في عالم متسارع يتزايد فيه الاعتماد على الفيديو، تُعتبر عملية اكتشاف الشذوذ في الفيديو (Video Anomaly Detection - VAD) مهمة حاسمة لكنها ليست سهلة، إذ تتطلب مواجهة ظروف متنوعة ومعقدة. كانت الطرق التقليدية في التعلم العميق محدودة بسبب ضعف القدرة على التعميم عبر سيناريوهات متنوعة. هنا يأتي دور VTO - وهي إطار عمل مبني على التعلم المعزز المدعوم بالعمليات.

تقوم VTO على تجاوز الاستخدام الثابت للأدوات، مما يمكّن الوكيل من استكشاف البيئة والتفاعل معها بشكل ديناميكي. وفي قلب هذا الإطار، نقدم نموذجًا قائمًا على أدوات التقييم الإدراكي (Cognitive Evaluator) الذي يوفر تغذية راجعة سِياقية وذكية. يتم دمج هذا النموذج في عملية محورية من تنظيم المعرفة لتعزيز التوجيه الدقيق خطوة بخطوة، مما يدفع الوكيل إلى تحسين استراتيجيات التفكير متعددة الخطوات.

ومن المثير للدهشة أن الأداة الفرعية التي طورناها، VAD-Tool، تتكون من 12 أداة بصرية متخصصة تغطي مجالات متعددة بدءًا من تتبع الكيانات إلى كشف المخاطر العالية. كما أقمنا معيارًا قيميًا صارمًا لتقييم الأداء عبر التفكير متعدد المراحل.

تظهر التجارب الواسعة التي أُجريت باستخدام VAD-Tool كيف تجاوزت VTO النقاط المرجعية التقليدية، محققة تحسنًا واضحًا في دقة الجدولة يصل إلى 10.2%. يمكنكم استكشاف كود المشروع والبيانات المتاحة عبر https://github.com/MICLAB-BUPT/VTO.

ما رأيكم في هذه الابتكارات الجديدة في عالم الذكاء الاصطناعي؟ هل تتوقعون تأثيرها على مستقبل اكتشاف الشذوذ في البيانات؟ شاركونا آرائكم في التعليقات!