La IA utiliza datos de WiFi para estimar la cantidad de personas en una habitación

Puede que no lo sepas, pero los datos de WiFi se pueden utilizar para muchos propósitos interesantes. Además de información básica como la intensidad de la señal, la velocidad de la conexión o el nivel de seguridad, los datos WiFi también pueden brindarnos mucha información sobre el objeto conectado, por ejemplo para identificar cuántas personas hay cerca de un punto de acceso en particular, por ejemplo. . En un artículo de investigación publicado recientemente titulado: "DeepCount: Crowd Counting with WiFi via Deep Learning", traducido aproximadamente: Estimación del número de personas en una multitud a través de datos WiFi, publicado en el sitio web Arxiv.org, los científicos lograron desarrollar una actividad de IA. modelo de reconocimiento, DeepCount, que ayuda a estimar el número de personas en una habitación a partir de datos inalámbricos.

• El 91% de los directivos de tecnología cree que la IA estará en el centro de la próxima revolución tecnológica

Este trabajo se produce poco después de que investigadores de la Universidad Ryerson en Toronto anunciaran una red neuronal que puede ayudar a determinar si el propietario de un teléfono inteligente está caminando, en bicicleta o conduciendo por ciertas áreas de la ciudad utilizando datos WiFi, y al mismo tiempo otro estudio de Purdue. La universidad también logró desarrollar un sistema que utiliza registros de acceso WiFi para analizar las relaciones entre los usuarios, sus ubicaciones y sus actividades.

En esta última investigación, los científicos aprovecharon la información del estado del canal (CSI), específicamente fase y amplitud, para crear un sistema de dos modelos de inteligencia artificial, que incluye un modelo de reconocimiento de actividad y un modelo de aprendizaje profundo. El modelo de aprendizaje profundo tiene la tarea de evaluar la correlación entre el número de personas y los canales mediante el mapeo de las actividades de esas personas en el CSI, mientras que el modelo de reconocimiento de actividades será responsable de registrar información cuando alguien entra o sale de la sala a través de un "sistema electrónico". cambiar". En los casos en que dos modelos capturen datos diferentes (por ejemplo, si el modelo de reconocimiento de actividad registra una mayor cantidad de personas que el modelo de aprendizaje profundo), DeepCount usará esa diferencia para volver a entrenar el modelo de aprendizaje profundo.

• Un experto de McAfee explica cómo los deepfake y la IA están traspasando los muros de la ciberseguridad

Además, los investigadores también compilaron un conjunto de datos de 800 muestras de CSI de 10 voluntarios que participaron en una variedad de tareas diferentes, incluidas actividades como saludar, escribir, sentarse, caminar, hablar y comer (alrededor del 80% de las muestras en cada clase se utilizaron con fines de entrenamiento y el resto se utilizaron como conjunto de prueba). Para entrenar un modelo de reconocimiento de actividad, los científicos primero deben procesar datos de amplitud para eliminar el ruido y los elementos no deseados, y luego extraer información de las características. El entrenamiento del modelo de aprendizaje profundo es similar a la etapa de preprocesamiento, pero se realiza con datos de fase además de la amplitud.

DeepCount se ejecuta en una computadora portátil con tres antenas receptoras, modificadas para informar datos del estado del canal, y también están conectadas a un enrutador y otras dos antenas transmisoras. Ambos operan en la banda de frecuencia de 5 GHz para crear longitudes de onda lo suficientemente cortas para garantizar una mejor resolución y, al mismo tiempo, minimizar la posibilidad de interferencia de elementos no deseados.

• Google y DeepMind aplican IA para predecir la producción de parques eólicos

En los experimentos realizados, el equipo informó que este modelo de aprendizaje profundo logró hasta un 86,4% de precisión con hasta 5 personas. Además, con el reentrenamiento de muestras proporcionado por el modelo de reconocimiento de actividad, logró hasta un 90 % de precisión en situaciones de predicción.

“Nuestro enfoque pudo demostrar una precisión “aceptable” de la IA a la hora de determinar el número de personas a través de datos WiFi en el contexto de cambios ambientales complejos dentro de un hogar. En teoría, si podemos tener en cuenta suficientes casos del entorno interior y usarlos como plantillas para construir un modelo robusto a mayor escala, podemos aplicar completamente esta tecnología para determinar la cantidad de objetos y objetos en un rango mucho mayor. " dijeron los científicos.