ابتكار ثوري: تجزئة البيانات بالذكاء الاصطناعي لتمييز الشذوذ في أنظمة المراقبة!

في إطار الثورة التكنولوجية التي يشهدها عصر الذكاء الاصطناعي، تسلط دراسة جديدة الضوء على تطبيقات مبتكرة تشمل أنظمة المراقبة التي تتعامل مع بيانات حساسة. يعتمد النموذج المعتمد على تقنية التعليم الفيدرالي لتصنيف الشذوذ باستخدام نماذج لغة الرؤية الكبيرة (VLMs). تعاني هذه الأنظمة التقليدية من الحاجة للوصول المركزي إلى فيديوهات المراقبة، وهو ما يعد تحديًا في الأسواق المعقدة.

حيث يضطلع النظام المبتكر بدور محوري في تصنيف الشذوذ بفضل هيكله الهجين المكون من طبقتين، والذي يجمع بين شبكة عصبونية لبنية إحصائية ثنائية (CNN) مع استدلال VLM على الخادم. يعمل البوابة الخفيفة LiteCNN3D على فحص الشذوذ محليًا، مما يسمح بإرسال الفيديوهات المشبوهة فقط إلى نموذج Qwen3-VL-8B لتمييزها ضمن أربعة فئات شذوذ.

أظهرت الدراسات المقارنة أن الهيكل المقترح يحتفظ بجودة التصنيف دون انخفاض كبير في سعة نقل الفيديو، حيث تم تقليل نسبة الفيديوهات المرسلة إلى 51.4%. كما تتيح الظروف المُعدلة زيادة حساسية اكتشاف الشذوذ، مما يعزز من قوة النظام.

مع ذلك، يتبين من النتائج أن نموذج التعليم الفيدرالي يعد الأنسب للفحص المحلي، إذ ترافق القواعد المعدلة تحسين استغلال نماذج VLM مما يسهم في زيادة دقة تصنيف الشذوذ.

يسلط هذا الابتكار الضوء على أهمية الدمج بين تكنولوجيا التعلم الفيدرالي ونماذج الذكاء الاصطناعي الكبيرة لتحسين استجابة أنظمة المراقبة وتقديم مستويات أعلى من الأمان والخصوصية.