211service.com
Jak Twoje urządzenie poznaje Twoje życie dzięki obrazom
Nowe badania w sieciach neuronowych mogą pozwolić komputerom na dokładniejszą identyfikację naszych codziennych działań niż dostępne na rynku aplikacje, które śledzą takie rzeczy, jak lokalizacja GPS i tętno. Nowy model komputera osiągnął około 83 procent dokładności w identyfikowaniu działań, które widzi na rzeczywistych obrazach — a przy odrobinie szkolenia może to zrobić dla każdego napotkanego użytkownika.
Naukowcy, prowadzeni przez studentów Georgia Tech, Daniela Castro i Stevena Hicksona, stworzyli sztuczną sieć neuronową zaprojektowaną do identyfikowania scen na tak zwanych egocentrycznych fotografiach zrobionych z punktu widzenia użytkownika. Zwykle pochodzą one z aparatów do noszenia, takich jak Narrative Clip, MeCam, Google Glass i GoPro, ale często działają również zwykłe zdjęcia z telefonu komórkowego. Zespół dał sieci swoje umiejętności, szkoląc ją za pomocą zestawu około 40 000 zdjęć zrobionych przez pojedynczą osobę w ciągu sześciu miesięcy. Ten oddany wolontariusz ręcznie powiązał każdy obraz z czynnością i naturalnie zdecydował się na użycie 19 podstawowych etykiet czynności. Etykiety te obejmują prowadzenie pojazdu, oglądanie telewizji, czas rodzinny i higienę.
Oddzielny algorytm uczenia łączy domysły sieci neuronowej z metadanymi dotyczącymi dnia i godziny przechwycenia obrazu. Dzięki temu sieć może uczyć się wspólnych powiązań między czynnościami, a nawet przewidywać nadchodzący harmonogram użytkownika.
To ta metoda zespołowa, w której trenowaliśmy na bazie metody głębokiego uczenia się, mówi Hickson. Dzięki temu może wykorzystać głębokie uczenie się i podstawowe informacje kontekstowe dotyczące codziennych czynności. (Patrz 10 Przełomowe technologie 2013: Głębokie uczenie. )
Dzięki tej technologii twórcy technologii do noszenia mogą oferować znacznie bardziej szczegółowe usługi. Naukowcy wyobrażają sobie aplikację, która zauważa nawyki żywieniowe lub ćwiczenia użytkownika i sugeruje możliwe zmiany. A ponieważ może nauczyć się Twojego harmonogramu, może na bieżąco przedstawiać inteligentne sugestie, na przykład wcześniejsze wyjście do pracy z powodu raportu o ruchu drogowym. Castro twierdzi, że może nawet pozwolić aplikacji na reorganizację Twoich działań w ciągu dnia, dzięki czemu będziesz mógł przez nie przechodzić wydajniej.
Badacz Microsoft Gordon Bell pracował nad tak zwaną e-pamięcią, która ma na celu wspomaganie ludzkiego przypominania za pomocą komputerów. Mówi, że kluczem jest umożliwienie maszynom rozpoznawania treści zdjęć. Każdy z tych kroków naprzód [w przypadku uczenia maszynowego] jest niezwykle cenny, mówi Bell. Patrzyłbym na [tę umiejętność indeksowania] jako na coś, co poprawi twoją pamięć długotrwałą dzięki możliwości znajdowania rzeczy we wcześniejszych sytuacjach. Mówi, że w przyszłości algorytmy e-pamięci będą mogły przeszukiwać szeroką gamę zdjęć nie tylko z egocentrycznego punktu widzenia, więc mają szeroki zakres zastosowań.
Na szczęście nie każdy użytkownik musi skompilować bazę danych zawierającą 40 000 obrazów, aby skorzystać z tej technologii. Kiedy zespół przetestował swój zespół uczenia maszynowego na dwóch nowych ochotnikach, zmagał się ze zmianami w stylu życia. Hickson mówi, że przeprowadzili tylko szybkie badanie efektu dopracowania modelu, trenując go za pomocą zaledwie jednodniowych egocentrycznych zdjęć od dwóch nowych wolontariuszy. Dokładność wyników wzrosła dramatycznie, mówi.
Jak zawsze w przypadku aparatów do noszenia, istnieją jednak złożone kwestie prywatności i zaufania użytkowników. Fotografia z punktu widzenia (egografia) umożliwia spostrzeżenia, które mogą być niezwykle przydatne w pracy dla użytkowników, ale może również stanowić bardzo pożądany cel dla hakerów-przestępców i wścibskich firm reklamowych. Praktyka ta staje się nawet polityczna, ponieważ coraz powszechniejsze jest stosowanie kamer policyjnych do automatycznego rejestrowania interakcji z podejrzanymi (patrz Kontrolowanie, gdy kamery rejestrują).
Niektóre problemy mogą zniknąć, jeśli sprzęt potrzebny do uruchomienia intensywnych algorytmów uczenia maszynowego na urządzeniach mobilnych klasy konsumenckiej stanie się dostępny. Naukowcy twierdzą, że jeśli dane nie muszą już podróżować przez Internet w celu przetworzenia, bezpieczeństwo staje się o wiele łatwiejsze w zarządzaniu. Castro mówi, że wyzwaniem jest to, czy możemy teraz ustalić, jakie są te problemy z prywatnością, abyśmy nie napotkali problemów później, powiedzmy pięć lat później, kiedy te urządzenia będą dostępne.
Naukowcy badają możliwość stworzenia algorytmu analizy obrazów, który mógłby uzupełnić ich algorytm, automatycznie identyfikując i usuwając prywatne informacje z obrazów – co jest przypadkową prośbą społeczności zajmującej się uczeniem maszynowym, która jeszcze kilka lat temu wydawałaby się zbyt aspirująca.