Η τεχνητή νοημοσύνη μπορεί ήδη να προβλέψει πολλά πράγματα. Δεν θα κρυφτεί ούτε το πού θα πάμε και το τι θα κάνουμε μετά.
Όπως μαθαίνουμε από τη δημοσίευση στις 31 Μαΐου επιστημονική εργασία, έρευνα από το Πανεπιστήμιο Carnegie Mellon, την Google AI και το Πανεπιστήμιο του Στάνφορντ το έχουν επιβεβαιώσει Τα συστήματα βαθιάς μάθησης είναι σε θέση να προβλέψουν τις ενέργειές μας. Πώς είναι δυνατόν αυτό;
Πρόβλεψη διαδρομής και συμπεριφοράς κίνησης
Με την ανάπτυξη αλγορίθμων και τεχνολογιών, τα συστήματα είναι σε θέση να αναλύουν όλο και περισσότερες πληροφορίες, μεταξύ άλλων από υλικό βίντεο. Αυτό μπορεί να είναι χρήσιμο, για παράδειγμα, σε εφαρμογές που βοηθούν προβλέπουν τη συμπεριφορά των πεζών και αποφεύγουν ατυχήματα. Από αυτή την άποψη, είναι εξαιρετικά σημαντικό να προβλεφθεί η μελλοντική διαδρομή των πεζών, που ονομάζεται μελλοντική πρόβλεψη μονοπατιού / τροχιάς.
πηγή: youtube.com
Όπως μαθαίνουμε από την επιστημονική εργασία, πρώτο είναι το άτομο στο υλικό του βίντεο κωδικοποιημένα με πλούσια οπτικά χαρακτηριστικά, που μας επιτρέπουν να αποτυπώσουμε την ανθρώπινη συμπεριφορά και τις αλληλεπιδράσεις με το περιβάλλον τους.
Στη συνέχεια προστίθενται βοηθητικές εργασίες πρόβλεψη της τοποθεσίας των δραστηριοτήτων για τη διευκόλυνση της κοινής εκπαιδευτικής διαδικασίας.
Το μοντέλο που προέκυψε έδειξαν οι επιστήμονες την αποτελεσματικότητα αυτής της λύσης τόσο σε δημοφιλές όσο και σε πρόσφατο σημείο αναφοράς βίντεο μεγάλης κλίμακας. Επιπλέον, αποδείχθηκε ποσοτικά και ποιοτικά ότι το επόμενο μοντέλο προβλέπει με επιτυχία σημαντικές μελλοντικές ενέργειες.
πηγή: youtube.com
Η ανάλυση των δραστηριοτήτων των πεζών και η χρήση πλούσιων λειτουργιών πληροφόρησης επιτρέπουν επομένως συστήματα διδασκαλίας για την πρόβλεψη μελλοντικών ενεργειών και τις τοποθεσίες τους.
Μοντελοποίηση συμπεριφοράς και μονοπατιών δράσης
Δοκιμές που πραγματοποιήθηκαν από επιστήμονες αποδεικνύουν ότι αυτή η μέθοδος είναι σε θέση όχι μόνο να μαντέψει τη μελλοντική πορεία της κίνησης, αλλά και να παράγει μια σημαντική πρόβλεψη της μελλοντικής δραστηριότητας. Το αποτέλεσμα παρέχει την πρώτη εμπειρική απόδειξη ότι Η κοινή μοντελοποίηση μονοπατιών και ενεργειών ωφελεί τις μελλοντικές προβλέψεις μονοπατιών.
Χρήση τεχνολογίας
Αυτό θεωρείται ήδη βασικό στοιχείο για την κατανόηση του περιεχομένου βίντεο. Αυτός ο τρόπος εξέτασης των οπτικών πληροφοριών από το παρελθόν, όπως λένε οι επιστήμονες, μπορεί να βοηθήσει στην πρόβλεψη μελλοντικών ενεργειών. σε πολλές εφαρμογές που χρησιμοποιούνται, για παράδειγμα, σε αυτόνομα αυτοκίνητα ή ρομποτική.
Επιπλέον, μπορεί υποστήριξη της δημόσιας ασφάλειας, παρακολούθηση της κυκλοφορίας και να το διαχειριστείτε ανιχνεύοντας αυτόματα τη δραστηριότητα ροής βίντεο.
Ηθικές πτυχές αυτής της λύσης
Η προοπτική αύξησης της οδικής ασφάλειας και επίλυσης του προβλήματος των αυτόνομων αυτοκινήτων ακούγεται απίστευτα υποσχόμενη. αισιοδοξώς. Δυστυχώς, η λύση έχει και τα μειονεκτήματά της. σκοτεινές πλευρές.
Μελλοντικές μελέτες αυτού του τύπου σχετικά με την πρόβλεψη διαδρομής και δραστηριότητας μπορεί να εγείρουν ηθικά ζητήματα σχετικά ιδιωτικότητα και ασφάλεια. Αυτή η μέθοδος δεν έχει ακόμη δοκιμαστεί για διαφορετικούς πληθυσμούς και, όπως γνωρίζουμε, οι άνθρωποι μπορούν να συμπεριφέρονται διαφορετικά σε διαφορετικές καταστάσεις, επομένως η πρόβλεψη της δραστηριότητάς τους θα πρέπει επίσης να προσαρμοστεί στους μεμονωμένους πληθυσμούς και την ιδιαιτερότητά τους.
Μιλήστε μας για την τεχνητή νοημοσύνη
Γίνετε μέλος της ομάδας "AI Business" στο Facebook
Σας προτείνουμε ένα ηλεκτρονικό βιβλίο για την Τεχνητή Νοημοσύνη
AI στο μάρκετινγκ – Πώς να αυξήσετε τις πωλήσεις και την δέσμευση πελατών;
Το τεστ Turing: Είναι το AI ήδη πιο έξυπνο από τους ανθρώπους;