تعتبر تقنية التعرف على الأنشطة البشرية (Human Activity Recognition - HAR) من خلال معلومات حالة قناة الواي فاي (Wi-Fi Channel State Information - CSI) خطوة متقدمة نحو فهم سلوك الإنسان بشكل أفضل. في وقت كانت فيه معظم التقنيات تعتمد على نماذج عميقة معقدة، جاء الباحثون بنهج مبتكر يجمع بين الكفاءة والقدرة على التفسير.
ماذا يعني ذلك؟
التحدي الرئيسي الذي تواجهه تقنيات التعرف على الأنشطة هو تحقيق توازن بين الأداء القوي والقدرة على تفسير النتائج بطريقة واضحة وفعالة. لقد أظهرت النماذج العميقة أداءً متقدمًا في فهم البيانات المستندة إلى CSI، لكنها تعتمد على تمثيلات مستمرة يصعب تعديلها وفهمها.
في هذا السياق، اقترح الباحثون خط أنابيب تلقائي بالكامل، يقوم بضغط نوافذ قوة إشارات CSI باستخدام نموذج تلقائي متغير يعتمد على متغيرات غمبل-سوفتماكس (Gumbel-Softmax)، مما يوفر تمثيلًا مضغوطًا ومحدودًا. يتم استخدام هذا التمثيل كخريطة حتمية لمسارات خفية، حيث يتم إجراء اكتشاف سببي لهذه المسارات لتقدير الرسوم البيانية الزمنية الشرطية.
تحليل النتائج
النتائج المستخلصة من تقنية استخراج القواعد الزمنية الخفية (CHAR Latent Temporal Rule Extraction - CHARL-TRE) تشير إلى أداء تنافسي مع الحفاظ على الهيكل الزمني والسببي. هذه التقنية توفر بديلاً فعالاً للنماذج المعتمدة على الصندوق الأسود، مع التركيز على القواعد الرمزية التي يمكن تحليلها واستخدامها مباشرة.
إن إدماج القواعد المحددة على المتغيرات الخفية يتيح دمج مجموعات القواعد الخاصة بكل هوائي على المستوى الرمزي، مما يعزز من إمكانية دمج الهوائيات المتعددة دون الحاجة لإعادة تدريب النموذج.
خلاصة القول
تمثل هذه التطورات في استخدام معلومات الواي فاي قفزة نوعية نحو فهم التعرف على الأنشطة البشرية بصورة أكثر دقة ووضوح. لهذا، هل ترى أن استخدام تقنيات مثل هذه يمكن أن يعزز من مجموعة تطبيقات الذكاء الاصطناعي في المستقبل؟