تعتبر القدرة على التعرف على الأفعال البشرية والتعلم منها بشكل مستمر، دون نسيان معرفة سابقة، أمرًا بالغ الأهمية لتطبيقات الواقع المعزز (AR) والواقع الافتراضي (VR) والروبوتات. في هذا السياق، تمثل تقنية التعلم المستمر من CLANE نقلة نوعية في استخدامها للأجهزة العصبية وكاميرات الأحداث.

تم تصميم CLANE، الذي يرمز إلى "التعلم المستمر للأفعال على الأجهزة العصبية من كاميرات الأحداث"، ليعمل بكفاءة عالية على جهاز Intel Loihi 2. يجمع هذا النظام بين تقنيات متقدمة تشمل شبكة عصبية مؤقتة (spiking CNN) لاستخراج الميزات المكانية والزمانية، بالإضافة إلى تقنية التعلم الذاتي على الشريحة (CLP-SNN)، مما يسمح بمعالجة البيانات بشكل خاص.

تستخدم CLANE بنية فريدة تتضمن طبقة تجميع زمني وطبقةNormalization ثابتة، وهما وحدتان جديدتان من وحدات Loihi 2، مما يعمل على تعزيز قدراتها في التعلم المستمر. وبفضل هذا التصميم، تمكنت CLANE من تحقيق دقة تصل إلى 70.4% في مهام التعلم المستمر على مجموعة بيانات THU E-ACT-50، التي تشمل 50 صنفًا من الأفعال تحت ظروف العالم الحقيقي.

الأهم من ذلك، تحقق CLANE وفرة هائلة في الطاقة تصل لأكثر من 100 ضعف، كما تقلل من زمن الاستجابة بنسبة 16 ضعف مقارنة بالأنظمة التقليدية مثل CNN+GRU+CLP على وحدات معالجة الرسومات (edge GPU). هذه النتائج تم التحقق منها من خلال أساليب تقييم موحدة عبر ثلاثة مستويات، مما يدل على قوة CLANE في الدفع بتكنولوجيا التعلم الذاتي للأمام.

تعد تطبيقات CLANE خطوة نحو مستقبل حيث يمكن للتكنولوجيا الذكية أن تتكيف مع احتياجات المستخدمين بشكل فوري وفعال، مما يفتح آفاقًا جديدة في مجال الذكاء الاصطناعي والروبوتات.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!