تخيل أن ساعتك الذكية أو جهاز تتبع اللياقة البدنية الخاص بك هو محقق صغير شديد الملاحظة يجلس على معصمك. مهمته هي معرفة ما تفعله بمجرد الشعور بالاهتزازات، والضربات، والتمايلات الصغيرة الناتجة عن حركة جسدك. هذا المجال من العلوم يسمى "التعرف على النشاط البشري" (HAR). وللقيام بمهمته، لا يراقبك المحقق على مدار الساعة طوال اليوم عبر تدفق واحد ضبابي؛ بل يقوم بتقطيع حركتك إلى قطع صغيرة سهلة الهضم تسمى "نوافذ" (windows)، تماماً مثل التقاط سلسلة من اللقطات السريعة. لفترة طويلة، كان المحقق ينظر إلى كل لقطة بمفردها تماماً، متسائلاً: "هل هذه مشية؟ هل هذا ركض؟" دون أن يتذكر ما حدث في اللقطة التي سبقت هذه أو تلتها. هذا جعل المحقق يبدو أخرقاً بعض الشيء، وغالباً ما يصاب بالارتباك عندما تكون في منتصف عملية الانتقال من نشاط إلى آخر. السؤال الكبير الذي صارع الباحثون من أجله هو: كيف يمكننا تعليم محققنا ربط النقاط بين هذه اللقطات ليفهم القصة كاملة، وليس مجرد الصور المنعزلة؟

هنا يأتي دور DeepConvContext، وهي بنية جديدة وذكية اقترحها ماريوس بوك وفريقه لمحاولة حل مشكلة "ربط النقاط" هذه. فبدلاً من معاملة كل نافذ زمنية كغريب، تنظم هذه الطة الجديدة النوافذ في تسلسل، مثل صف من قطع الدومينو، بحيث يمكن للنموذج تعلم كيف تؤدي حركة إلى أخرى. وجد الباحثون أنه من خلال تقسيم عملية التعلم إلى جزئين — جزء يدرس التفاصيل داخل نافذة واحدة، وجزء ثانٍ يدرس كيفية ارتباط تلك النوافذ ببعضها البعض — يصبح النظام أكثر ذكاءً. وفي الاختبارات عبر ست مجموعات بيانات مختلفة، اقترح هذا النهج تحسناً ملحوظاً، حيث رفع دقة اكتشاف النشاط بمتوسط 5%، وجعل الجدول الزمني للأنشطة أكثر سلاسة وأقل "قفزاً" مقارنة بالطرق السابقة. اتضح أنه لكي يفهم الروبوت الحركة البشرية، فإنه يحتاج إلى تذكر الثواني القليلة الماضية بقدر حاجته إلى النظر في اللحظة الحالية.

نظام التدريب الجديد للمحقق

لعقود من الزمن، كانت الطريقة القياسية لتعليم الحواسيب التعرف على الحركة البشرية تشبه لعبة "Snap". تأخذ تدفقاً مستمراً من بيانات المستشعرات (مثل الهزات الناتجة عن مقياس التسارع) وتقطعها إلى نوافذ متداخلة. ينظر الكمبيوتر إلى نافذة واحدة، ويخمن النشاط، ثم ينسى الأمر فوراً لينظر إلى النافذة التالية. هذه هي طريقة "النافذة المنزلقة" (sliding window). ورغم أنها تعمل بشكل جيد للمهام البسيطة، إلا أن بها عيباً جوهرياً: فهي تخلق جدولاً زمنياً مجزأً. إذا كنت تنهض من على الكرسي، فقد يرى الكمبيوتر نافذة "جلوس"، ثم نافذة "وقوف"، ويصاب بالارتباك في المنتصف لأنه لا يرى الانتقال كتدفق مستمر.

