في عصر تتزايد فيه الحاجة إلى أنظمة ذكية تعتمد على التعرف التلقائي على الأنشطة البشرية (HAR)، أظهرت دراسة جديدة تقدماً ملحوظاً في هذا المجال من خلال تطبيق إطار عمل هندسي مبتكر يعرف باسم هندسة التضمين التنبؤية المشتركة (Joint Embedding Predictive Architecture).
تعتبر عمليات التعرف على الأنشطة البشرية التقليدية تحديًا كبيرًا نظرًا لاعتمادها على كميات كبيرة من البيانات المعلَمة، وهو ما يتطلب جهدًا ضخمًا في جمع وتوصيف هذه البيانات. ومن هنا، جاء هذا البحث ليقدم حلاً فعّالاً من خلال إطار عمل يهدف إلى تعلم تمثيلات قوية وقابلة للتعميم من مجموعات بيانات غير معلمة.
تتضمن الآلية الجديدة استخدام مشفر مصمم لتحليل كل من التمثيلات الزمنية الدقيقة داخل النوافذ الفردية وكذلك التسلسل الزمني الطويل للنوافذ المجاورة. كما تم تقديم وظيفة الهدف المعدلة المعروفة باسم تنظيم التباين والثبات والتغاير (Variance-Invariance-Covariance Regularization) لتحسين مرحلة ما قبل التدريب لإطار عمل (HAR-JEPA) الجديد.
تكمن قوة هذا الإطار في قدرته على تحقيق تمثيلات عالية الجودة قابلة للتعميم بشكل أفضل حتى في نشاطات نادرة عالية التباين، مثل الانتقال من الجلوس إلى الوقوف أو الانتقال من الجلوس إلى الاستلقاء، وهي حالات غالبًا ما تواجه نماذج التعلم المراقب صعوبة في التعرف عليها بسبب نقص البيانات الداعمة.
بناءً على النتائج التي تم الحصول عليها من مجموعتين مرجعيتين للأماكن التي تم فيها قياس الأنشطة المستمرة، يبدو أن هذا الإطار الجديد يقدم بخطوات واثقة تجاه تطوير نماذج التعرف على الأنشطة البشرية بفعالية أكبر.
ما رأيكم في هذه الابتكارات المثيرة في مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!