Pay As You Goإصدار تجريبي مجاني لمدة 7 أيام؛ لا يلزم وجود بطاقة ائتمان
يستخدم التعرف على النشاط البشري في الوقت الفعلي (HAR) بيانات الاستشعار والتعلم الآلي لتحديد وتصنيف الحركات البشرية مثل المشي أو الجري أو الجلوس عند حدوثها. من خلال الاستفادة من أدوات مثل مقاييس التسارع والجيروسكوبات والكاميرات، تقوم أنظمة HAR بمعالجة البيانات على الفور، مما يتيح التطبيقات في مجال الرعاية الصحية واللياقة البدنية والأمن والسلامة الصناعية.
تستمر أنظمة HAR في التطور، مدعومة بالتقدم في التعلم العميق والحوسبة المتطورة و TinyML، مما يجعلها أكثر كفاءة ويمكن الوصول إليها عبر مختلف الصناعات.
تعمل أنظمة التعرف على النشاط البشري في الوقت الفعلي (HAR) على تحويل بيانات المستشعر الخام إلى رؤى قابلة للتنفيذ باستخدام عملية منظمة. دعونا نوضح كيفية تعامل هذه الأنظمة مع جمع البيانات والمعالجة المسبقة ونشر النموذج.
تقوم أنظمة HAR بجمع البيانات باستخدام أجهزة استشعار يمكن ارتداؤها وأساليب قائمة على الرؤية. كل نهج يخدم احتياجات محددة ويقدم مزايا فريدة.
أجهزة استشعار يمكن ارتداؤها ضرورية للعديد من أنظمة HAR، خاصة في تطبيقات الصحة الشخصية واللياقة البدنية. تعمل مقاييس التسارع على تتبع الحركة عبر ثلاثة محاور، مما يجعل من الممكن التمييز بين الأنشطة مثل المشي أو الجري أو الجلوس. تضيف الجيروسكوبات العمق من خلال قياس الدورات والسرعة الزاوية والتقاط تفاصيل حول حركة الجسم. تعمل أجهزة قياس المغناطيسية أيضًا على تحسين الدقة من خلال اكتشاف المجالات المغناطيسية والتوجيه، مما يساعد على رسم خريطة للحركة الاتجاهية وتحديد المواقع المكانية. مجموعات البيانات مثل روتشي-هار عرض كيف يمكن لهذه الأجهزة تسجيل مجموعة واسعة من الأنشطة.
الأنظمة القائمة على الرؤية، من ناحية أخرى، تعتمد على الكاميرات لالتقاط الصور أو تسلسلات الفيديو. تسمح هذه الأنظمة بالتفاعلات القائمة على الإيماءات دون مطالبة المستخدمين بارتداء الأجهزة. يمكن لكاميرات العمق، على سبيل المثال، استخراج معلومات الهيكل العظمي من صور العمق، وتبسيط تحليل الحركة. بينما تقوم أجهزة الاستشعار القابلة للارتداء بتوليد بيانات إشارة أحادية البعد، تقوم الأنظمة القائمة على الرؤية بإنشاء صور ومقاطع فيديو ثنائية أو ثلاثية الأبعاد. غالبًا ما يعتمد الاختيار بين هذه الطرق على راحة المستخدم واحتياجات التطبيقات المحددة، مع اكتساب الأنظمة القائمة على الرؤية شعبية بسبب طبيعتها غير التدخلية.
نادرًا ما تكون بيانات المستشعر الخام جاهزة للاستخدام الفوري. تلعب المعالجة المسبقة دورًا مهمًا في تحويل هذه المدخلات الأولية إلى رؤى موثوقة، مما يؤثر بشكل مباشر على دقة النظام.
الخطوة الأولى هي التصفية، التي تزيل الضوضاء والإشارات غير ذات الصلة من البيانات. يتبع التطبيع توحيد الميزات لضمان الاتساق عبر المستخدمين والأجهزة. تعمل هذه الخطوات معًا على إنشاء صفحة جديدة لمزيد من التحليل.
يعمل استخراج الميزات على تحويل البيانات الأولية إلى سمات ذات معنى، مثل المتوسط والانحراف المعياري وخصائص مجال التردد. توفر هذه الميزات تمثيلًا مدمجًا وغنيًا بالمعلومات للحركات البشرية، مما يسهل على الخوارزميات معالجة البيانات بفعالية.
