211service.com
Hvordan din enhed kender dit liv gennem billeder
Ny forskning i neurale netværk kan give computere mulighed for at identificere vores daglige handlinger mere præcist end de apps på markedet, der sporer ting som GPS-placering og puls. En ny computermodel har opnået omkring 83 procent nøjagtighed i at identificere de aktiviteter, den ser på billeder fra det virkelige liv - og med blot lidt træning kunne den gøre dette for enhver bruger, den støder på.
Anført af Georgia Tech kandidatstuderende Daniel Castro og Steven Hickson har forskere skabt et kunstigt neuralt netværk designet til at identificere scener i såkaldte egocentriske fotografier taget fra brugerens synspunkt. Disse kommer normalt fra bærbare kameraer som Narrative Clip, MeCam, Google Glass og GoPro, men almindelige mobiltelefonbilleder fungerer ofte også. Holdet gav netværket sine færdigheder ved at træne det med et sæt på omkring 40.000 billeder taget af en enkelt person over en periode på seks måneder. Denne dedikerede frivillige associerede manuelt hvert billede med en aktivitet og besluttede sig naturligvis for at bruge 19 grundlæggende aktivitetsetiketter. Disse mærker inkluderer kørsel, ser tv, familietid og hygiejne.
En separat læringsalgoritme kombinerer det neurale netværks gæt med metadata om dagen og tidspunktet, hvor billedet blev taget. Dette giver netværket mulighed for at lære fælles sammenhænge mellem aktiviteter og endda komme med forudsigelser om brugerens kommende tidsplan.
Det er denne ensemble-lignende metode, hvor vi trænede oven på en deep learning-metode, siger Hickson. Så det kan udnytte den dybe læring og den grundlæggende kontekstuelle information om daglige aktiviteter. (Se 10 Breakthrough Technologies 2013: Deep Learning. )
Bærbare teknologiudviklere kunne tilbyde meget mere indsigtsfulde tjenester med denne teknologi. Forskerne forestiller sig en app, der bemærker en brugers spise- eller motionsvaner og foreslår mulige justeringer. Og da den kan lære din tidsplan at kende, kan den komme med intelligente forslag på farten, som at tage tidligt afsted på arbejde på grund af en trafikmelding. Castro siger, at det endda kan lade en app omorganisere dine aktiviteter i løbet af dagen, så du kan komme igennem dem mere effektivt.
Microsoft-forsker Gordon Bell har arbejdet på såkaldt e-hukommelse, som har til formål at hjælpe menneskelig genkaldelse med computere. Han siger, at nøglen er at give maskiner mulighed for at genkende indholdet af billeder. Hvert eneste af disse skridt fremad [for maskinlæring] er utrolig værdifuldt, siger Bell. Jeg vil se på [denne indekseringsevne] som noget, der vil forbedre din langtidshukommelse ved at være i stand til at finde ting i tidligere situationer. Han siger, at e-hukommelsesalgoritmer i fremtiden kunne søge i en bred vifte af billeder fra mere end blot det egocentriske synspunkt, så det har en bred vifte af anvendelighed.
Heldigvis behøver ikke alle brugere at kompilere en database på 40.000 billeder for at drage fordel af denne teknologi. Da holdet testede sit maskinlæringsensemble på to nye frivillige, kæmpede det med ændringerne i livsstil. Hickson siger, at de blot lavede en hurtig undersøgelse af effekten af at finjustere modellen, og trænede den med blot en enkelt dags egocentriske billeder fra deres to nye frivillige. Nøjagtigheden af resultaterne steg dramatisk, siger han.
Som altid med bærbare kameraer er der dog komplekse spørgsmål om privatliv og brugertillid. Point-of-view fotografering (egografi) giver mulighed for indsigt, som kan være yderst nyttig, når den sættes i gang for brugerne, men det kan også skabe et meget ønskværdigt mål for kriminelle hackere og nysgerrige reklamevirksomheder. Praksis er endda ved at blive politisk gennem den udbredte brug af politiets kropskameraer til automatisk at optage interaktioner med mistænkte (se Kontrol, når kameraerne optager).
Nogle af problemerne kan forsvinde, hvis den nødvendige hardware til at køre intensive maskinlæringsalgoritmer i mobilenheder i forbrugerkvalitet bliver tilgængelig. Hvis data ikke længere skal rejse over internettet til behandling, siger forskerne, bliver sikkerheden meget mere overskuelig. Castro siger, at udfordringen er, om vi kan finde ud af, hvad disse privatlivsproblemer er nu, så vi ikke løber ind i problemer senere, f.eks. fem år senere, når disse enheder er tilgængelige.
Forskerne undersøger muligheden for en billedanalysealgoritme, der kunne supplere deres ved at identificere og fjerne privat information fra billeder automatisk - en tilfældig anmodning fra maskinlæringssamfundet, der ville have virket alt for håbefuld for blot et par få år siden.