معيار «كاب ميم» يحول التسجيلات المرئية إلى ذاكرة نصية: تفوق التوصيف الزمني على المعالجة المباشرة للفيديو

تواجه المساعدات الذكية القابلة للارتداء معضلة هندسية مركبة حين يتعلق الأمر ببناء ذاكرة عرضية طويلة الأمد من تسجيلات الفيديو الملتقطة من منظور الشخص الأول. فرغم الحاجة التشغيلية إلى استرجاع الأحداث السابقة وفهم تفاصيلها بدقة، تصطدم نماذج الرؤية واللغة المعاصرة بقيود ملموسة تفرضها ميزانيات استيعاب الإطارات المحدودة، والارتفاع الحاد في تكاليف معالجة الرموز البصرية، فضلًا عن إخفاقات الاسترجاع في السياقات الزمنية الممتدة. وللتعامل مع هذه العوائق، قدمت دراسة أعدها فريق بحثي بقيادة دينغلي ليانغ لمؤتمر «إي إم إن إل بي 2026» معيارًا اختباريًا أُطلق عليه اسم «كاب ميم»، مستهدفة إثبات أن تحويل المشاهد المرئية إلى تسميات توضيحية نصية يمكن أن يشكل ذاكرة عرضية متجددة وقابلة لإعادة الاستخدام تتفوق على المعالجة المباشرة للبث المرئي الخام.

يقدم البحث صياغة لمهمة جديدة تتمثل في الإجابة عن الأسئلة اعتمادًا على التسميات التوضيحية للذاكرة العرضية، حيث طور الفريق معيار «كاب ميم» بالاعتماد على 75 مقطع فيديو بمراجعة وتوثيق بشري كامل، بإجمالي مدة زمنية تصل إلى 33.7 ساعة، وبواقع 1000 سؤال متعدد الخيارات موزعة عبر 16 سيناريو واقعي. وتقوم الفكرة على تقطيع التسجيلات إلى نوافذ زمنية محددة تتراوح بين 30 ثانية و60 ثانية لتوليد سجل نصي متسلسل للأحداث، مما ينقل ثقل المعالجة من الاستهلاك الكثيف لإطارات الفيديو إلى فضاء النصوص الأقل عبئًا والأسهل فهرسة واسترجاعًا.

أثبتت النتائج المعملية جدوى هذا المسار، لا سيما في مقاطع الفيديو الطويلة التي تتجاوز 20 دقيقة؛ حيث تفوقت منظومة الأسئلة القائمة على التسميات التوضيحية الكاملة بنافذة 30 ثانية على معالجة الفيديو المباشرة في عشرة نماذج من أصل اثني عشر نموذجًا تم اختبارها، وتفوقت بنسبة ثمانية من أصل اثني عشر نموذجًا عند استخدام نافذة 60 ثانية. وضمن بيئة تجريبية منضبطة لتكافؤ الإطارات عبر ستة نماذج من عائلة «كوين»، حافظت المقاربة النصية على مكاسب دقة بلغت في المتوسط 3.22 و2.55 نقطة على التوالي. وعلاوة على ذلك، أظهرت التجارب أن استخدام آلية الاسترجاع والتحقق الموجهة بالنصوص أضاف تحسينًا إضافيًا في دقة الإجابات وصل إلى 5.3 نقاط، وهو ما يؤكد أن استدعاء الإطارات البصرية الانتقائية بعد تضييق نطاق البحث عبر النص يحقق الكفاءة المطلوبة دون إهدار الموارد الحوسبية.

تكتسب هذه الخلاصة أهمية خاصة للمهندسين وفرق بناء الأنظمة الذكية في الخليج ومصر والشام، وتحديدًا لدى الجهات التي تبحث إدخال النظارات الذكية والكاميرات المحمولة في قطاعات التفتيش الميداني، ومستودعات الإمداد، وإدارة المنشآت الصناعية والطاقة. إن تدفق ساعات البث المرئي المستمر نحو نماذج الاستدلال السحابية يفرض فواتير استهلاك باهظة للرموز البصرية ويستهلك سعة الشبكات، فضلًا عن قيود نقل البيانات الحساسة. ويشير المعيار الجديد إلى إمكانية اعتماد معمارية محلية بديلة، تقوم على تفريغ المشاهد إلى نصوص وصفية متزامنة عبر معالجة طرفية خفيفة، مع قصر التحليل المرئي الثقيل على اللحظات المستهدفة فقط، مما يخفض تكلفة تشغيل المساعدات الميدانية ويجعل نشرها على نطاق واسع خيارًا قابلاً للتنفيذ التجاري.