يعد التقسيم خطوة أساسية أخرى، حيث يتم تقسيم بيانات المستشعر المستمر إلى نوافذ زمنية أصغر. وهذا يسمح للنظام بالتقاط الجوانب الزمنية للحركة، مما يساعد على التمييز بين الأنشطة المماثلة مثل المشي والركض من خلال تحليل كيفية تغير الحركات بمرور الوقت.
غالبًا ما تُستخدم تقنيات تقليل الأبعاد، مثل PCA و t-SNE، للتخلص من المعلومات الزائدة عن الحاجة، بينما تعالج طرق التضمين الفجوات الناتجة عن أعطال المستشعر أو أخطاء نقل البيانات. في نهاية المعالجة المسبقة، تكون البيانات نظيفة ومنظمة وجاهزة للتدريب النموذجي.
«توفر البيانات الطبيعية مدخلات نظيفة ومنظمة ضرورية لنماذج الأتمتة والذكاء الاصطناعي والتعلم الآلي، مع دعم استعلامات قاعدة البيانات بشكل أسرع واتخاذ قرارات أفضل ونمو الأعمال المستدام.» - Chrissy Kidd، Splunk Blogs
بمجرد معالجة البيانات مسبقًا، ينتقل النظام إلى التدريب النموذجي والنشر، وهو أمر بالغ الأهمية للتعرف على الأنشطة في الوقت الفعلي.
تُستخدم البيانات المعالجة مسبقًا لتدريب النماذج، مع اختيار النشر - سواء كان الاستشعار الخارجي (مثل الكاميرات) أو الاستشعار على الجسم (مثل الأجهزة القابلة للارتداء) - اعتمادًا على التطبيق. أدى التقدم في التعلم العميق إلى تعزيز الأداء بشكل كبير، متجاوزًا أساليب التعلم الآلي التقليدية. على سبيل المثال، وجد J.Gao et al. أن نماذج التعلم العميق مثل CNNs و RNNs توفر دقة أعلى، وتتعامل بشكل أفضل مع اختلافات بيانات أجهزة الاستشعار، وتتعلم تلقائيًا الميزات المعقدة من البيانات الأولية. تعد شبكات CNN فعالة بشكل خاص في معالجة البيانات المرئية والمتسلسلة الزمنية، بينما تتفوق شبكات RNN ومتغيرها المتخصص، LSTMs، في التقاط الأنماط المتسلسلة والعلاقات الزمنية.
ومع ذلك، يشكل النشر في العالم الحقيقي تحديات فريدة. يمكن أن تؤثر مشكلات مثل عدم محاذاة المستشعر والإضاءة غير المتسقة وحركات المستخدم غير المتوقعة على الأداء. على الرغم من هذه العقبات، تحقق بعض أنظمة HAR دقة تصنيف تصل إلى 90٪.
لمواجهة هذه التحديات، غالبًا ما يتم استخدام تقنيات إضافية. على سبيل المثال، تحافظ التصفية الخاصة بالنشاط على جودة البيانات، بينما تعمل المزامنة المستندة إلى الطابع الزمني على محاذاة تدفقات أجهزة الاستشعار. يقلل التحديد الكمي للنموذج من متطلبات الذاكرة، مما يسهل نشر أنظمة HAR على الأجهزة ذات الموارد المحدودة.
يتوقف نجاح أنظمة التعرف على النشاط البشري (HAR) في الوقت الفعلي على الخوارزميات والتقنيات المتقدمة التي يمكنها تفسير بيانات المستشعر بسرعة ودقة.
يوفر دمج البيانات من أجهزة استشعار متعددة فهمًا أكمل للنشاط البشري مقارنة بالاعتماد على مستشعر واحد. هذه الطريقة، تسمى انصهار أجهزة الاستشعار، يحسن بشكل كبير دقة أنظمة HAR.
