211service.com
Hoe uw apparaat uw leven kent door middel van afbeeldingen
Door nieuw onderzoek naar neurale netwerken kunnen computers onze dagelijkse handelingen mogelijk nauwkeuriger identificeren dan de apps op de markt die zaken als GPS-locatie en hartslag volgen. Een nieuw computermodel heeft bereikt ongeveer 83 procent nauwkeurigheid bij het identificeren van de activiteiten die het in levensechte afbeeldingen ziet - en met slechts een beetje training zou het dit kunnen doen voor elke gebruiker die het tegenkomt.
Onder leiding van Georgia Tech-studenten Daniel Castro en Steven Hickson hebben onderzoekers een kunstmatig neuraal netwerk gecreëerd dat is ontworpen om scènes te identificeren in zogenaamde egocentrische foto's die vanuit het oogpunt van de gebruiker zijn genomen. Deze zijn meestal afkomstig van draagbare camera's zoals Narrative Clip, MeCam, Google Glass en GoPro, maar gewone foto's van mobiele telefoons werken vaak ook. Het team heeft het netwerk zijn vaardigheid gegeven door het te trainen met een set van ongeveer 40.000 foto's die door één persoon zijn gemaakt gedurende een periode van zes maanden. Deze toegewijde vrijwilliger associeerde elke afbeelding handmatig met een activiteit en besloot natuurlijk om 19 basisactiviteitlabels te gebruiken. Deze labels omvatten autorijden, tv kijken, tijd voor het gezin en hygiëne.
Een afzonderlijk leeralgoritme combineert de gissingen van het neurale netwerk met metadata over de dag en het tijdstip waarop de afbeelding werd vastgelegd. Hierdoor kan het netwerk gemeenschappelijke associaties tussen activiteiten leren en zelfs voorspellingen doen over het aanstaande schema van de gebruiker.
Het is deze ensemble-achtige methode, waar we bovenop een deep learning-methode trainden, zegt Hickson. Het kan dus gebruikmaken van diepgaand leren en de basiscontextuele informatie over dagelijkse activiteiten. (Zie 10 Doorbraaktechnologieën 2013: Deep Learning. )
Ontwikkelaars van draagbare technologie zouden met deze technologie veel meer inzichtelijke diensten kunnen bieden. De onderzoekers stellen zich een app voor die de eet- of bewegingsgewoonten van een gebruiker opmerkt en mogelijke aanpassingen voorstelt. En aangezien het uw planning kan leren, kan het intelligente suggesties doen, zoals vroeg naar het werk vertrekken vanwege een verkeersmelding. Castro zegt dat een app zelfs je activiteiten gedurende de dag kan reorganiseren, zodat je ze efficiënter kunt uitvoeren.
Microsoft-onderzoeker Gordon Bell heeft gewerkt aan zogenaamd e-memory, dat bedoeld is om mensen te helpen herinneren met computers. Hij zegt dat de sleutel is om machines de mogelijkheid te geven om de inhoud van foto's te herkennen. Elk van deze stappen voorwaarts [voor machine learning] is ongelooflijk waardevol, zegt Bell. Ik zou [dit indexeringsvermogen] beschouwen als iets dat je langetermijngeheugen zal verbeteren door dingen in eerdere situaties te kunnen vinden. Hij zegt dat e-memory-algoritmen in de toekomst een breed scala aan foto's kunnen doorzoeken vanuit meer dan alleen het egocentrische gezichtspunt, dus het heeft een breed scala aan toepasbaarheid.
Gelukkig hoeft niet elke gebruiker een database met 40.000 afbeeldingen samen te stellen om van deze technologie te profiteren. Toen het team zijn machine-learning-ensemble testte op twee nieuwe vrijwilligers, worstelde het met de veranderingen in levensstijl. Hickson zegt dat ze slechts een korte studie hebben gedaan naar het effect van het verfijnen van het model, door het te trainen met slechts één dag aan egocentrische foto's van hun twee nieuwe vrijwilligers. De nauwkeurigheid van de resultaten nam enorm toe, zegt hij.
Zoals altijd met draagbare camera's, zijn er echter complexe problemen met privacy en gebruikersvertrouwen. Point-of-view-fotografie (egografie) biedt inzichten die zeer nuttig kunnen zijn wanneer ze voor gebruikers aan het werk worden gezet, maar het kan ook een zeer wenselijk doelwit vormen voor criminele hackers en nieuwsgierige reclamebedrijven. De praktijk wordt zelfs politiek door het toenemende gebruik van camera's van politiediensten om interacties met verdachten automatisch vast te leggen (zie Controleren wanneer de camera's opnemen).
Sommige problemen zouden kunnen verdwijnen als de hardware die nodig is om intensieve algoritmen voor machine learning uit te voeren op mobiele apparaten van consumentenkwaliteit beschikbaar komt. Als gegevens voor verwerking niet meer via internet hoeven te reizen, wordt beveiliging volgens de onderzoekers een stuk beter beheersbaar. Castro zegt dat de uitdaging is of we er nu achter kunnen komen wat deze privacykwesties zijn, zodat we later, zeg vijf jaar later, als deze apparaten beschikbaar zijn, geen problemen tegenkomen.
De onderzoekers onderzoeken de mogelijkheid van een algoritme voor beeldanalyse dat hun algoritme zou kunnen aanvullen door automatisch privé-informatie uit afbeeldingen te identificeren en te verwijderen - een terloops verzoek van de machine-learninggemeenschap dat slechts een paar jaar geleden veel te ambitieus leek.