Lehet, hogy nem ismeri, de a WiFi adatok sok érdekes célra felhasználhatók. Az olyan alapvető információkon kívül, mint a jelerősség, a kapcsolat sebessége vagy a biztonsági szint, a WiFi adatok sok információt is elárulhatnak a csatlakoztatott objektumról, például azonosítani tudjuk, hány ember áll egy adott hozzáférési pont közelében. . Az Arxiv.org webhelyen közzétett, nemrég megjelent kutatási cikkben: "DeepCount: Crowd Counting with WiFi with Deep Learning" – durván fordítva: A tömegben tartózkodó emberek számának becslése WiFi adatokon keresztül, amelyet az Arxiv.org webhelyen tettek közzé, a tudósoknak sikerült kidolgozniuk egy mesterséges intelligenciát. felismerési modell - DeepCount -, amely segít megbecsülni a szobában tartózkodó emberek számát a vezeték nélküli adatok alapján.
Ez a munka nem sokkal azután készült, hogy a torontói Ryerson Egyetem kutatói bejelentették egy neurális hálózatot, amely segíthet meghatározni, hogy egy okostelefon-tulajdonos gyalogol, kerékpározik-e vagy vezet-e. A város bizonyos területein WiFi-adatok segítségével, és ezzel egy időben Purdue egy másik tanulmányát is. Az egyetemnek sikerült kifejlesztenie egy olyan rendszert is, amely WiFi hozzáférési naplók segítségével elemzi a felhasználók, tartózkodási helyük és tevékenységeik közötti kapcsolatokat.
Ebben a legújabb kutatásban a tudósok a csatornaállapot-információkat (CSI) – konkrétan a fázist és az amplitúdót – kihasználva két mesterséges intelligencia modellből álló rendszert hoztak létre, amely magában foglalja a tevékenységfelismerő modellt és a mély tanulási modellt. A mélytanulási modell feladata, hogy felmérje az emberek száma és a csatornák közötti összefüggést azáltal, hogy leképezi az emberek tevékenységét a CSI-re, míg a tevékenységfelismerő modell feladata az információ rögzítése, amikor valaki belép vagy elhagyja a helyiséget egy „elektronikus eszközön” kapcsoló". Azokban az esetekben, amikor két modell eltérő adatokat rögzít – például ha a tevékenységfelismerési modell több embert rögzít, mint a mélytanulási modell –, a DeepCount ezt a különbséget fogja felhasználni a modell mélytanulási modelljének újraképzésére.
Ezenkívül a kutatók összeállítottak egy 800 CSI-mintából álló adatkészletet 10 önkéntestől, akik különféle feladatokban vesznek részt, beleértve az olyan tevékenységeket, mint az integetés, gépelés, leülés, séta, beszélgetés és étkezés (mindegyikben a minták körülbelül 80%-a). osztályt képzési célokra használták, a többit pedig tesztkészletként használták). A tevékenységfelismerő modell betanításához a tudósoknak először amplitúdóadatokat kell feldolgozniuk a zaj és a nemkívánatos elemek eltávolítása érdekében, majd ki kell gyűjteniük a funkciókra vonatkozó információkat. A mélytanulási modell betanítása hasonló az előfeldolgozási szakaszhoz, de az amplitúdó mellett fázisadatokkal is végrehajtódik.
A DeepCount egy laptopon fut, három vevőantennával, amelyeket úgy módosítottak, hogy csatornaállapot-adatokat jelentsenek, és egy routerhez és két másik adóantennához is csatlakoznak. Mindkettő az 5 GHz-es frekvenciasávon működik, így elég rövid hullámhosszokat hoz létre a jobb felbontás érdekében, és egyúttal minimalizálja a nem kívánt elemek okozta interferencia lehetőségét.
Az elvégzett kísérletekben a csapat arról számolt be, hogy ez a mély tanulási modell akár 86,4%-os pontosságot is elért 5 emberrel. Ezenkívül a tevékenységfelismerő modell által biztosított minták újraképzésével akár 90%-os pontosságot is elért az előrejelzési helyzetekben.
„Megközelítésünk képes volt demonstrálni a mesterséges intelligencia „elfogadható” pontosságát a WiFi adatokon keresztül az emberek számának meghatározásában, a házon belüli összetett környezeti változások kontextusában. Elméletileg, ha elegendő számú esetet figyelembe tudunk venni a beltéri környezetből, és ezeket sablonként tudjuk felhasználni egy robusztus modell felépítéséhez nagyobb léptékben, akkor ezt a technológiát teljesen alkalmazni tudjuk az objektumok és tárgyak számának sokkal nagyobb tartományban történő meghatározásában. – mondták a tudósok.
A vadászok gyakran éjszaka vadásznak, ezért észlelésükre drónokra szerelt infravörös kamerákat használnak. A probléma az, hogy mivel az orvvadász és az állat is hőt bocsát ki, nehéz lehet pontosan azonosítani őket.
Képzelje el, hogy alvás közben is válaszol az ügyfelek kérdéseire. Íme, mit tehetnek az ingyenes mesterséges intelligencia chatbotok az Ön webhelyén.
Japán elöregedő és csökkenő népessége miatt az országból jelentős számú fiatal munkaerő hiányzik, különösen a szolgáltatási szektorban.
A Character.AI, a Generatív mesterséges intelligencia és a chatbot technológiára összpontosító startup állítólag tárgyalásokat folytat olyan finanszírozás megszerzéséről, amely több mint 5 milliárd dollár értékben érheti el a céget.
A VIII. Henrik az angol irodalom történetének egyik legklasszikusabb darabja, amelyet két híres szerző, William Shakespeare és John Fletcher írt 1623-ban.
Egy YouTuber és egy brazíliai mérnök, Lucas Rizzotto a közelmúltban megosztotta a Twitteren azt a történetet, hogy megvalósította képzeletbeli barátját – egy mikrohullámú sütőt a házban, aki mesterséges intelligenciát használ, de élete "egyik legfélelmetesebb élményét" kapta.
A kutatók felfedezték, hogy a webkamerák és az okostelefonok kamerái kombinálhatók speciális mesterséges intelligencia-algoritmusokkal, hogy rendkívül hatékony távoli személyes egészségfigyelő rendszerként működjenek.
Úgy tűnik, hogy a modern élet egyre negatívabb hatással van az emberi kapcsolatokra.
Az élgráfokon alapuló összetett neurális hálózati architektúra segítségével a Google Brain mesterséges intelligencia modellje az emberi időnek csupán töredéke alatt képes alaprajzokat megtervezni.
A Python számos nagy könyvtárral és keretrendszerrel rendelkezik, amelyek kényelmesek a kódíráshoz és a számítástechnika fejlesztéséhez. A Docs.NeoTechSystems felkéri Önt, hogy beszéljen néhány hasznos Python-eszközről mind a gépi tanulási, mind az adattudományi alkalmazásokhoz.