في حين أن أنظمة HAR القديمة غالبًا ما تعتمد على مستشعر واحد فقط، فإن الأنظمة الحديثة تجمع بين المدخلات من مقاييس التسارع والجيروسكوبات ومقاييس المغناطيسية ونظام تحديد المواقع العالمي (GPS) للتمييز بين الأنشطة التي قد تبدو متشابهة. على سبيل المثال، قد يتم تسجيل كل من المشي وركوب السيارة كحركة على مستشعر GPS. ومع ذلك، يمكن أن تساعد البيانات الإضافية من مقياس التسارع (الذي يُظهر الاهتزازات) والجيروسكوب (الذي يشير إلى الحد الأدنى من دوران الجسم) في تحديد النشاط الصحيح. لا يعمل نهج أجهزة الاستشعار المتعددة هذا على تحسين الدقة فحسب، بل يضمن أيضًا الموثوقية، حتى عندما تكون بيانات أحد المستشعرات غير متسقة. هذه التطورات هي مفتاح الاستجابة في الوقت الفعلي في أنظمة HAR.
بناءً على دمج المستشعرات، تأخذ الأساليب القائمة على الرؤية التعرف على النشاط خطوة أخرى إلى الأمام من خلال تحليل حركات الجسم التفصيلية. تستخدم هذه الأنظمة تقدير الوضعية لتتبع وتفسير الأنشطة البشرية من خلال تحديد أوضاع الجسم وحركاته. يتنبأ تقدير الوضعية بمواقع أجزاء الجسم الرئيسية في الصور أو مقاطع الفيديو، مما يجعله ضروريًا للتعرف على الإجراءات. على سبيل المثال، مجموعة بيانات السيدة كوكو يحدد 17 نقطة رئيسية تتوافق مع مفاصل الجسم الرئيسية. من خلال تتبع كيفية تحول هذه النقاط الرئيسية بمرور الوقت، يكتسب النظام نظرة ثاقبة لحركة الإنسان ويمكنه تحديد أنشطة محددة.
ومن الأمثلة العملية على ذلك برنامج Kinect من Microsoft، الذي استخدم تقدير الوضع ثلاثي الأبعاد لمراقبة حركات اللاعبين. تستفيد تطبيقات اللياقة البدنية أيضًا من هذه التقنية، حيث تستخدمها لتقييم شكل التمرين وحساب التكرارات تلقائيًا. وبالمثل، تستفيد التحليلات الرياضية من الذكاء الاصطناعي لتحليل حركات الرياضيين وتحليلها.
لالتقاط تسلسل الأنشطة بمرور الوقت، تستخدم أنظمة HAR تقنيات مثل شبكات الذاكرة طويلة المدى (LSTMs)، والتي تم تصميمها لمعالجة البيانات المتسلسلة بفعالية. الشبكات العصبية التلافيفية (CNNs) تستخدم أيضًا على نطاق واسع لتحليل البيانات المرئية والمتسلسلة الزمنية. عند دمجها مع الشبكات العصبية المتكررة (RNNs)، تتفوق هذه الأساليب باستمرار على التقنيات القديمة من حيث الدقة والموثوقية. تعمل هذه الأدوات معًا على تمكين إمكانات أنظمة HAR في الوقت الفعلي.
بمجرد تنقيح البيانات باستخدام هذه الخوارزميات المتقدمة، فإن التحدي التالي لأنظمة HAR هو تحديد كيفية معالجة المعلومات - محليًا على الجهاز أو عن بُعد في السحابة. يلعب هذا الاختيار دورًا مهمًا في تحقيق التوازن الصحيح بين الاستجابة والخصوصية.
المعالجة على الجهاز يقدم العديد من المزايا. من خلال تحليل البيانات مباشرة على الجهاز، فإنه يزيل التأخيرات الناتجة عن نقل البيانات إلى الخوادم البعيدة، مما يجعله مثاليًا لتطبيقات مثل اكتشاف السقوط أو تدريب اللياقة البدنية في الوقت الفعلي. تعمل هذه الطريقة أيضًا على تحسين الخصوصية من خلال الاحتفاظ بالبيانات الحساسة المخزنة محليًا، مما يقلل من المخاطر المرتبطة بالخوادم الخارجية. تقنيات مثل تايني مل تمكين HAR في الوقت الفعلي على الأنظمة المضمنة، باستخدام أدوات مثل إس تي مايكرو إليكترونيكس' STM32Cube.AI السماح لنماذج التعلم الآلي بالعمل مباشرة على وحدات التحكم الدقيقة.
