في عالمنا المعاصر، تتزايد الحاجة إلى أنظمة تعرف فعالة على نشاطات الإنسان بدون احتكاك. ومن بين الابتكارات التي تبرز في هذا المجال، يظهر إطار العمل AMAR، الذي يعتمد على معلومات حالة القناة (CSI) لتوفير حلول مبتكرة في التعرف على الأنشطة الحركية. بينما كان التركيز سابقًا على السيناريوهات ذات المستخدمين الفرديين، يتطلب الواقع استراتيجيات أكثر تعقيدًا للتعامل مع وجود مستخدمين متعددين يتفاعلون في نفس الوقت.

تقدم AMAR نهجًا مبتكرًا في هذا السياق، حيث تعتبر التعرف على النشاطات المتعددة كمشكلة تنبؤية متناهية. تعتمد تقنية AMAR على بنية تحوّل متطورة، تستخدم استفسارات قابلة للتعلم تعمل ككاشفات نشاط متخصصة، مما يسمح بالتعرف على أنشطة متعددة في وقت واحد من تمثيلات مجموعات بيانات CSI.

علاوة على ذلك، تم تصميم AMAR وفقًا لهندسة تسليم مختلطة بين الحافة والسحاب، حيث تقوم الشبكات التلافيفية الخفيفة الموجودة على أجهزة الحافة بأداء عمليات استخلاص الخصائص، تليها كميّة متجهات متبقية لتحقيق تقليص كبير في عرض النطاق الترددي مع الحفاظ على معلومات تمييز الأنشطة. يتم إجراء التنبؤ النهائي لأنشطة المستخدمين عبر تطابق مجموعات باستخدام الانتباه (attention-based set matching)، مما يمكّن النظام من التعامل مع مستويات إشغال متغيرة بكفاءة.

قد أظهرت دراسات الحالة، التي شملت صفوف دراسية وغرف اجتماعات وغرف فارغة، أن AMAR حققت تقريبًا ضعف معدل التنبؤ الصحيح لجميع الأنشطة المتزامنة مقارنةً بأفضل المعايير الحالية. كما سجلت AMAR معدل دقة (F1-Score) قدره 53.4% مقارنةً بـ 45.6% لأفضل مرجع، وتقلل من خطأ تقدير الإشغال بنسبة 74%، مع تقليل كبير في عرض النطاق الترددي.

الآن، مع هذه التقنية، يمكن أن نشهد ثورة في كيفية تجسير الفجوة بين التكنولوجيا واحتياجات البشر اليومية. فما هي آفاق استخدام هذه التكنولوجيا؟💡 شاركونا آراءكم في التعليقات!