211service.com
Kā jūsu ierīce uzzina jūsu dzīvi, izmantojot attēlus
Jauni pētījumi neironu tīklos var ļaut datoriem noteikt mūsu ikdienas darbības precīzāk nekā tirgū esošās lietotnes, kas izseko tādas lietas kā GPS atrašanās vieta un sirdsdarbība. Jauns datora modelis ir sasniegusi aptuveni 83 procentu precizitāte, identificējot darbības, ko tas redz reālos attēlos, un ar nelielu apmācību tas varētu to paveikt jebkuram lietotājam, ar kuru tas saskaras.
Džordžijas Tehnikas absolventu Daniela Kastro un Stīvena Hicksona vadībā pētnieki ir izveidojuši mākslīgu neironu tīklu, kas paredzēts, lai identificētu ainas tā sauktajās egocentriskajās fotogrāfijās, kas uzņemtas no lietotāja viedokļa. Tie parasti nāk no valkājamām kamerām, piemēram, Narrative Clip, MeCam, Google Glass un GoPro, taču bieži vien darbojas arī parastie mobilā tālruņa fotoattēli. Komanda sniedza tīklam savas prasmes, apmācot to ar aptuveni 40 000 attēlu komplektu, ko sešu mēnešu laikā uzņēmis viens cilvēks. Šis īpašais brīvprātīgais katru attēlu manuāli saistīja ar kādu aktivitāti un, protams, apņēmās izmantot 19 pamatdarbības etiķetes. Šīs etiķetes ietver braukšanu, televizora skatīšanos, ģimenes laiku un higiēnu.
Atsevišķs mācību algoritms apvieno neironu tīkla minējumus ar metadatiem par dienu un laiku, kad attēls tika uzņemts. Tas ļauj tīklam uzzināt kopīgas asociācijas starp aktivitātēm un pat izteikt prognozes par lietotāja gaidāmo grafiku.
Tā ir šī ansamblim līdzīgā metode, kurā mēs trenējāmies, izmantojot dziļas mācīšanās metodi, saka Hiksons. Tādējādi tas var izmantot dziļu mācīšanos un pamata kontekstuālo informāciju par ikdienas aktivitātēm. (Skatiet 10 izrāvienu tehnoloģijas 2013: Deep Learning.)
Valkājamu tehnoloģiju izstrādātāji ar šo tehnoloģiju varētu piedāvāt daudz saprotamākus pakalpojumus. Pētnieki iztēlojas lietotni, kas pamana lietotāja ēšanas vai fiziskās aktivitātes paradumus un iesaka iespējamās korekcijas. Un, tā kā tas var uzzināt jūsu grafiku, tas var nekavējoties sniegt saprātīgus ieteikumus, piemēram, agri doties uz darbu satiksmes ziņojuma dēļ. Kastro saka, ka tas pat varētu ļaut lietotnei pārkārtot jūsu aktivitātes visas dienas garumā, lai jūs varētu tām efektīvāk tikt galā.
Microsoft pētnieks Gordons Bells ir strādājis pie tā sauktās e-atmiņas, kuras mērķis ir palīdzēt cilvēkiem atcerēties ar datoru palīdzību. Viņš saka, ka galvenais ir dot mašīnām iespēju atpazīt fotoattēlu saturu. Katrs no šiem soļiem [mašīnmācībai] ir neticami vērtīgs, saka Bels. Es uz [šo indeksēšanas spēju] skatītos kā uz kaut ko tādu, kas uzlabos jūsu ilgtermiņa atmiņu, spējot atrast lietas agrākās situācijās. Viņš saka, ka nākotnē e-atmiņas algoritmi varētu meklēt visdažādākos fotoattēlus ne tikai no egocentriskā skatpunkta, tāpēc tam ir plašs pielietojamības diapazons.
Par laimi, ne katram lietotājam ir jāapkopo 40 000 attēlu datu bāze, lai izmantotu šīs tehnoloģijas priekšrocības. Kad komanda izmēģināja savu mašīnmācības ansambli uz diviem jauniem brīvprātīgajiem, tā cīnījās ar dzīvesveida izmaiņām. Hiksons saka, ka viņi veica tikai ātru izpēti par modeļa precizēšanas ietekmi, apmācot to tikai ar vienas dienas egocentriskām fotogrāfijām no saviem diviem jaunajiem brīvprātīgajiem. Viņš saka, ka rezultātu precizitāte ir ievērojami palielinājusies.
Tomēr, kā vienmēr ar valkājamām kamerām, pastāv sarežģīti jautājumi par privātumu un lietotāju uzticēšanos. Skata punkta fotogrāfija (egogrāfija) sniedz ieskatu, kas lietotājiem var būt ļoti noderīga, taču tā var arī izveidot ļoti vēlamo mērķi noziedzīgiem hakeriem un aizrautīgiem reklāmas uzņēmumiem. Prakse pat kļūst politiska, jo plaši tiek izmantotas policijas ķermeņa kameras, lai automātiski reģistrētu mijiedarbību ar aizdomās turamajiem (skatiet sadaļu Kameras ierakstīšanas kontrole).
Dažas problēmas varētu izzust, ja kļūs pieejama aparatūra, kas nepieciešama intensīvu mašīnmācīšanās algoritmu palaišanai patērētāju līmeņa mobilajās ierīcēs. Ja datu apstrādei vairs nav jāpārvietojas pa internetu, pēc pētnieku domām, drošība kļūst daudz vieglāk pārvaldāma. Kastro saka, ka izaicinājums ir, vai mēs varam noskaidrot, kas ir šīs privātuma problēmas tagad, lai mēs nesaskartos ar problēmām vēlāk, piemēram, piecus gadus vēlāk, kad šīs ierīces būs pieejamas.
Pētnieki izskata iespēju izveidot attēlu analīzes algoritmu, kas varētu papildināt viņu algoritmu, automātiski identificējot un noņemot no attēliem privāto informāciju — tas ir gadījuma rakstura mašīnmācības kopienas pieprasījums, kas pirms dažiem īsiem gadiem būtu šķitis pārāk mērķtiecīgs.