يستخدم الذكاء الاصطناعي بيانات WiFi لتقدير عدد الأشخاص في الغرفة

ربما لا تعرف ذلك، ولكن يمكن استخدام بيانات WiFi للعديد من الأغراض المثيرة للاهتمام. بالإضافة إلى المعلومات الأساسية مثل قوة الإشارة أو سرعة الاتصال أو مستوى الأمان، يمكن أن تخبرنا بيانات WiFi أيضًا بالكثير من المعلومات حول الكائن المتصل، على سبيل المثال في التعرف على عدد الأشخاص الذين يقفون بالقرب من نقطة وصول معينة، على سبيل المثال . في ورقة بحثية منشورة مؤخرًا بعنوان: "DeepCount: عد الحشود باستخدام WiFi عبر التعلم العميق" - مترجمة تقريبًا: تقدير عدد الأشخاص في حشد من خلال بيانات WiFi، المنشورة على موقع Arxiv.org، نجح العلماء في تطوير نشاط الذكاء الاصطناعي نموذج التعرف - DeepCount - الذي يساعد في تقدير عدد الأشخاص في الغرفة من البيانات اللاسلكية.

• يعتقد 91% من مديري التكنولوجيا أن الذكاء الاصطناعي سيكون في قلب الثورة التكنولوجية القادمة

ويأتي هذا العمل بعد فترة ليست طويلة من إعلان الباحثين في جامعة رايرسون في تورونتو عن شبكة عصبية يمكنها المساعدة في تحديد ما إذا كان صاحب الهاتف الذكي يمشي أو يركب الدراجة أو يقود سيارته في مناطق معينة من المدينة باستخدام بيانات WiFi، وفي الوقت نفسه دراسة أخرى أجرتها جامعة بوردو. كما نجحت الجامعة في تطوير نظام يستخدم سجلات الوصول إلى شبكة WiFi لتحليل علاقات العلاقة بين المستخدمين ومواقعهم وأنشطتهم.

في هذا البحث الأخير، استفاد العلماء من معلومات حالة القناة (CSI) - وتحديدًا المرحلة والسعة - لإنشاء نظام من نموذجين للذكاء الاصطناعي، يتضمن نموذج التعرف على النشاط ونموذج التعلم العميق. يتم تكليف نموذج التعلم العميق بتقييم الارتباط بين عدد الأشخاص والقنوات من خلال تعيين أنشطة هؤلاء الأشخاص إلى CSI، بينما سيكون نموذج التعرف على النشاط مسؤولاً عن تسجيل المعلومات عندما يدخل شخص ما الغرفة أو يغادرها عبر "جهاز إلكتروني" يُحوّل". في الحالات التي يلتقط فيها نموذجان بيانات مختلفة - على سبيل المثال، إذا سجل نموذج التعرف على النشاط عددًا أكبر من الأشخاص مقارنة بنموذج التعلم العميق - سيستخدم DeepCount هذا الاختلاف لإعادة تدريب نموذج التعلم العميق.

• يشرح خبير McAfee كيف يخترق التزييف العميق والذكاء الاصطناعي جدران الأمن السيبراني

بالإضافة إلى ذلك، قام الباحثون أيضًا بتجميع مجموعة بيانات مكونة من 800 عينة من CSI من 10 متطوعين مشاركين في مجموعة متنوعة من المهام المختلفة، بما في ذلك أنشطة مثل التلويح والكتابة والجلوس والمشي والتحدث وتناول الطعام (حوالي 80% من العينات في كل منها). تم استخدام الفصل لأغراض التدريب وتم استخدام الباقي كمجموعة اختبار). لتدريب نموذج التعرف على النشاط، يجب على العلماء أولاً معالجة بيانات السعة لإزالة الضوضاء والعناصر غير المرغوب فيها، ثم استخراج معلومات الميزة. يشبه تدريب نموذج التعلم العميق مرحلة المعالجة المسبقة، ولكن يتم إجراؤه باستخدام بيانات المرحلة بالإضافة إلى السعة.

يعمل DeepCount على جهاز كمبيوتر محمول مزود بثلاثة هوائيات استقبال، تم تعديلها للإبلاغ عن بيانات حالة القناة، وهي متصلة أيضًا بجهاز توجيه وهوائيي إرسال آخرين. يعمل كلاهما على نطاق تردد 5 جيجا هرتز لإنشاء أطوال موجية قصيرة بما يكفي لضمان دقة أفضل، وفي نفس الوقت لتقليل احتمالية التداخل من العناصر غير المرغوب فيها.

• تطبق Google وDeepMind الذكاء الاصطناعي للتنبؤ بإنتاج مزارع الرياح

وفي التجارب التي تم إجراؤها، أفاد الفريق أن نموذج التعلم العميق هذا حقق دقة تصل إلى 86.4% مع ما يصل إلى 5 أشخاص. بالإضافة إلى ذلك، مع إعادة تدريب العينات المقدمة من نموذج التعرف على النشاط، فقد حقق دقة تصل إلى 90% في حالات التنبؤ.

"لقد كان نهجنا قادرًا على إظهار الدقة "المقبولة" للذكاء الاصطناعي في تحديد عدد الأشخاص من خلال بيانات WiFi في سياق التغيرات البيئية المعقدة داخل المنزل. من الناحية النظرية، إذا تمكنا من أخذ حالات كافية من البيئة الداخلية في الاعتبار واستخدامها كقوالب لبناء نموذج قوي على نطاق أوسع، فيمكننا تطبيق هذه التكنولوجيا بشكل كامل في تحديد عدد الكائنات والأشياء في نطاق أكبر بكثير، " قال العلماء.