ومع ذلك، فإن المعالجة على الجهاز لها قيودها. غالبًا ما تحتوي الأجهزة على أجهزة أقل قوة واستهلاك أعلى للطاقة. من ناحية أخرى، معالجة قائمة على السحابة يمكنه التعامل مع خوارزميات أكثر تعقيدًا بفضل الخوادم البعيدة القوية. ولكن هذا النهج يمكن أن يؤدي إلى تأخيرات ويثير مخاوف محتملة بشأن الخصوصية حيث يجب نقل البيانات عبر الشبكة.
مع ظهور الحوسبة المتطورة - التي من المتوقع أن تدعم أكثر من 30 مليار جهاز إنترنت الأشياء بحلول عام 2030 - أصبحت المعالجة على الجهاز ذات أهمية متزايدة. تتطلب تطبيقات مثل المركبات المستقلة، التي من المتوقع أن تشكل 66٪ من مبيعات السيارات في الصين بحلول عام 2035، أيضًا أوقات الاستجابة الفورية التي توفرها المعالجة المحلية. بصفته جيف جيلهار، نائب رئيس التكنولوجيا في كوالكوم، يوضح:
«تميل تطبيقات الذكاء الاصطناعي إلى أن تكون في الوقت الفعلي ومهمة للغاية. لا تستطيع العديد من حالات استخدام الذكاء الاصطناعي التي تعزز التجربة تحمل وقت الاستجابة.»
لتحقيق التوازن، تستخدم العديد من أنظمة HAR الآن نماذج هجينة. يجمع ذلك بين المعالجة على الجهاز للاستجابات الفورية والموارد المستندة إلى السحابة لمهام مثل تحديثات النماذج أو التحليل الأعمق الذي لا يتطلب نتائج فورية.
تتمتع أنظمة التعرف على النشاط البشري في الوقت الفعلي (HAR) بإمكانيات هائلة، ولكن إعادة الحياة إليها تأتي مع نصيبها العادل من التحديات. تتراوح هذه العقبات من ضمان جودة البيانات إلى معالجة القيود التقنية ومعالجة مخاوف الخصوصية.
لكي تعمل أنظمة HAR بشكل جيد، فإنها تحتاج إلى الوصول إلى بيانات عالية الجودة ومُصنَّفة بدقة. لسوء الحظ، غالبًا ما تؤدي ظروف العالم الحقيقي إلى تعقيد هذا الأمر، مما يؤدي إلى ارتفاع معدلات سوء التصنيف والتعليقات التوضيحية غير المتسقة. تسلط الأبحاث الضوء على هذا التباين الصارخ: في حين أن معدلات سوء التصنيف في إعدادات المختبر الخاضعة للرقابة تبلغ حوالي 9٪، إلا أنها ترتفع إلى 33.3٪ في تطبيقات العالم الحقيقي. تؤكد هذه الفجوة كيف تفشل البيئات الخاضعة للرقابة في عكس عدم القدرة على التنبؤ بالسلوك البشري في السيناريوهات اليومية.
قضية رئيسية أخرى هي عدم تناسق التعليقات التوضيحية. عندما يقوم المعلقون البشريون بتسمية نفس البيانات بشكل مختلف، فإن ذلك يؤثر على دقة نماذج الذكاء الاصطناعي. كما المُلصق.com يضعها على نحو مناسب:
«التعليقات التوضيحية الضعيفة تؤدي إلى أنظمة الذكاء الاصطناعي المتحيزة والنتائج غير الدقيقة وأوجه القصور التي تؤثر على العمليات التجارية.»
تشمل العوامل المساهمة الأخرى مجموعات البيانات المتحيزة، والتسميات المفقودة أو غير الصحيحة، والطبيعة كثيفة العمالة للتعليق التوضيحي اليدوي، وكلها تؤدي إلى تدهور أداء النموذج.
لمعالجة هذه المشاكل، أثبتت العديد من الاستراتيجيات فعاليتها:
من خلال معالجة مشكلات جودة البيانات باستخدام هذه الاستراتيجيات، يمكن لأنظمة HAR التعامل بشكل أفضل مع تعقيدات التطبيقات في الوقت الفعلي. ومع ذلك، تظل التحديات المتعلقة بوقت الاستجابة وقابلية التوسع عقبة كبيرة.
تتطلب أنظمة HAR في الوقت الفعلي معالجة البيانات بسرعة البرق مع خدمة ملايين المستخدمين المحتملة في وقت واحد. إن تلبية هذه المتطلبات المزدوجة ليس بالأمر الهين.
