في عالم الذكاء الاصطناعي، يُعتبر التعرف على الأنشطة البشرية (Human Activity Recognition - HAR) من أبرز التحديات التقنية، خاصةً عندما يتعلق الأمر بتطوير أنظمة قابلة للاستخدام اليومي. يعاني النموذج الذي يعتمد على الفيديو من مشكلات عديدة، منها استهلاك الطاقة، مخاوف الخصوصية، والاعتماد على الإضاءة. في الوقت ذاته، توفر وحدات القياس التسارعية (Inertial Measurement Units - IMU) بديلاً محتملاً يتميز بالكفاءة والطاقة المنخفضة، ولكنها تفتقر إلى مجموعات بيانات موضوعة بشكل كبير، مما يؤدي إلى ضعف في القدرة على التعميم.

هنا يأتي دور تقنية COMODO، وهي إطار عمل مبتكر يعتمد على أسلوب التعلم الذاتي عبر نقل المعرفة من الفيديو إلى وحدات القياس التسارعية دون الحاجة إلى تسميات مسبقة. تعتمد COMODO على مشفر فيديو مُدرّب مسبقًا لإنشاء قائمة ديناميكية تمكِّن من محاذاة التوزيعات بين تجارب الفيديو وIMU. وأضافت التجارب على العديد من مجموعات بيانات HAR الخاصة بالنمط الإيجابي أن COMODO تُظهر أداءً محسّنًا، يتجاوز نماذج التعليم الخاضعة للإشراف بالكامل.

مع الاستفادة من بساطتها ومرونتها، تكون COMODO متوافقة مع نماذج الفيديو المختلفة، مما يفتح المجال أمام استغلال نماذج تعليمية أكثر قوة في الأبحاث المستقبلية حول الحوسبة الشاملة. لمزيد من المعلومات، يمكنك زيارة هذا [الرابط](https://github.com/cruiseresearchgroup/COMODO).