ازدادت أهمية التعرف الآلي على الأفعال البشرية من مقاطع الفيديو في تطبيقات واسعة كالمراقبة الأمنية ومراقبة الرعاية الصحية والبيئات الذكية، غير أن نماذج التعلم العميق الراهنة تتطلب عادة موارد حاسوبية ضخمة تجعل نشرها على الأجهزة الطرفية محدودة الموارد تحديًا حقيقيًا، فالكاميرات وأجهزة إنترنت الأشياء الموزعة في الميدان لا تملك قدرة المعالجات المركزية العملاقة، ونقل الفيديو الخام كاملًا إلى السحابة يستنزف عرض النطاق ويهدد الخصوصية ويبطئ الاستجابة الفورية المطلوبة، ويمثل تقطير المعرفة مخرجًا واعدًا من هذه المعضلة، إذ ينقل خبرة نموذج معلم كبير إلى نموذج طالب مدمج أصغر حجمًا وأقل كلفة حسابية، مقترنًا بمعمارية توزع العمل بين استخراج السمات على الأجهزة الطرفية والتصنيف في السحابة، وهو ما يحاول الإطار المقترح في هذه الدراسة تحقيقًا منهجيًا قابلًا للقياس
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى معالجة قيد الموارد الحاسوبية في التعرف على الأفعال البشرية باقتراح إطار تايني آكت، وهو إطار خفيف للتعرف الفوري على الأفعال يجمع بين الحوسبة الطرفية والمعالجة السحابية عبر التعلم بالتقطير، ويوظف الإطار مشفرًا تلقائيًا ثلاثي الأبعاد للفيديو لاستخراج سمات مكانية زمنية مدمجة من متواليات الفيديو، مقترنًا بمصنفات تعلم آلي تقليدية للتنبؤ بالفعل، واعتمد معمارية ذكاء اصطناعي للأشياء تجري فيها عملية استخراج السمات على الأجهزة الطرفية بينما يجري التصنيف في السحابة، بما يمكن المعالجة الفورية مع تقليل متطلبات عرض النطاق، ولتعزيز الأداء نفذ تقطير المعرفة باستخدام محول رؤية كبير بوصفه نموذجًا معلمًا لنقل المعرفة الزمنية إلى المعمارية الطالبة المدمجة، وأجريت التجارب على مجموعة بيانات كينيتيكس الشهيرة المكونة من أربعمئة فئة فعل، باستخدام مقاطع فيديو من ستة عشر إطارًا وسمات كامنة بأبعاد قدرها 1024 بعدًا لقياس الدقة والكفاءة معًا
ثانيًا: أبرز النتائج
1، حققت الغابات العشوائية أعلى دقة أساسية بلغت 57.00 في المئة، تلتها آلة المتجهات الداعمة بنسبة 55.00 في المئة ثم التعزيز التدرجي الأقصى بنسبة 54.00 في المئة، وهو ما يظهر أن المصنفات التقليدية الخفيفة قادرة على أداء تنافسي عندما تزود بسمات مكانية زمنية مدمجة جيدة الاستخراج من المشفر التلقائي
2، قلل استخراج السمات القائم على المشفر التلقائي العبء الحاسوبي بدرجة كبيرة مقارنة بمناهج التعلم العميق الشاملة من الطرف إلى الطرف، مع الحفاظ على المعلومات المكانية الزمنية الجوهرية اللازمة للتعرف الدقيق على الأفعال، محققًا بذلك توازنًا عمليًا بين الدقة والخفة يناسب الأجهزة محدودة الموارد
3، كشفت تجارب تقطير المعرفة أن إعداد التدريب يؤثر في الأداء تأثيرًا حاسمًا، إذ حققت النماذج الطالبة غير المدربة مسبقًا نتائج أفضل بلغت 15.11 في المئة مع آلة المتجهات الداعمة مقارنة بالنماذج المدربة مسبقًا تحت إشراف المعلم، وهو ما يوحي بأن التحسين المشترك للمشفر والمصنف ضروري لنقل فعال للمعرفة في البيئات مقيدة الموارد
4، تتيح المعمارية التركيبية للإطار نشرًا مرنًا عبر تشكيلات عتادية متنوعة، داعمة الاستدلال الخفيف على الأطراف وخطوط التدريب السحابية معًا، فأثبت الإطار أن التعرف الفعال على الأفعال البشرية ممكن دون شبكات عميقة كثيفة الحوسبة، بما يجعله مناسبًا لأنظمة المراقبة الذكية وتطبيقات إنترنت الأشياء والأجهزة المدمجة
ثالثًا: دلالات الدراسة وتطبيقاتها
تتجاوز دلالة هذه الدراسة حدود دقة التصنيف إلى سؤال النشر الواقعي للذكاء الاصطناعي في البيئات الفقيرة بالموارد، إذ تقدم وصفة عملية تجمع بين ضغط السمات بالتعمية التلقائية، والمصنفات التقليدية المثبتة، وتقطير المعرفة من نماذج محولات كبيرة، وتوزيع الأحمال بين الطرف والسحابة، وهي وصفة قابلة للنقل إلى تطبيقات عربية متنوعة كمراقبة سلامة كبار السن في المنازل الذكية، وتحليل الحركة في المنشآت الصحية والرياضية، وأنظمة الأمن منخفضة الكلفة، كما تنبه نتيجة تفوق النماذج الطالبة غير المدربة مسبقًا الباحثين إلى أن وصفات التقطير الناجحة في البيئات الغنية قد لا تنتقل آليًا إلى البيئات المقيدة، وأن إعدادات التدريب تستحق تجريبًا منهجيًا لا افتراضات جاهزة، ويمكن لطلاب الدراسات العليا العرب في علوم الحاسب الإفادة من الإطار مفتوح التصميم في بناء أنظمة تعرف حركي خفيفة تراعي قيود البنية التحتية المحلية ومتطلبات الخصوصية عند معالجة الفيديو
وخلاصة القول إن إطار تايني آكت يبرهن على إمكان التعرف الفوري على الأفعال البشرية بدقة تنافسية وكلفة حاسوبية منخفضة عبر الدمج الذكي بين الحوسبة الطرفية والسحابة وتقطير المعرفة، فاتحًا الباب أمام نشر أوسع لقدرات الرؤية الحاسوبية في الأجهزة المدمجة والبيئات الذكية محدودة الموارد حول العالم