السرعة هي أحد التحديات الأساسية. لا يمكن للتطبيقات في الوقت الفعلي تحمل التأخير، ولكن الخوارزميات المعقدة المستخدمة في HAR غالبًا ما تتطلب موارد حسابية كبيرة. هذا يخلق توازنًا صعبًا بين الدقة وسرعة المعالجة.
تشكل قابلية التوسع عقبة رئيسية أخرى. مع التوقعات التي تقدر بأكثر من 30 مليار جهاز إنترنت الأشياء بحلول عام 2030، والتي قد يعتمد الكثير منها على قدرات HAR، قد تواجه الحلول التقليدية القائمة على السحابة صعوبة في مواكبة ذلك. إضافة إلى التعقيد، غالبًا ما تتمتع مستشعرات إنترنت الأشياء والأجهزة المحمولة بقدرة معالجة وذاكرة وعمر بطارية محدودة، مما يجعل من الصعب تشغيل خوارزميات HAR المتطورة محليًا.
لمواجهة هذه التحديات، تتدخل التقنيات والتقنيات الناشئة:
في حين أن تحسين السرعة وقابلية التوسع أمر بالغ الأهمية، فإن حماية بيانات المستخدم مهمة بنفس القدر، خاصة بالنظر إلى الطبيعة الحساسة لأنظمة HAR.
تجمع أنظمة HAR بيانات شخصية للغاية، مثل الأنشطة اليومية والمقاييس الصحية والعادات. هذا يجعل حماية خصوصية المستخدم أولوية قصوى، لا سيما في تطبيقات الرعاية الصحية والمراقبة.
يضيف الامتثال التنظيمي طبقة أخرى من التعقيد. تركز الحكومات والهيئات التنظيمية بشكل متزايد على ضمان الخصوصية ومنع إساءة استخدام الذكاء الاصطناعي. علاوة على ذلك، تلعب ثقة المستخدم دورًا مهمًا في اعتماد النظام. على سبيل المثال، وجدت إحدى الدراسات أن المستخدمين كانوا أقل عرضة للتفاعل مع الأنظمة عندما يُطلب منهم الإجابة على العديد من الأسئلة المتعلقة بالتوتر يوميًا.
تزيد تهديدات الأمن السيبراني وعيوب التصميم ومشكلات الحوكمة من تفاقم هذه المخاطر. يعد النهج متعدد الطبقات ضروريًا لمعالجة مخاوف الخصوصية بشكل فعال:
تعرض أمثلة من العالم الحقيقي كيف يمكن تنفيذ تدابير الخصوصية بفعالية. في عام 2021، قدمت Apple شفافية تتبع التطبيقات (ATT)، مما يمنح مستخدمي iPhone التحكم في التتبع من طرف ثالث. تشير التقارير إلى أن 80٪ إلى 90٪ من المستخدمين يختارون عدم التتبع عند منحهم الاختيار.
جينيفر كينج، زميلة في معهد جامعة ستانفورد للذكاء الاصطناعي المرتكز على الإنسان، يلخص المخاوف المتزايدة:
«قبل عشر سنوات، فكر معظم الناس في خصوصية البيانات من حيث التسوق عبر الإنترنت... ولكن الآن رأينا الشركات تتحول إلى جمع البيانات في كل مكان والذي يدرب أنظمة الذكاء الاصطناعي، والتي يمكن أن يكون لها تأثير كبير على المجتمع، وخاصة حقوقنا المدنية».
غالبًا ما يأتي تطوير أنظمة التعرف على النشاط البشري (HAR) في الوقت الفعلي بنصيبه العادل من التحديات، بدءًا من إدارة تدفقات البيانات المتعددة إلى ضمان التوسع الفعال من حيث التكلفة. لمعالجة هذه التعقيدات، تتجه المؤسسات إلى منصات سير عمل الذكاء الاصطناعي الحديثة التي تبسط العملية بأكملها - من معالجة البيانات إلى نشر النموذج.
تم تصميم هذه المنصات لمعالجة العقبات الرئيسية، بما في ذلك تنسيق جهود الفريق وإدارة تدفقات البيانات المتنوعة، كل ذلك مع الحفاظ على التكاليف تحت السيطرة. تدعم اتجاهات السوق هذا التحول، حيث تُظهر البيانات تركيزًا متزايدًا على الأتمتة والحلول القابلة للتطوير، حيث يستمر سوق التشغيل الآلي لسير العمل العالمي في النمو بسرعة.
