AI ใช้ข้อมูล WiFi เพื่อประมาณจำนวนคนในห้อง

คุณอาจไม่รู้ แต่ข้อมูล WiFi สามารถใช้เพื่อวัตถุประสงค์ที่น่าสนใจมากมาย นอกเหนือจากข้อมูลพื้นฐาน เช่น ความแรงของสัญญาณ ความเร็วการเชื่อมต่อ หรือระดับความปลอดภัยแล้ว ข้อมูล WiFi ยังสามารถบอกข้อมูลมากมายเกี่ยวกับวัตถุที่เชื่อมต่อให้เราทราบได้ เช่น การระบุจำนวนคนที่ยืนอยู่ใกล้จุดเข้าใช้งานเฉพาะ เป็นต้น . ในรายงานวิจัยที่ตีพิมพ์เมื่อเร็วๆ นี้ชื่อ: "DeepCount: การนับฝูงชนด้วย WiFi ผ่านการเรียนรู้เชิงลึก" - แปลคร่าวๆ: การประมาณจำนวนผู้คนในฝูงชนผ่านข้อมูล WiFi ซึ่งโพสต์บนเว็บไซต์ Arxiv.org นักวิทยาศาสตร์ประสบความสำเร็จในการพัฒนากิจกรรม AI โมเดลการจดจำ - DeepCount - ที่ช่วยประมาณจำนวนคนในห้องจากข้อมูลไร้สาย

• 91% ของผู้จัดการเทคโนโลยีเชื่อว่า AI จะเป็นหัวใจสำคัญของการปฏิวัติเทคโนโลยีครั้งต่อไป

งานนี้เกิดขึ้นไม่นานหลังจากที่นักวิจัยจากมหาวิทยาลัย Ryerson ในโตรอนโตได้ประกาศโครงข่ายประสาทเทียมที่สามารถช่วยระบุได้ว่าเจ้าของสมาร์ทโฟนกำลังเดิน ปั่นจักรยาน หรือขับรถ รอบๆ บางพื้นที่ของเมืองโดยใช้ข้อมูล WiFi และในขณะเดียวกันก็มีการศึกษาอื่นโดย Purdue มหาวิทยาลัยยังประสบความสำเร็จในการพัฒนาระบบที่ใช้บันทึกการเข้าถึง WiFi เพื่อวิเคราะห์ความสัมพันธ์ระหว่างผู้ใช้ ตำแหน่ง และกิจกรรมของพวกเขา

ในการวิจัยล่าสุดนี้ นักวิทยาศาสตร์ใช้ประโยชน์จากข้อมูลสถานะช่องทาง (CSI) โดยเฉพาะเฟสและแอมพลิจูด เพื่อสร้างระบบของแบบจำลองปัญญาประดิษฐ์ 2 แบบ ซึ่งรวมถึงแบบจำลองการจดจำกิจกรรมและแบบจำลองการเรียนรู้เชิงลึก โมเดลการเรียนรู้เชิงลึกมีหน้าที่ประเมินความสัมพันธ์ระหว่างจำนวนคนและช่องทางโดยการแมปกิจกรรมของคนเหล่านั้นกับ CSI ในขณะที่โมเดลการจดจำกิจกรรมจะรับผิดชอบในการบันทึกข้อมูลเมื่อมีคนเข้าหรือออกจากห้องผ่าน “อิเล็กทรอนิกส์” สวิตช์". ในกรณีที่ทั้งสองโมเดลเก็บข้อมูลที่แตกต่างกัน ตัวอย่างเช่น หากโมเดลการจดจำกิจกรรมบันทึกจำนวนผู้คนที่สูงกว่าโมเดลการเรียนรู้เชิงลึก DeepCount จะใช้ความแตกต่างนั้นเพื่อฝึกโมเดลการเรียนรู้เชิงลึกอีกครั้ง

• ผู้เชี่ยวชาญของ McAfee อธิบายว่า Deepfake และ AI ละเมิดกำแพงความปลอดภัยทางไซเบอร์ได้อย่างไร

นอกจากนี้ ผู้วิจัยยังได้รวบรวมชุดข้อมูลตัวอย่าง CSI จำนวน 800 ตัวอย่าง จากอาสาสมัคร 10 คน ที่เข้าร่วมในงานต่างๆ หลากหลาย รวมถึงกิจกรรมต่างๆ เช่น การโบกมือ พิมพ์ นั่ง เดิน พูดคุย และรับประทานอาหาร (ประมาณ 80% ของกลุ่มตัวอย่างในแต่ละกลุ่ม) ชั้นเรียนใช้เพื่อวัตถุประสงค์ในการฝึกอบรมและส่วนที่เหลือใช้เป็นชุดทดสอบ) ในการฝึกโมเดลการจดจำกิจกรรม นักวิทยาศาสตร์จะต้องประมวลผลข้อมูลแอมพลิจูดเพื่อกำจัดสัญญาณรบกวนและองค์ประกอบที่ไม่ต้องการ จากนั้นจึงดึงข้อมูลคุณสมบัติออกมา การฝึกอบรมโมเดลการเรียนรู้เชิงลึกนั้นคล้ายกับขั้นตอนการเตรียมการประมวลผล แต่ดำเนินการกับข้อมูลเฟสนอกเหนือจากแอมพลิจูด

DeepCount ทำงานบนแล็ปท็อปที่มีเสาอากาศรับสามเสา ซึ่งได้รับการดัดแปลงเพื่อรายงานข้อมูลสถานะช่อง และยังเชื่อมต่อกับเราเตอร์และเสาอากาศส่งสัญญาณอื่นอีกสองเสาอีกด้วย ทั้งสองทำงานบนย่านความถี่ 5GHz เพื่อสร้างความยาวคลื่นที่สั้นพอที่จะรับประกันความละเอียดที่ดีขึ้น และในขณะเดียวกันก็ลดความเป็นไปได้ที่จะเกิดการรบกวนจากองค์ประกอบที่ไม่ต้องการ

• Google และ DeepMind ใช้ AI เพื่อคาดการณ์ผลผลิตของฟาร์มกังหันลม

ในการทดลองที่ดำเนินการ ทีมงานรายงานว่าโมเดลการเรียนรู้เชิงลึกนี้มีความแม่นยำถึง 86.4% กับคนสูงสุด 5 คน นอกจากนี้ ด้วยการฝึกอบรมตัวอย่างซ้ำโดยโมเดลการจดจำกิจกรรม ทำให้ได้รับความแม่นยำสูงสุด 90% ในสถานการณ์การคาดการณ์

“แนวทางของเราสามารถแสดงให้เห็นถึงความแม่นยำที่ “ยอมรับได้” ของ AI ในการกำหนดจำนวนผู้คนผ่านข้อมูล WiFi ในบริบทของการเปลี่ยนแปลงสภาพแวดล้อมที่ซับซ้อนภายในบ้าน ตามทฤษฎีแล้ว หากเราสามารถคำนึงถึงสภาพแวดล้อมภายในอาคารได้เพียงพอ และใช้เป็นเทมเพลตเพื่อสร้างแบบจำลองที่แข็งแกร่งในขนาดที่ใหญ่ขึ้น เราก็สามารถนำเทคโนโลยีนี้ไปประยุกต์ใช้อย่างสมบูรณ์ในการกำหนดจำนวนวัตถุและวัตถุในช่วงที่ใหญ่กว่ามาก "นักวิทยาศาสตร์กล่าว