يجادل مؤلفو هذه الورقة بأن الطريقة القديمة لتدريب هذه النماذج تشبه محاولة تعلم لغة عن طريق قراءة كلمة واحدة في كل مرة دون رؤية جملة كاملة أبداً. لقد نظروا في كيفية تعامل المجالات الأخرى، وتحديداً الرؤية الحاسوبية (حيث يراقب الذكاء الاصطناعي الفيديوهات لإيجاد الأفعال)، مع هذا الأمر. في تحليل الفيديو، غالباً ما تفصل نماذج الذكاء الاصطناعي بين الميزات "المحلية" (ما يحدث الآن) والسياق "العالمي" (ما حدث قبل وبعد). وقد قرر الفريق جلب هذه الفكرة إلى المستشعرات القابلة للارتداء.

لقد قدموا DeepConvContext، وهو محقق ذو مرحلتين:

1. المحقق المحلي (داخل النافذة): أولاً، ينظر النظام إلى نافذة واحدة من البيانات، تماماً كما فعلت النماذج القديمة. يستخدم شبكة عصبية خاصة (مزيج من الشبكات العصبية الالتفافية CNN وLSTMs) لتحديد التفاصيل داخل ذلك الشريحة الزمنية المحددة. وينتج ملخصاً، وهو "ناقل ميزة" (feature vector)، يشبه ملاحظة قصيرة تصف ما حدث في تلك النافذة.
2. الحكواتي (بين النوافذ): هذا هو الجزء السحري. بدلاً من رمي تلك الملاحظة، يقوم النظام بتغذية تسلسل من هذه الملاحظات في "عقل" ثانٍ أكبر (شبكة LSTM أخرى). ينظر هذا العقل الثاني إلى سلسلة الملاحظات لفهم التدفق. ويسأل نفسه: "حسناً، الملاحظة الأخيرة قالت 'مشي'، والملاحظة الحالية تقول 'وقوف'، إذن لا بد أن هذه هي لحظة التوقف".

لماذا لم تنجح الحيل القديمة؟

قبل ذلك، حاول بعض الباحثين حل مشكلة "النسيان" باستخدام طريقة تسمى CausalBatch. كانت هذه الطريقة تشبه تدريب المحقق عبر إظهار مجموعة من النوافذ له وإخباره: "تذكر الحالة المخفية من المجموعة الأخيرة لتتمكن من الاتصال بالمجموعة التالية". يجادل مؤلفو هذه الورقة بأن هذا النهج غير متوافق تماماً. إنه يشبه مطالبة طالب بكتابة مقال تكون فقراته مترابطة، لكن المعلم يقيم كل فقرة بناءً على مدى استقلالها بذاتها. يُطلب من النموذج تعلم الروابط طويلة المدى، لكن إشارة التدريب (التغذية الراجعة التي يحصل عليها) تخبره فقط عن الأنماط قصيرة المدى.

يعالج DeepConvContext هذه المشكلة عن طريق تغيير بيانات التدريب نفسها. فبدلاً من خلط النوافذ عشوائياً، يقوم بجلب تسلسل متصل من النوافذ من الجدول الزمني للشخص ويعامله ككتلة تدريب واحدة. وهذا يضمن أنه عندما يتعلم النموذج ربط النوافذ، فإنه يرى بالفعل قصة مستمرة وحقيقية.

النتائج: قصص أكثر سلاسة، وأخطاء أقل

اختبر الفريق بنيته الجديدة على ست مجموعات بيانات واسعة الاستخدام، تتراوح من المشي والجري البسيط إلى المهام المعقدة مثل الانتقال من "الجلوس إلى الوقوف" وحتى الأنشطة المختبرية. وقارنوا DeepConv-Context بكل من DeepConvLSTM القياسي، وطريقة CausalBatch، ونسخة "ضحلة" (Shallow) من النموذج.

كانت النتائج واعدة. في المتوسط، حسن DeepConvContext مقياس F1-score (وهو مقيść للدقة) بنسبة 5% عن الطرق القياسية. وفي حالات محددة، وصل التحسن إلى 21%. والأهم من ذلك، أنتج النموذج جداول زمنية أكثر تماسكاً. وقد قاس الباحثون ذلك باستخدام مقياس يسمى mAP (متوسط الدقة المرجحة)، والذي يتحقق من مدى تطابق مقاطع النشاط المتوقعة مع المقاطع الحقيقية. سجل DeepConvContext أعلى بـ 18 نقطة من نموذج Shallow DeepConvLSTM.