فيما يلي نظرة فاحصة على الميزات التي تجعل هذه المنصات ضرورية لتطوير نظام HAR.
تعتمد أنظمة HAR على مجموعة متنوعة من مصادر البيانات - مقاييس التسارع وموجزات الكاميرا والإشارات الصوتية وحتى أجهزة الاستشعار البيئية. تتألق منصات الذكاء الاصطناعي متعددة الوسائط هنا من خلال تقديم إطار موحد يعالج ويدمج هذه المدخلات المتنوعة في الوقت الفعلي. هذا التحقق المتقاطع للبيانات من مصادر متعددة يعزز بشكل كبير دقة وموثوقية أنظمة التعرف.
خذ منصات مثل prompts.ai، على سبيل المثال. إنها تسمح للمطورين بالعمل مع النصوص والصور والصوت وبيانات المستشعر داخل نظام واحد. من خلال الجمع بين المدخلات من أجهزة استشعار مختلفة، توفر هذه المنصات نتائج التعرف الأكثر دقة. على سبيل المثال، يمكن لنظام HAR الجمع بين البيانات المرئية لوضعية الشخص وقراءات مقياس التسارع والإشارات الصوتية، مما يمكّنه من التمييز بين صعود الدرج والمشي على جهاز المشي بدقة أكبر بكثير.
تتضمن البنية الأساسية لهذه الأنظمة عادةً ثلاثة مكونات رئيسية: معالجة المدخلات المصممة خصيصًا لكل نوع من أنواع البيانات، وخوارزميات الاندماج التي تجمع البيانات، وأنظمة الإخراج التي تقدم نتائج في الوقت الفعلي. تعالج هذه المنصات أيضًا مشكلات صعبة مثل محاذاة ومزامنة تدفقات البيانات التي لها معدلات وتنسيقات مختلفة لأخذ العينات.
ومن المزايا الرئيسية الأخرى للذكاء الاصطناعي متعدد الوسائط تحسين الفهم السياقي. من خلال دمج أنواع مختلفة من البيانات، تكتسب أنظمة HAR القدرة على تفسير السيناريوهات المعقدة بمزيد من الفروق الدقيقة. على سبيل المثال، يمكن أن يساعد الجمع بين البيانات المرئية والصوتية مع قراءات مقياس التسارع النظام على فهم سياق نشاط الشخص بشكل أفضل، مما يجعله أكثر دقة وموثوقية.
لا يقتصر بناء أنظمة HAR على التكنولوجيا فحسب - بل يتطلب أيضًا العمل الجماعي السلس. يحتاج علماء البيانات ومهندسو البرمجيات والمتخصصون في المجال وفرق ضمان الجودة جميعًا إلى التعاون بفعالية. ومع ذلك، تظهر الأبحاث أن 86% من القادة يشيرون إلى ضعف التعاون كسبب رئيسي لفشل المشاريع.
تعالج منصات سير العمل الحديثة للذكاء الاصطناعي هذه المشكلة من خلال تقديم بيئات مركزية حيث يمكن للفرق التعاون في الوقت الفعلي. غالبًا ما تتضمن هذه المنصات مساحات عمل مشتركة لمهام مثل التدريب النموذجي ولوحات المعلومات لمراقبة التقدم وأدوات إعداد التقارير الآلية التي تبقي الجميع على اطلاع دائم.
تعد التقارير الآلية ذات قيمة خاصة لأنظمة HAR، التي تحتاج إلى مراقبة مستمرة للحفاظ على الدقة. يمكن أن توفر هذه التقارير رؤى حول أداء النموذج وجودة البيانات وصحة النظام - مما يؤدي إلى إنقاذ الفرق من التتبع اليدوي ومساعدتهم على معالجة أي مشكلات تنشأ بسرعة.
على سبيل المثال، يدعم prompts.ai التعاون في الوقت الفعلي من خلال منح الفرق رؤية كاملة لسير عمل المشروع، من التطوير إلى النشر. تضمن ميزات إعداد التقارير الآلية حصول أصحاب المصلحة على البيانات التي يحتاجون إليها لاتخاذ قرارات مستنيرة بشأن تحسين النماذج وتحسين الأنظمة.
