Kunstmatige intelligentie kan al veel voorspellen. Ook waar we naartoe gaan en wat we daarna gaan doen, blijft niet geheim.
Zoals we kunnen vernemen uit de publicatie van 31 mei wetenschappelijk werk, onderzoek van Carnegie Mellon University, Google AI en Stanford University hebben bevestigd dat Systemen voor diepgaand leren kunnen onze acties voorspellen. Hoe is dit mogelijk?
Voorspellen van bewegingspad en gedrag
Dankzij de ontwikkeling van algoritmen en technologieën kunnen systemen steeds meer informatie analyseren, ook uit videomateriaal. Dit kan bijvoorbeeld nuttig zijn in toepassingen die helpen voetgangersgedrag voorspellen en ongelukken voorkomen. Vanuit dit perspectief is het ontzettend belangrijk om het toekomstige pad van voetgangers te voorspellen. Dit wordt ook wel voorspelling van het toekomstige pad/traject van een persoon genoemd.
bron: youtube.com
Zoals we uit het wetenschappelijke werk leren, is de persoon in het videomateriaal eerst gecodeerd met rijke visuele functies, waarmee we menselijk gedrag en de interactie met hun omgeving kunnen vastleggen.
Dan worden ze toegevoegd hulptaken het voorspellen van de locatie van activiteiten om het gezamenlijke trainingsproces te vergemakkelijken.
Het resulterende model dat de wetenschappers lieten zien de effectiviteit van deze oplossing op zowel een populaire als recente grootschalige videobenchmark. Bovendien werd kwantitatief en kwalitatief aangetoond dat het volgende model voorspelt succesvol belangrijke toekomstige acties.
bron: youtube.com
De analyse van voetgangersactiviteiten en het gebruik van rijke informatiefuncties maken het daarom mogelijk leersystemen om toekomstige acties en hun locaties te voorspellen.
Modelleren van gedrag en actiepaden
Uit testen die wetenschappers hebben uitgevoerd, blijkt dat deze methode niet alleen de toekomstige bewegingsroute kan voorspellen, maar ook een belangrijke voorspelling van toekomstige activiteiten kan opleveren. Het resultaat levert het eerste empirische bewijs dat Gezamenlijke modellering van paden en acties komt ten goede aan toekomstige padvoorspellingen.
Gebruik van technologie
Dit wordt al beschouwd als een belangrijk element bij het begrijpen van videocontent. Wetenschappers zeggen dat deze manier van kijken naar visuele informatie uit het verleden kan helpen bij het voorspellen van toekomstige acties. in veel toepassingen, bijvoorbeeld in zelfrijdende auto's of robotica.
Bovendien kan het ondersteuning van de openbare veiligheid, verkeersbewaking en beheer dit door automatisch streaming video-activiteit te detecteren.
Ethische aspecten van deze oplossing
Het vooruitzicht dat we de verkeersveiligheid kunnen vergroten en het probleem van zelfrijdende auto's enigszins kunnen oplossen, klinkt veelbelovend. optimistisch. Helaas heeft deze oplossing ook nadelen. donkere kanten.
Toekomstige studies van dit type op het gebied van pad- en activiteitsvoorspelling kunnen ethische kwesties oproepen met betrekking tot privacy en veiligheid. Deze methode is nog niet getest voor verschillende populaties. We weten immers dat mensen zich in verschillende situaties anders kunnen gedragen. De voorspelling van hun gedrag moet dan ook worden aangepast aan de specifieke populaties en hun specifieke kenmerken.
Praat met ons over AI
Sluit je aan bij de groep "AI Business" op Facebook
Wij raden een e-book over AI aan
AI in marketing – Hoe verhoog je de verkoop en klantbetrokkenheid?
De Turing-test: is AI al intelligenter dan mensen?