LIA utilise les données WiFi pour estimer le nombre de personnes dans une pièce

Vous ne le savez peut-être pas, mais les données WiFi peuvent être utilisées à de nombreuses fins intéressantes. En plus des informations de base telles que la force du signal, la vitesse de connexion ou le niveau de sécurité, les données WiFi peuvent également nous fournir de nombreuses informations sur l'objet connecté, par exemple pour identifier, voir combien de personnes se trouvent à proximité d'un point d'accès particulier, par exemple . Dans un document de recherche récemment publié intitulé : « DeepCount : Crowd Counting with WiFi via Deep Learning » - traduit grossièrement : Estimation du nombre de personnes dans une foule grâce aux données WiFi, publié sur le site Arxiv.org, les scientifiques ont réussi à développer une activité d'IA. modèle de reconnaissance - DeepCount - qui permet d'estimer le nombre de personnes dans une pièce à partir de données sans fil.

• 91 % des responsables technologiques pensent que l'IA sera au cœur de la prochaine révolution technologique

Ce travail intervient peu de temps après que des chercheurs de l'Université Ryerson de Toronto ont annoncé un réseau neuronal qui peut aider à déterminer si un propriétaire de smartphone marche, fait du vélo ou conduit dans certaines zones de la ville en utilisant des données WiFi, et en même temps une autre étude de Purdue. L'université a également réussi à développer un système qui utilise les journaux d'accès WiFi pour analyser les relations entre les utilisateurs, leurs emplacements et leurs activités.

Dans cette dernière recherche, les scientifiques ont tiré parti des informations sur l'état des canaux (CSI) - en particulier la phase et l'amplitude - pour créer un système de deux modèles d'intelligence artificielle, comprenant un modèle de reconnaissance d'activité et un modèle d'apprentissage en profondeur. Le modèle d'apprentissage profond est chargé d'évaluer la corrélation entre le nombre de personnes et les canaux en mappant les activités de ces personnes au CSI, tandis que le modèle de reconnaissance d'activité sera chargé d'enregistrer les informations lorsque quelqu'un entre ou sort de la pièce via un « système électronique ». changer". Dans les cas où deux modèles capturent des données différentes (par exemple, si le modèle de reconnaissance d'activité enregistre un nombre de personnes plus élevé que le modèle d'apprentissage profond), DeepCount utilisera cette différence pour recycler le modèle d'apprentissage profond.

• Un expert de McAfee explique comment les deepfakes et l'IA brisent les murs de la cybersécurité

En outre, les chercheurs ont également compilé un ensemble de données de 800 échantillons CSI provenant de 10 volontaires participant à diverses tâches différentes, y compris des activités telles que saluer, taper, s'asseoir, marcher, parler et manger (environ 80 % des échantillons dans chaque classe ont été utilisées à des fins de formation et le reste a été utilisé comme ensemble de tests). Pour former un modèle de reconnaissance d'activité, les scientifiques doivent d'abord traiter les données d'amplitude pour éliminer le bruit et les éléments indésirables, puis extraire les informations sur les caractéristiques. La formation du modèle d'apprentissage profond est similaire à l'étape de prétraitement, mais est effectuée avec des données de phase en plus de l'amplitude.

DeepCount fonctionne sur un ordinateur portable doté de trois antennes de réception, modifiées pour signaler les données d'état des canaux, et elles sont également connectées à un routeur et à deux autres antennes d'émission. Les deux fonctionnent sur la bande de fréquences de 5 GHz pour créer des longueurs d’onde suffisamment courtes pour garantir une meilleure résolution, tout en minimisant les risques d’interférences provenant d’éléments indésirables.

• Google et DeepMind appliquent l'IA pour prédire la production des parcs éoliens

Dans les expériences réalisées, l’équipe a rapporté que ce modèle d’apprentissage profond atteignait une précision allant jusqu’à 86,4 % avec jusqu’à 5 personnes. De plus, grâce au recyclage des échantillons fournis par le modèle de reconnaissance d’activité, il a atteint une précision allant jusqu’à 90 % dans les situations de prédiction.

« Notre approche a pu démontrer une précision « acceptable » de l’IA dans la détermination du nombre de personnes grâce aux données WiFi dans le contexte de changements environnementaux complexes au sein d’une maison. En théorie, si nous pouvons prendre en compte suffisamment de cas d'environnement intérieur et les utiliser comme modèles pour construire un modèle robuste à plus grande échelle, nous pouvons pleinement appliquer cette technologie pour déterminer le nombre d'objets et d'objets dans une plage beaucoup plus large. " ont déclaré les scientifiques.