في ظل تزايد أهمية الذكاء الاصطناعي في مجالات متعددة، يبرز موضوع اكتشاف الأحداث بدقة (Precise Event Spotting - PES) في الرياضات السريعة، مثل التنس، كأحد التحديات التقنية التي تستوجب حلولاً مبتكرة. ففي الرياضات التي تمتلئ بالأحداث الدقيقة في فترات زمنية قصيرة للغاية، يصبح من الصعب جداً تحديد المواقع بدقة على المستوى الإطاري بسبب عوامل مثل الضبابية الناتجة عن الحركة، واختلافات الأفعال الطفيفة، ونقص البيانات المعلّمة.

لذا، قام الباحثون بدراسة استراتيجيتين متميزتين للتقطير لدعم PES القائم على قليل من الأمثلة. الأولى هي تقطير الوزن التكييفي (Adaptive Weight Distillation - AWD)، وهي طريقة تعتمد على مستوى التوقعات حيث تقوم بتعديل وزن إشراف المعلم على البيانات غير المعلّمة بذكاء. أما الثانية فهي تقطير متعدد الوسائط التكيفي لاكتشاف الأحداث بقليل من الأمثلة (Annealed Multimodal Distillation for Few-Shot Event Detection - AMD-FED)، وهو إطار عمل يعتمد على مستوى التمثيل لنقل المعرفة القوية من الهياكل العظمية إلى الوسائط البصرية من خلال تسمية زائفة متدرجة.

تظهر الدراسات تقييم هذين المنهجين على قاعدة بيانات F3Set-Tennis في إعدادات k-clip المحدودة، حيث يتفوقان باستمرار على المعايير الأحادية السابقة approaches، مما يعزز من كفاءة الطرح المتعدد الوسائط. وعند ملاحظة الأداء الأقوى لتقنية التقطير المستندة إلى التمثيل في رياضة التنس، تم أيضاً تأكيد فعالية AMD-FED على مجموعة بيانات رياضية ثانية، وهي تزلج فني، حيث أثبتت نجاحها المتكرر في سيناريوهات الكليب.

تدل هذه النتائج على قوة التقنيات التكتيلية المتعددة الوسائط، خاصة نقل المستوى التمثيلي في اكتشاف الأحداث بدقة تحت ظروف قليلة من الإشراف. يُعد هذا النقاش خطوة هامة نحو فهم كيفية تحسين العمليات الرياضية من خلال الابتكارات الذكية.