في عالم الذكاء الاصطناعي، تحديات تقييم الحمل الإدراكي في أوقات حرجة، مثل مراقبة يقظة السائقين والمساعدة الآلية في قمرة القيادة، تستدعي حلولاً مبتكرة. هنا يأتي دور MambaGaze (Bi-Mamba)، إطار عمل تم تصميمه خصيصاً للتغلب على العقبات المرتبطة بالتعامل مع البيانات الناقصة الناتجة عن الرمش وأخطاء التتبع.

يستخدم MambaGaze تقنيتين رائدتين: الأولى هي تشفير XMD (eXcluded Missing Data) الذي يعزز الميزات الخام من خلال إضافة أقنعة ملاحظة وفروق زمنية لتصميم عدم اليقين في البيانات. والثانية هي نموذج Mamba-2 ثنائي الاتجاه الذي يتعامل مع الاعتمادات الزمنية بدقة مع تعقيد حسابي خطي، مما يتيح له تقييم البيانات بكفاءة.

قد أظهرت التجارب على مجموعات بيانات CLARE وCL-Drive، تحت تقييم ترك أحد الموضوعات، أن MambaGaze حقق دقة تصل إلى 77.1% و59.2% في معيار F1 على CLARE، و69.4% و51.5% على CL-Drive، مما يجعله يتفوق على جميع النماذج الأخرى في المتوسط.

الوصول إلى هذه النتائج المذهلة كان مدعوماً ببنود تحليل مدخلات معينة تشير إلى أن الفروق الزمنية المُدرجة بشكل لوغاريتمي كانت الأكثر قوة كقناة واحدة. بالإضافة إلى ذلك، فإن دمج جميع ثلاثة تدفقات XMD قدم مكاسب ثابتة تتراوح بين 5 إلى 20 نقطة في معيار F1.

تتجاوز فوائد MambaGaze الأداء العالي، حيث تُظهر اختبارات النشر في ثلاث منصات NVIDIA Jetson Orin قدرة على الاستدلال في الوقت الحقيقي بسرعة تتراوح بين 27 و36 إطاراً في الثانية مع استهلاك طاقة يقل عن 6.6 واط، مما يعزز الجدوى لتطبيقات مراقبة الحمل الإدراكي المدمجة.

مستقبل ذكي ينتظرنا بفضل هذه الابتكارات! كيف ترى تأثير MambaGaze على تطبيقات الذكاء الاصطناعي في الحياة اليومية؟ شاركونا آراءكم في التعليقات!