واحدة من أكبر التحديات في تطوير أنظمة HAR هي موازنة الأداء مع التكلفة. غالبًا ما تتطلب الأساليب التقليدية استثمارات أولية ضخمة في البنية التحتية والخبرة المتخصصة. لكن المنصات الحديثة تعمل على تغيير اللعبة من خلال نماذج الدفع أولاً بأول التي تتيح للمؤسسات توسيع أنظمتها بناءً على الاستخدام الفعلي.
في الواقع، وجد تقرير Google لعام 2024 ROI of Generative AI أن 74٪ من الشركات التي تستخدم الذكاء الاصطناعي التوليدي ترى عوائد على استثماراتها خلال العام الأول. يعد عائد الاستثمار السريع هذا مهمًا بشكل خاص لتطبيقات HAR، حيث يمكن لمزايا مثل الكفاءة المحسنة وتجارب المستخدم الأفضل أن تخلق قيمة كبيرة.
تسعير الدفع أولاً بأول مناسب بشكل خاص لأنظمة HAR، والتي غالبًا ما تحتوي على أعباء عمل متغيرة. يمكن للمنظمات أن تبدأ صغيرة بمشاريع تجريبية وتتوسع تدريجيًا عندما ترى النتائج. على سبيل المثال، يسمح نموذج التسعير المستند إلى الرمز المميز الخاص بـ prompts.ai للفرق بالدفع فقط مقابل الموارد الحسابية التي يستخدمونها. تعني هذه المرونة أن المطورين يمكنهم تجربة أساليب مختلفة دون الالتزام بالبنية التحتية المكلفة.
بالإضافة إلى ذلك، توفر المنصات الحديثة المرونة - حيث تقوم تلقائيًا بضبط الموارد الحسابية بناءً على الطلب. هذا يضمن أن أنظمة HAR تحافظ على الأداء العالي أثناء ذروة الاستخدام مع الحفاظ على انخفاض التكاليف خلال فترات الهدوء. تعد هذه القدرة على التكيف أمرًا بالغ الأهمية لتطبيقات مثل أجهزة تتبع اللياقة البدنية أو أنظمة المنزل الذكي، حيث يمكن أن يتقلب الاستخدام بشكل كبير.
لقد تطور التعرف على النشاط البشري في الوقت الفعلي (HAR) من مفهوم بحثي إلى أداة عملية مع تطبيقات في الرعاية الصحية واللياقة البدنية والبيئات الذكية. يتوقف نجاحها على التقدم في الخوارزميات وتصميم النظام المدروس.
لقد غيّر التعلم العميق قواعد اللعبة بالنسبة لدقة HAR. على سبيل المثال، حقق نموذج DeepConv LSTM دقة مذهلة بنسبة 98٪ ودرجات F1 مماثلة. بعد تطبيق القياس الكمي، تم تقليل حجم النموذج من 513.23 كيلوبايت إلى 136.51 كيلوبايت فقط، مما يجعله قابلاً للنشر على الأجهزة ذات الموارد المحدودة. يعمل TinyML أيضًا على تمكين HAR على الأجهزة القابلة للارتداء، حيث تحقق أجهزة التشفير التلقائي LSTM دقة شبه مثالية (99.99٪) وتوفر متوسط وقت استدلال يبلغ 4 مللي ثانية فقط.
إن استخدام البيانات من أجهزة استشعار متعددة يعزز القدرة على التمييز بين الأنشطة، مما يعزز الدقة الشاملة.
تستمر دراسة الجدوى لأنظمة HAR في النمو حيث تدرك الصناعات فوائد التشغيل الآلي لسير العمل والتحسينات القابلة للقياس في الكفاءة. تتم معالجة مخاوف الخصوصية ووقت الاستجابة، والتي غالبًا ما تكون حواجز كبيرة، من خلال التعلم الموحد والحوسبة المتطورة. تسمح هذه الأساليب لأنظمة HAR بمعالجة البيانات الموزعة دون المساس بخصوصية المستخدم مع تقليل وقت الاستجابة واستخدام النطاق الترددي.
