ثانیه‌ها برای یک تحلیلگر امنیتی یا خبرنگار، مرز بین یک خبر به‌موقع و یک شکست اطلاعاتی است. اگر امروز برای تحلیل ویدیوهای میدانی ساعت‌ها وقت صرف می‌کنید، باید بدانید که رادار (Radar) این فرآیند را به چند ثانیه کاهش داده است.
این ابزار برای تحلیلگران OSINT (اطلاعات متن‌باز) — شبیه به کاراگاهی است که به‌جای خواندن گزارش‌ها، تمام تابلوها و نوشته‌های محیطی را در یک لحظه می‌بیند و می‌فهمد — طراحی شده تا داده‌های بصری تلگرام و X را به سرعت به اطلاعات ترجمه‌شده تبدیل کند. بر اساس مستندات منتشر شده در ۲۱ ژوئن ۲۰۲۶ در وب‌سایت dev.to، این سیستم روی سخت‌ترین بخش تحلیل داده‌ها، یعنی متن‌های جاسازی‌شده در رسانه تمرکز دارد.
همان‌طور که در تحلیل قبلی ما درباره‌ی ابزارهای پایش شبکه‌های اجتماعی اشاره کردیم، اکثر ابزارهای فعلی متن داخل تصاویر را نادیده می‌گیرند. اما رادار با استفاده از یک خط لوله نویسه‌خوانی نوری (OCR) چندزبانه، متن‌ها را در محیط‌های شلوغ و با فونت‌های متنوع استخراج می‌کند. این سیستم به‌جای بررسی تک‌واژه‌ها، بستر بصری را برای ترجمه در نظر می‌گیرد تا دقت معنایی حفظ شود.
به نقل از تیم توسعه‌دهنده، برای مدیریت ویدیوها و زیرنویس‌های سخت‌افزاری (Hard-coded)، از معماری زیر استفاده شده است:
- نمونه‌برداری هوشمند از فریم‌ها: شناسایی فریم‌های کلیدی برای جلوگیری از پردازش تکراری تمام تصاویر.
- حذف داده‌های تکراری (Deduplication): اطمینان از اینکه محتوای یکسان در فریم‌های مختلف، چندین بار در خروجی ظاهر نمی‌شود.
- پایتون (Python): زبان اصلی برای پردازش رسانه و وظایف OCR.
- وب‌ساکت‌ها (WebSockets): برای به‌روزرسانی آنی و به حداقل رساندن تأخیر.
- ترجمه سفارشی: مدلی که به‌طور اختصاصی برای زبان عبری با تمرکز بر مفاهیم امنیتی و خبری تنظیم دقیق (Fine-tuning) — مثل وقتی به یک پزشک عمومی، تخصص پوست می‌دهیم تا روی یک حوزه دقیق شود — شده است.
علاوه بر استخراج، این سیستم از یک مدل رتبه‌بندی منابع استفاده می‌کند. طبق گزارش رادار، کانال‌های تلگرامی بر اساس سرعت انتشار و تطبیق با منابع تأییدشده رتبه‌بندی می‌شوند؛ زیرا سرعت بسیار بالا در انتشار خبر، اغلب نشانه‌ای از انتشار آگاهانه اطلاعات نادرست (Disinformation) است.
این رویکرد، معیار اثربخشی ابزارهای OSINT را تغییر می‌دهد. وقتی یک فریم ویدیو مانند یک سند مکتوب خوانده شود، نیاز به بازبینی دستی ویدیوهای میدانی حذف می‌شود. در واقع تمرکز از «چه چیزی پست شده» به «در واقع چه گفته می‌شود» تغییر می‌کند.
گام بعدی شما
- اگر در تحلیل داده‌های بصری فعالیت می‌کنید، روند تکامل مدل‌های چندوجهی (Multimodal) را دنبال کنید.
- برای کاهش تأخیر در سیستم‌های خود، معماری مبتنی بر Event-driven و WebSockets را بررسی کنید.
- معیارهای رتبه‌بندی منبع را برای شناسایی سریع‌تر عملیات اثرگذاری (Influence Operations) به کار ببندید.
اما چالش بعدی این تیم، ترجمه اصطلاحات خیابانی و گویش‌های منطقه‌ای در ویدیوهای میدانی است که اثر آن بر دقت سیستم را در گزارش‌های آینده بررسی خواهیم کرد.
گفتگو