبطاقات الدخول والمستشعرات البيئية جميعها خطًا رقميًا واحدًا. تُنقّى هذه التدفقات من المعلومات وتُزامن بحيث يمكن فهم شخص يترك حقيبة أو تجمُّع حشد أو فتح باب مقيد معًا بدلًا من اعتباره أحداثًا معزولة. من خلال الجمع بين مصادر متعددة، يمكن للنظام مراقبة مساحات واسعة بمزيد من الاعتمادية مقارنةً بالحراس البشريين وحدهم.

كيف يتعلم المراقب الرقمي ما هو غير المعتاد

في قلب ISODI نماذج التعلم العميق، وهي مجموعة من البرامج الحاسوبية المستوحاة من الدماغ. يختص جزء منها بالصور، فيفحص صور المسح الجسدي وإطارات الفيديو بحثًا عن أسلحة أو أشياء مخفية أخرى. يركز جزء آخر على تسلسلات الأرقام، مثل تغير قراءات المستشعرات أو تدفق الركاب عبر الزمن. تستفيد الدراسة بشكل مبتكر من تقنية تسمى التعلم متعدد المناظر: حيث تُحوّل عمليات المسح ثلاثية الأبعاد إلى عدة مناظِر ثنائية الأبعاد حتى يمكن للشبكات البصرية المختبرة جيدًا تحليلها بكفاءة.

تدريب النظام باستخدام بيانات مطارات حقيقية

لفحص فعالية هذا النهج، درّب الباحثون اختبروا نماذجهم على مجموعتين كبيرتين متاحتين للعامة. تحتوي إحداهما على مسوحات كاملة للجسم مشابهة لتلك المستخدمة في العديد من المطارات، حيث قد تكون التهديدات مخفية تحت الملابس. نموذج التعلم الانتقالي للفريق، الذي يعيد استخدام المعرفة من مكتبات الصور القائمة، اكتشف التهديدات في مسوحات جديدة وغير مرئية سابقًا بدقة تزيد عن 99% في مقاييس رئيسية. تسجل المجموعة الثانية ملايين الرحلات التجارية، بما في ذلك التأخيرات والتحويلات. هنا استُخدم ISODI للإشارة إلى أنماط غير عادية مرتبطة بمشكلات مثل التأخيرات ذات الصلة بالأمن، وتفوّق على طرق شائعة مثل أشجار القرار وخوارزميات الجار الأقرب.

تحويل التنبيهات إلى قرارات ذكية

كشف المشكلة نصف المعركة فقط؛ فالتفاعل بحكمة لا يقل أهمية. يتضمن ISODI وحدة توصية ذكية تصنّف المخاطر وتقترح كيفية نشر طاقم الأمن. عندما يلاحظ النظام شيئًا غريبًا، يمكنه إبراز المنطقة، واقتراح إرسال ضباط هناك، وتقليل الانتباه في المناطق الأكثر هدوءًا. يستمر في التعلم من التغذية الراجعة: إذا تبين أن حقيبة متروكة لا تشكل خطرًا، تُسجَّل تلك النمطية بحيث تُعالج الحالات المشابهة بسلاسة أكبر في المرة القادمة. يهدف هذا الحلقة المغلقة إلى خفض الإنذارات الكاذبة التي تبطئ الركاب مع التأكد من عدم تفويت المخاطر الحقيقية.

موازنة السلامة والسرعة والخصوصية

صُمّم الإطار مع مراعاة القضايا العملية. اختيرت الطرق لتعمل بسرعة كافية للاستخدام في الزمن الحقيقي والتعامل مع الكاميرات الصاخبة، وتغيّر الإضاءة، وفشل المستشعرات العرضي. كما يؤكد المؤلفون على الخصوصية: تُزال التفاصيل الشخصية أو تُحوّل إلى ميزات مجردة، وتُدار البيانات وفق قواعد صارمة بحيث لا يُمكن التعرف بسهولة على الأفراد. ومع ذلك، يشيرون إلى أن التجارب الحقيقية في مطارات عاملة ضرورية لتأكيد الأداء، والتعامل مع سيناريوهات تهديد نادرة لكنها خطيرة، والتأكد من أن ضوابط الخصوصية تقف صامدة خارج بيئة المختبر.

ماذا يعني هذا لرحلتك القادمة

بعبارة بسيطة، تُظهر هذه الدراسة كيف يمكن للمطارات أن تستخدم التكنولوجيا الذكية لتصبح أقرب إلى فريق يقظ ومدرّب جيدًا بدلًا من مجموعة من نقاط التفتيش المتفرقة. من خلال دمج مستشعرات متعددة، والتعرف المتقدم على الأنماط، وأدوات صنع القرار، يحسّن إطار ISODI القدرة على اكتشاف مخاطر الأمن الحقيقية مع الحفاظ على انخفاض الإنذارات الكاذبة. إذا خُضعت هذه الأنظمة لاختبارات كاملة ونُشرت بعناية، فقد تساعد في الحفاظ على سلامة الرحلات، وتقليل التأخيرات المتعلقة بمسائل الأمن، وجعل التنقّل من الرصيف إلى البوابة أشبه بتدفق منظّم بدلاً من عنق زجاجة.

الاستشهاد: Basem, M., Zaki, J., Saraya, M.S. et al. Improving airport security with IoT-powered deep learning methods for threat detection and intelligent recommendation systems. Sci Rep 16, 16591 (2026). https://doi.org/10.1038/s41598-026-54104-z

الكلمات المفتاحية: أمن المطارات, الذكاء الاصطناعي, مستشعرات إنترنت الأشياء, كشف الشذوذ, التعلم العميق