Naukowcy opracowali alternatywne podejście do rozpoznawania aktywności człowieka, które rezygnuje z tradycyjnego gradientowego trenowania sieci neuronowych na rzecz agentowego uczenia heurystycznego. Zamiast propagacji wstecznej, system uczy się poprzez zapamiętywanie przykładów, tworzenie reguł i naprawianie błędów - proces bardziej zbliżony do naturalnego uczenia się człowieka. AHL Studio to praktyczne narzędzie implementujące tę ideę dla benchmarku HAR, które pozwala agentowi analizować protokoły sensoryczne, proponować wykonalne polityki heurystyczne i dokumentować procesy naprawy.
Kluczową zaletą jest to, że wygenerowane polityki mogą pracować bez modeli LLM i są gotowe do wdrożenia na urządzeniach brzegowych o ograniczonej mocy obliczeniowej. System oferuje kompletny przepływ pracy od obserwacji zbioru danych po eksport do edge deployment'u. Polityki wynikowe są nie tylko efektywne, ale także inspektowalne, edytowalne i powtarzalne - użytkownik może łatwo zrozumieć i modyfikować sposób działania systemu.
Na testach przeprowadzonych dotychczas na jedenastu zbiorach danych HAR podejście AHL wykazało silną wydajność wykonania, konkurując z tradycyjnymi metodami neuronowymi. To otwarcie nową perspektywę dla deploymentu na urządzeniach z ograniczeniami zasobów, gdzie przejrzystość modelu jest nie mniej istotna niż jego dokładność. Kod projektu jest dostępny na platformie GitHub, co umożliwia dalsze badania i praktyczne zastosowania.