لتحقيق النجاح مع أنظمة HAR، يجب على المؤسسات إعطاء الأولوية للنماذج خفيفة الوزن والمعالجة المسبقة الفعالة وتكامل البيانات متعددة المستشعرات. تعمل منصات سير العمل بالذكاء الاصطناعي مثل prompts.ai على تبسيط هذه العملية من خلال دمج بيانات الاستشعار المتنوعة، ودعم التعاون في الوقت الفعلي، وتقديم حلول قابلة للتطوير وفعالة من حيث التكلفة من خلال نماذج تسعير الدفع أولاً بأول.
بالنظر إلى المستقبل، يرتبط مستقبل HAR بالتقدم في التعلم تحت الإشراف الذاتي، والذكاء الاصطناعي القابل للتفسير، والاعتماد الأوسع لـ TinyML. ومع تقدم هذه التقنيات، من المتوقع أن تصبح أنظمة HAR أكثر دقة وكفاءة ويمكن الوصول إليها عبر نطاق أوسع من التطبيقات.
تأخذ أنظمة التعرف على النشاط البشري في الوقت الفعلي (HAR) خصوصية المستخدم على محمل الجد، وتستخدم طرقًا متقدمة للحفاظ على أمان البيانات الشخصية. يتضمن أحد الأساليب الرئيسية استخدام تقنيات تعمل على إخفاء هوية البيانات أثناء الجمع والمعالجة، مما يضمن حماية التفاصيل الحساسة.
تعتمد العديد من أنظمة HAR على مجموعات بيانات مفتوحة المصدر للتدريب، مما يقلل من الحاجة إلى الوصول إلى بيانات المستخدم الفردية أو استخدامها. علاوة على ذلك، تتضمن هذه الأنظمة إجراءات أمنية قوية مثل التشفير ومعالجة البيانات المحلية. تضمن هذه الممارسات أن تظل معلومات المستخدم سرية ولا يتم نقلها أو تخزينها بطرق قد تؤدي إلى سوء الاستخدام.
من خلال مزج هذه الاستراتيجيات التي تركز على الخصوصية، يمكن لأنظمة HAR تقديم وظائف فعالة دون المساس بثقة المستخدم أو أمنه.
تواجه أنظمة التعرف على النشاط البشري في الوقت الفعلي (HAR) مجموعة من العقبات عند تطبيقها في مواقف الحياة اليومية. وتشمل هذه القضايا مثل القابلية للتطوير، الاعتماد على التحديد أجهزة الاستشعار، التباين البيئي (مثل التغييرات في الإضاءة أو العوائق)، والمخاوف بشأن خصوصية البيانات. علاوة على ذلك، تحتاج هذه الأنظمة إلى الإدارة مهام معقدة وقم بالتكيف مع تحولات المجال عند التشغيل في إعدادات جديدة أو مختلفة.
لمعالجة هذه العقبات، لجأ الخبراء إلى حلول متطورة مثل نماذج التعلم العميق الهجين، تقنيات دمج أجهزة الاستشعار، و أطر تعميم المجال. تعمل هذه الأدوات على تعزيز قدرة النظام على التكيف وتقديم نتائج دقيقة والبقاء موثوقًا به في مختلف الظروف. علاوة على ذلك، التعلم المستمر يسمح لأنظمة HAR بالتحسين والتطور بمرور الوقت، بينما تحمي أساليب الحفاظ على الخصوصية بيانات المستخدم. تهدف التطورات الحالية إلى ضمان أن تكون أنظمة HAR موثوقة وفعالة للاستخدام طويل الأجل في البيئات المتغيرة باستمرار.
الجمع بين البيانات من أجهزة استشعار متعددة - ما يُعرف باسم انصهار أجهزة الاستشعار - يلعب دورًا رئيسيًا في تعزيز دقة التعرف على النشاط البشري (HAR). من خلال الجمع بين المدخلات من أجهزة استشعار مختلفة، يساعد هذا الأسلوب في التغلب على الضوضاء ومعالجة نقاط الضعف في أجهزة الاستشعار الفردية وتقديم نتائج دقيقة وموثوقة.
تكشف الدراسات أن دمج المستشعرات يمكن أن يحسن الأداء بنسبة تصل إلى 9٪، مع معدلات دقة تصل إلى 96٪ أو أكثر. تقدم هذه التقنية رؤية أعمق للحركات البشرية من خلال استخدام مجموعة متنوعة من مصادر البيانات، مما يجعل أنظمة HAR أقوى وأكثر موثوقية.
