AI는 WiFi 데이터를 사용하여 방에 있는 사람 수를 추정합니다.

여러분은 모르실 수도 있지만 WiFi 데이터는 여러 가지 흥미로운 목적으로 사용될 수 있습니다. 신호 강도, 연결 속도 또는 보안 수준과 같은 기본 정보 외에도 WiFi 데이터는 연결된 개체에 대한 많은 정보를 알려줄 수도 있습니다. 예를 들어 특정 액세스 포인트 근처에 얼마나 많은 사람이 서 있는지 확인하는 등의 작업이 가능합니다. . 최근 발표된 연구 논문: "DeepCount: 딥 러닝을 통한 Wi-Fi를 통한 군중 계산" - 대략 번역됨: Arxiv.org 웹사이트에 게시된 Wi-Fi 데이터를 통해 군중 속의 사람 수 추정 과학자들은 AI 활동 개발에 성공했습니다. 인식 모델 - DeepCount - 무선 데이터를 통해 방에 있는 사람 수를 추정하는 데 도움이 됩니다.

• 기술 관리자의 91%는 AI가 차세대 기술 혁명의 중심이 될 것이라고 믿습니다.

이 연구는 토론토의 라이어슨 대학교(Ryerson University) 연구원들이 스마트폰 소유자가 WiFi 데이터를 사용하여 도시의 특정 지역을 걷고 있는지, 자전거를 타고 있는지 또는 운전하고 있는지를 판단하는 데 도움이 되는 신경망을 발표하고 동시에 Purdue의 또 다른 연구를 발표한 지 얼마 되지 않아 이루어졌습니다. 또한, 대학은 WiFi 액세스 로그를 사용하여 사용자, 위치 및 활동 간의 관계 관계를 분석하는 시스템 개발에 성공했습니다.

이 최신 연구에서 과학자들은 채널 상태 정보(CSI), 특히 위상과 진폭을 활용하여 활동 인식 모델과 딥 러닝 모델을 포함하는 두 가지 인공 지능 모델 시스템을 만들었습니다. 딥 러닝 모델은 사람의 활동을 CSI에 매핑하여 사람 수와 채널 간의 상관 관계를 평가하는 작업을 담당하고, 활동 인식 모델은 누군가가 전자 장치를 통해 방에 들어오거나 나갈 때 정보를 기록하는 역할을 합니다. 스위치". 두 모델이 서로 다른 데이터를 캡처하는 경우(예: 활동 인식 모델이 딥 러닝 모델보다 더 많은 사람을 기록하는 경우) DeepCount는 해당 차이를 사용하여 모델 딥 러닝을 재교육합니다.

• McAfee 전문가가 딥페이크와 AI가 어떻게 사이버 보안 장벽을 뚫고 있는지 설명합니다.

또한 연구진은 손 흔들기, 타이핑하기, 앉기, 걷기, 말하기, 먹기 등의 다양한 작업에 참여한 10명의 자원봉사자로부터 800개의 CSI 샘플 데이터세트를 수집했습니다(각 샘플의 약 80%). 클래스는 훈련 목적으로 사용되었고 나머지는 테스트 세트로 사용되었습니다. 활동 인식 모델을 교육하려면 과학자는 먼저 진폭 데이터를 처리하여 잡음과 원치 않는 요소를 제거한 다음 특징 정보를 추출해야 합니다. 딥러닝 모델 훈련은 전처리 단계와 유사하지만 진폭 외에 위상 데이터를 사용하여 수행됩니다.

DeepCount는 채널 상태 데이터를 보고하도록 수정된 3개의 수신 안테나가 있는 노트북에서 실행되며 라우터와 2개의 다른 전송 안테나에도 연결됩니다. 둘 다 5GHz 주파수 대역에서 작동하여 더 나은 해상도를 보장할 수 있을 만큼 짧은 파장을 생성하는 동시에 원치 않는 요소의 간섭 가능성을 최소화합니다.

• Google과 DeepMind는 AI를 적용하여 풍력 발전 단지의 생산량을 예측합니다.

수행된 실험에서 팀은 이 딥 러닝 모델이 최대 5명을 대상으로 최대 86.4%의 정확도를 달성했다고 보고했습니다. 또한 활동 인식 모델이 제공하는 샘플 재교육을 통해 예측 상황에서 최대 90%의 정확도를 달성했습니다.

“우리의 접근 방식은 집 안의 복잡한 환경 변화의 맥락에서 WiFi 데이터를 통해 인원 수를 결정하는 AI의 "허용 가능한" 정확성을 입증할 수 있었습니다. 이론적으로 실내 환경의 사례를 충분히 고려하고 이를 템플릿으로 활용하여 더 큰 규모의 강인한 모델을 구축할 수 있다면 훨씬 더 넓은 범위의 객체 수 및 객체 결정에 이 기술을 완벽하게 적용할 수 있습니다. " 과학자들은 말했다.