في عالم الذكاء الاصطناعي، تزايدت التوقعات حول ضرورة العمل المستمر لنماذج التعرف على النشاط البشري (HAR) على الأجهزة المحمولة. لكن الطرق القائمة على نماذج اللغات الكبيرة (LLMs) كانت تمثل تحديات كبيرة في تفعيلها بسبب طول بيانات الاستشعار وتحملها للقيود المرتبطة بتوقيت الاستجابة والخصوصية.

اليوم، نُقدم لكم "ستيللا" (STELLA)، إطار عمل مبتكر لتحويل بيانات الاستشعار إلى نماذج لغات كبيرة، مما ينقل عبء التكيف من نماذج اللغات إلى تحويل بيانات الاستشعار.

يعتمد ستيللا على مُرمّز هرمي خفيف الوزن، يقوم بضغط بيانات الإرسال المتعددة القنوات إلى مجموعة ثابتة من الرموز الحسية المدمجة، والتي يتم إسقاطها في فضاء التضمين لنموذج LLM مدرب مسبقاً. وبالتالي، يتم دمجها مع طلب باللغة الطبيعية لتحسين دقة التصنيف.

يعزز ستيللا من الأداء على الصعيد الزمني، مما يعزز هياكل التفاعل بين القنوات المختلفة، ويضمن كذلك حسابات ثابتة على جانب LLM عبر تكوينات الحساسات المختلفة.

يدعم ستيللا التخصيص على الأجهزة، حيث يتم تعديل مُرمّز البيانات الخفيف فقط باستخدام كميات صغيرة من البيانات المصنفة الخاصة بالمستخدم، مع تعزيز استنتاج النتائج بمرجع محلي دون الحاجة لنقل البيانات إلى السحابة.

لقد أثبتت التجارب عبر سبعة مجموعات بيانات عامة، أن ستيللا يحقق أداءً رائداً جديداً في التعرف على الأنشطة، مع تحسين يصل إلى 11.83% في دقة F1. ومن المدهش أيضًا أن التخصيص على الأجهزة يمكن أن يؤدي إلى زيادة بنسبة 21.91% في الأداء مع تراكم بيانات المستخدمين.

بفضل كفاءته العالية ودعمه للخصوصية، يظهر ستيللا كخطوة عملية نحو تحقيق دقة أكثر وخصوصية في أنظمة التعرف على النشاط البشري باستخدام الذكاء الاصطناعي على الأجهزة المحمولة. فهل أنتم مستعدون لاستكشاف تقنيات المستقبل؟