Szingapúr továbbfejlesztette a mesterséges intelligenciát, amelyet arra használ, hogy felismerje a dohányosokat, akik a szigetországban számos helyen tilosak, hogy a helyi bűnüldöző szerveket hatékonyabban kiszűrjék.
Az AI-t Balefire-nek hívják, és ahogy a közelmúltban is magyarázható Pye Sone Kyaw – a szingapúri GovTech digitális transzformációs ügynökség MI mérnöke – már elérte a 3.0-s verziót.
„A Balefire fő célja, hogy segítse a NEA-t [az Országos Környezetvédelmi Ügynökség] a dohányzók észlelésében a dohányzástól tilos helyeken” – írta. A NEA segítőkészen listák azokat a tiltott helyeket: a legtöbb fedett területet, parkokat, oktatási intézményeket, uszodákat és még a gyalogos felső hidakat is. Rossz helyen dohányzásért 200 szingapúri dollár (148 dollár) pénzbírságot szabhatnak ki, az elítélés pedig ennek ötszörösét vonhatja maga után.
A Balefire korábbi verziói a koncepciódemók bizonyítékának számítottak. A 3.0-s verzió „bővített pilotnak” tekinthető, amely 20 helyen működik.
Kyaw panaszkodott, hogy nem könnyű észrevenni a cigarettákat – kicsik és könnyen összetéveszthetők más tárgyakkal. Megemlítette „a szívószálakat, a telefon fényes széleit, a bizonyos módon elhelyezett ujjakat és még bizonyos típusú ételeket is” olyan tárgyakként, amelyeket a kültéri kamerákon alapuló számítógépes látórendszerek tévesen rákbotként azonosíthatnak.
Megpróbálta észlelni a füstöt vagy a cigaretta izzó hegyét, de ezek az erőfeszítések kiégtek, mert túl sok hibát produkáltak. Így tett az „egész ember szemlélése, például a pózbecslésen keresztül”.
Ezek a kudarcok késztették Kyaw-t arra a következtetésre, hogy „a végpontok közötti észlelési modell nem megvalósítható, különösen szélső AI-kontextusban, a benne rejlő számítási korlátokkal és viszonylag kis modellmérettel, valamint a szinte azonnali észlelés szükségességével”.
Olyan kész rendszereket keresett, amelyek javíthatnák a Balefire-t, de nem talált olyan rendszert, amely megfelelt volna a NEA olyan rendszer iránti igényének, amely képes volt a lehető legtöbb dohányos azonosítására a kamera látómezejének teljes tartományában, és ezt majdnem azonnal.
A GovTech ezért megépítette saját egyedi feldolgozási folyamatát, amelyet Kyaw írt. A következő öt lépést tartalmazza:
- Fejérzékelés és feldolgozás: A folyamat úgy kezdődik, hogy a kamera kereteit egy fejdetektorba táplálják, amely azonosítja a kereten belüli összes fej koordinátáit.
- Heurisztikus alapú szűrés: Az észlelés után ezek a fejek egy sor heurisztikus szűrőn mennek keresztül, amelyek célja az esetleges hibás fejek kiküszöbölése. Ezek a szűrők a felhalmozott tanulságok és a telepítési adatok részletes elemzésének termékei.
- Fejkövetés: Ezután egy objektumkövető követi az észlelt fejeket az egymást követő kereteken keresztül, és ahol csak lehetséges, összekapcsolja őket a korábban észlelt fejekkel. Ez biztosítja, hogy az azonosított dohányosok esetében ne induljanak el ismétlődő riasztások minden alkalommal, amikor egy új keretben felismerik őket.
- Füst/füstmentes besorolás: A korábban nem dohányzókhoz tartozó fejeket ezután egy bináris fejosztályozó dolgozza fel. Ez az osztályozó határozza meg, hogy az egyén dohányzik-e vagy sem.
- Újraazonosítási modul: Ha az osztályozó dohányzási tevékenységet jelez, egy újraazonosító modul megpróbálja összevetni az észlelt dohányost a legutóbbi dohányosok figyelőlistájával. Ha nincs újraazonosítás, akkor riasztás indul. A figyelőlista frissül a dohányos legfrissebb megjelenésével és egyéb releváns információkkal.
A 3.0-s verzió több modellt használ, amelyek a Balefire jelenlegi és korábbi iterációiból rögzített felvételekre támaszkodnak.
„Egyszerűen fogalmazva, meglévő modelljeinket használtuk az új adatok megjegyzésére, és kijavítottuk a folyamatból származó hibákat” – írta Kyaw. „Iteratívan hozzáadtuk a képek egyes profiljaihoz, amelyekben a meglévő modellek hibára hajlamosak voltak, például sisakot viselő, evő vagy ivó személyek. Ez jelentősen javította a modellek teljesítményét a projekt során.”
Az új rendszertől azt remélik, hogy nem csak több dohányost észlel, hanem elkerüli a hamis pozitív eredményeket is – hogy „könnyítse a NEA-t abban, hogy optimalizálja a végrehajtó tisztek kiosztását ezeken az azonosított hotspotokon”.
Más szóval, a Balefire célja annak biztosítása, hogy amikor a NEA rácsap a dohányosokra, erőfeszítései ne menjenek el. ®
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://go.theregister.com/feed/www.theregister.com/2024/03/28/singapore_balefire_smoking_detection_ai/