IA usa dados de WiFi para estimar o número de pessoas em uma sala

Você pode não saber, mas os dados WiFi podem ser usados ​​para muitos propósitos interessantes. Além de informações básicas como intensidade do sinal, velocidade de conexão ou nível de segurança, os dados WiFi também podem nos fornecer muitas informações sobre o objeto conectado, por exemplo, para identificar quantas pessoas estão perto de um determinado ponto de acesso, por exemplo . Em um artigo de pesquisa publicado recentemente intitulado: "DeepCount: Crowd Counting with WiFi via Deep Learning" - traduzido aproximadamente: Estimando o número de pessoas em uma multidão por meio de dados WiFi, postado no site Arxiv.org, os cientistas conseguiram desenvolver uma atividade de IA modelo de reconhecimento - DeepCount - que ajuda a estimar o número de pessoas em uma sala a partir de dados sem fio.

• 91% dos gestores de tecnologia acreditam que a IA estará no centro da próxima revolução tecnológica

Este trabalho surge não muito depois de investigadores da Universidade Ryerson, em Toronto, terem anunciado uma rede neural que pode ajudar a determinar se o proprietário de um smartphone está a caminhar, a andar de bicicleta ou a conduzir em determinadas áreas da cidade usando dados WiFi, e ao mesmo tempo outro estudo de Purdue A Universidade também conseguiu desenvolver um sistema que utiliza registros de acesso WiFi para analisar as relações de relacionamento entre os usuários, suas localizações e suas atividades.

Nesta última pesquisa, os cientistas aproveitaram as informações de estado do canal (CSI) – especificamente fase e amplitude – para criar um sistema de dois modelos de inteligência artificial, incluindo um modelo de reconhecimento de atividade e um modelo de aprendizagem profunda. O modelo de aprendizagem profunda tem a tarefa de avaliar a correlação entre o número de pessoas e canais, mapeando as atividades dessas pessoas para o CSI, enquanto o modelo de reconhecimento de atividades será responsável por registrar informações quando alguém entra ou sai da sala por meio de um “eletrônico”. trocar". Nos casos em que dois modelos capturam dados diferentes - por exemplo, se o modelo de reconhecimento de atividades registra um número maior de pessoas do que o modelo de aprendizagem profunda - o DeepCount usará essa diferença para treinar novamente o modelo de aprendizagem profunda.

• Especialista da McAfee explica como deepfake e IA estão violando barreiras de segurança cibernética

Além disso, os pesquisadores também compilaram um conjunto de dados de 800 amostras de CSI de 10 voluntários participando de uma variedade de tarefas diferentes, incluindo atividades como acenar, digitar, sentar, andar, falar e comer (cerca de 80% das amostras em cada classe foi usada para fins de treinamento e o restante foi usado como conjunto de teste). Para treinar um modelo de reconhecimento de atividade, os cientistas devem primeiro processar dados de amplitude para remover ruídos e elementos indesejados e, em seguida, extrair informações de recursos. O treinamento do modelo de aprendizado profundo é semelhante ao estágio de pré-processamento, mas é realizado com dados de fase além da amplitude.

O DeepCount é executado em um laptop com três antenas de recepção, modificadas para relatar dados de status do canal, e também está conectado a um roteador e duas outras antenas de transmissão. Ambos operam na banda de frequência de 5 GHz para criar comprimentos de onda curtos o suficiente para garantir melhor resolução e, ao mesmo tempo, minimizar a possibilidade de interferência de elementos indesejados.

• Google e DeepMind aplicam IA para prever a produção de parques eólicos

Nos experimentos realizados, a equipe relatou que esse modelo de deep learning alcançou até 86,4% de precisão com até 5 pessoas. Além disso, com o retreinamento das amostras fornecidas pelo modelo de reconhecimento de atividades, alcançou até 90% de precisão em situações de previsão.

“Nossa abordagem foi capaz de demonstrar uma precisão “aceitável” da IA ​​na determinação do número de pessoas por meio de dados WiFi no contexto de mudanças ambientais complexas dentro de uma casa. Em teoria, se pudermos levar em conta casos suficientes do ambiente interno e usá-los como modelos para construir um modelo robusto em uma escala maior, poderemos aplicar completamente esta tecnologia na determinação do número de objetos e objetos em uma faixa muito maior, ", disseram os cientistas.