Lintelligenza artificiale utilizza i dati WiFi per stimare il numero di persone in una stanza

Potresti non saperlo, ma i dati WiFi possono essere utilizzati per molti scopi interessanti. Oltre alle informazioni di base come la potenza del segnale, la velocità di connessione o il livello di sicurezza, i dati WiFi possono anche dirci molte informazioni sull'oggetto connesso, ad esempio identificando quante persone si trovano vicino a un particolare punto di accesso, ad esempio . In un documento di ricerca pubblicato di recente intitolato: "DeepCount: Crowd Counting with WiFi via Deep Learning" - tradotto approssimativamente: Stima del numero di persone in una folla attraverso i dati WiFi, pubblicato sul sito web Arxiv.org gli scienziati sono riusciti a sviluppare un'attività di intelligenza artificiale modello di riconoscimento - DeepCount - che aiuta a stimare il numero di persone in una stanza dai dati wireless.

• Il 91% dei manager tecnologici ritiene che l’intelligenza artificiale sarà al centro della prossima rivoluzione tecnologica

Questo lavoro arriva non molto tempo dopo che i ricercatori della Ryerson University di Toronto hanno annunciato una rete neurale che può aiutare a determinare se il proprietario di uno smartphone sta camminando, andando in bicicletta o guidando in determinate aree della città utilizzando i dati WiFi, e allo stesso tempo un altro studio di Purdue L'Università è riuscita anche a sviluppare un sistema che utilizza i registri di accesso WiFi per analizzare le relazioni tra gli utenti, la loro posizione e le loro attività.

In quest'ultima ricerca, gli scienziati hanno sfruttato le informazioni sullo stato del canale (CSI), in particolare fase e ampiezza, per creare un sistema di due modelli di intelligenza artificiale, che include un modello di riconoscimento dell'attività e un modello di apprendimento profondo. Il modello di deep learning ha il compito di valutare la correlazione tra il numero di persone e i canali mappando le attività di tali persone sul CSI, mentre il modello di riconoscimento delle attività sarà responsabile di registrare le informazioni quando qualcuno entra o esce dalla stanza tramite un “computer elettronico”. interruttore". Nei casi in cui due modelli acquisiscono dati diversi, ad esempio se il modello di riconoscimento delle attività registra un numero maggiore di persone rispetto al modello di deep learning, DeepCount utilizzerà tale differenza per riqualificare il modello di deep learning.

• L'esperto McAfee spiega come il deepfake e l'intelligenza artificiale stanno superando i muri della sicurezza informatica

Inoltre, i ricercatori hanno anche compilato un set di dati di 800 campioni CSI provenienti da 10 volontari che hanno partecipato a una varietà di compiti diversi, comprese attività come agitare la mano, scrivere a macchina, sedersi, camminare, parlare e mangiare (circa l'80% dei campioni in ciascun classe sono state utilizzate per scopi di formazione e il resto è stato utilizzato come set di test). Per addestrare un modello di riconoscimento dell'attività, gli scienziati devono prima elaborare i dati di ampiezza per rimuovere il rumore e gli elementi indesiderati, quindi estrarre le informazioni sulle caratteristiche. L'addestramento del modello di deep learning è simile alla fase di preelaborazione, ma viene eseguito con i dati di fase oltre all'ampiezza.

DeepCount funziona su un laptop con tre antenne di ricezione, modificate per riportare i dati sullo stato del canale, e sono anche collegate a un router e ad altre due antenne di trasmissione. Entrambi operano sulla banda di frequenza a 5 GHz per creare lunghezze d'onda sufficientemente corte da garantire una migliore risoluzione e allo stesso tempo ridurre al minimo la possibilità di interferenze da elementi indesiderati.

• Google e DeepMind applicano l'intelligenza artificiale per prevedere la produzione dei parchi eolici

Negli esperimenti eseguiti, il team ha riferito che questo modello di deep learning ha raggiunto una precisione fino all’86,4% con un massimo di 5 persone. Inoltre, con la riqualificazione dei campioni fornita dal modello di riconoscimento dell'attività, è stata raggiunta una precisione fino al 90% nelle situazioni di previsione.

“Il nostro approccio è stato in grado di dimostrare un’accuratezza “accettabile” dell’intelligenza artificiale nel determinare il numero di persone attraverso i dati WiFi nel contesto di complessi cambiamenti ambientali all’interno di una casa. In teoria, se possiamo prendere in considerazione un numero sufficiente di casi dell'ambiente interno e usarli come modelli per costruire un modello robusto su scala più ampia, possiamo applicare completamente questa tecnologia per determinare il numero di oggetti e oggetti in un intervallo molto più ampio, ", hanno detto gli scienziati.