بصرياً، يعني هذا أن النماذج القديمة غالباً ما أنتجت نتائج "متذبذبة" — حيث تخمن "مشي"، ثم "جري"، ثم "مشي" مرة أخرى في جزء من الثانية بينما كان الشخص يقوم بنشاط واحد سلس. ومع ذلك، أنتج DeepConvContext كتل أنشطة نظيفة ومتماسكة، حيث حدد الانتقالات بشكل صحيح وتجنب الارتباك الناتج عن تصنيف "اللاشيء" (النوافذ الفارغة/NULL) كنشاط.

المكون السري: LSTMs مقابل التقنيات الحديثة المتطورة

في عالم الذكاء الاصطناعي، هناك الكثير من الضجيج حول تقنيات "المحولات" (Transformers) وآليات "الانتباه" (Attention) — وهي أدوات متطورة تسمح للنماذج بالنظر إلى أي جزء من التسلسل فوراً، بغض النظر عن المسافة. يفترض العديد من الباحثين أن هذه الأدوات هي الأفضل دائماً. ومع ذلك، أجرى المؤلفون تجارب باستبدال "عقل الحكواتي" الثاني لديهم بهذه النماذج القائمة على الانتباه.

ومن المثير للدهشة، أشارت النتائج إلى أن شبكات LSTM التسلسلية القديمة أدت أداءً أفضل. فقد تفوقت شبكات LSTM على النماذج القائمة على الانتباه بنسبة تصل إلى 5% في مقياس F1-score. ويرى المؤلفون أنه بما أن الحركة البشرية تسلسلية ومنظمة بطبيعتها (يجب أن ترفع قدمك قبل أن تضعها)، فإن "التحيز المحلي" لشبكات LSTM يناسب المشكلة بشكل أفضل من الرؤية "العالمية" لآليات الانتباه، والتي قد تتشتت أحياناً بالأجزاء الخاطئة من التسلسل.

السرعة والكفاءة

هناك قلق شائع من أن النماذج الجديدة والمعقدة ستكون بطيئة جداً للاستخدام في الوقت الفعلي على ساعة أو هاتف. تحقق المؤلفون من ذلك بعناة. فعلى الرغم من أن DeepConvContext يحتوي على معاملات (parameters) أكثر (حوالي ثلاثة أضعاف عدد معاملات طريقة CausalBatch)، إلا أنه يعالج البيانات بسرعة تقارب الطرق القديمة. فقد حقق زمن استجابة قدره 0.96 مللي ثانية لكل دفعة، وهو ما يضاهي الطرق الأقدم والأبسط. وهذا يعني أن "المحقق الخارق" الجديد لا يجعلك تنتظر؛ بل يمكنه التنبؤ بنشاطك في الوقت الفعلي.

ماذا يعني هذا للمستقبل؟

تخلص الورقة إلى أن DeepConvContext يعد خطوة صلبة للأمام في حل مشكلة "النافذة المنزلقة". فمن خلال فصل تعلم التفاصيل المحلية عن السياق العالمي، ومن خلال التدريب على تسلسلات مستمرة بدلاً من قطع مبعثرة، يتعلم النموذج سرد قصة أفضل عن الحركة البشرية.

يشير المؤلفون إلى أنه بينما ركزوا على التنبؤ عبر الإنترنت (في الوقت الفعلي)، فإن الطريقة يمكن أن تعمل أيضاً في التحليل اللاحق (offline). كما أشاروا إلى أن هذا النهج ليس مخصصاً لنوع واحد من المستشعرات؛ بل يمكن تكييفه مع نماذج أخرى مثل TinyHAR أو Attend-and-Discriminate. ومع ذلك، ظلوا حذرين، مشيرين إلى أنه بينما كانت النتائج قوية، يجب على المجتمع العلمي الاستمرار في اختبار هذه الأفكياء عبر سيناريوهات مختلفة. في نهاية المطاف، يأملون أن يصبح هذا النهج متعدد المقاييس أداة قياسية، مما يساعد محققينا الرقميين على فهم ليس فقط ماذا نفعل، بل كيف نفعله، انتقالاً واحداً سلساً تلو الآخر.