Co myśli kamera? Dzięki sztucznej inteligencji może o tym opowiedzieć

W Nowym Jorku nie wiadomo dokładnie, ile kamer obserwuje ulice, ale policja może podłączyć się do 4 tysięcy na stacjach metra, 7 tysięcy w przestrzeni publicznej i przynajmniej sześciu tysięcy prywatnych. NGO Big Brother Watch szacuje, że przeciętny Londyńczyk jest nagrywany 300 razy dziennie dzięki 500 tysiącom kamer. Na podstawie tak ogromnej ilości danych firmy pokroju AISight starają się opracować metody wykrywania niebezpieczeństw. Wspominam o tej firmie, gdyż pomagała podczas poszukiwania odpowiedzialnych za podłożenie bomby podczas maratonu w Bostonie i starała się wesprzeć policję algorytmami rozpoznawania twarzy na obrazach z kamer miejskich. Teraz jej misją jest opracowanie sposobów na wykrywanie takich sytuacji zanim się wydarzą.

Kluczem do zapewnienia bezpieczeństwa na ulicach jest według wielu osób skonstruowanie systemu, który będzie mógł nauczyć się, jak powinno toczyć się życie w mieście i będzie zdolny wykrywać anomalnie. Dzieło AISight to taki właśnie system – sieć neuronowa poznaje zwyczaje mieszkańców miasta i z czasem ma być w stanie „wyłapać” takie anomalnie, jak podejrzany samochód zaparkowany zbyt długo pod czyimś domem czy to, że ktoś zdecydowanie za często odwiedza sklep tylnymi drzwiami.

Sposób działania komercyjnych systemów tego typu jest oczywiście pilnie strzeżony, ale możemy zapoznać się z podobnym rozwiązaniem dzięki studentom z Uniwersytetu Nowojorskiego. Ross Goodwin i Gene Han pracują nad sztuczną inteligencją i głębokim uczeniem, a ich projekt to nic innego, jak gadająca kamera. Projekt nie tylko analizuje sytuację, ale też opisuje co rejestruje i ile z tego jest w stanie zinterpretować.

Celem projektu jest nie tylko zgłębianie wiedzy na temat tego, jak oprogramowanie kamery może „uczyć się” rozpoznawać wzorce, ale także edukowanie społeczeństwa w dziedzinie wszechobecnego monitoringu i rozwoju sztucznej inteligencji. Studenci chcieli zaprojektować jednostkę z własnymi oczami, świadomą swojego otoczenia i zdolną do komunikacji z ludźmi, ale jednak pokazującą ograniczenia obecnego stanu techniki. Jak to działa i jaki abstrakcyjny słowotok może wygenerować kamera, można zobaczyć na filmie przygotowanym przez serwis Motherboard.

Zaskakujące jest to, że w potoku słów na temat osób, które obserwowała kamera, można było wychwycić słowa kluczowe, które trafnie oddawały zamiary napotkanych osób. Jedna z nich, określona przez maszynę jako podróżnik, pochodziła z Londynu. Druga, oceniona jako osoba wykształcona, dopiero co odebrała dyplom na uniwersytecie. Jednej twarzy kamera w ogóle nie uchwyciła, ale za to dość trafnie opisała cegły. Czwarty opis był na tyle lakoniczny, że nikt nie wiedział o co może chodzić.

Kamera przez cały czas pracy obraca się i poszukuje ludzkich twarzy na obrazie. Do wykrywania twarzy wykorzystuje kaskadę klasyfikatorów Haara, a gdy jakąś znajdzie, wysyła zdjęcie do serwera, który zajmie się dalszym przetwarzaniem. Analiza twarzy i jej otoczenia jest przeprowadzana przez konwolucyjną sieć neuronową (CNN), która dobiera pojęcia do dostarczonej twarzy. W kolejnym etapie słowa kluczowe są ubierane w pełne zdania na podstawie bazy relacji leksykalnych. Te zdania są następnie odczytane przez syntezator mowy.

Przy oglądaniu filmu warto zwrócić uwagę na mieszane reakcje osób biorących udział w eksperymencie. Niektóre były zachwycone tym, że maszyna „wie” kim są, inne były poważnie przestraszone tym faktem. Ta demonstracja pokazuje możliwości raczkującej jeszcze sztucznej inteligencji o wiele wyraźniej, niż wielu z nas by sobie życzyło, przemykając pod kloszami chroniącymi kamery miejskiego monitoringu.