Cum știe o inteligență artificială dacă iei cina sau faci duș?

În ultimii 8 ani, împreună cu o echipă extraordinară, am dezvoltat și implementat o tehnologie prin care ambientul din casele noastre se adaptează nevoilor familiei prin controlul automat al facilităților ambientale, utilizând algoritmi de inteligență artificială. În casele în care implementăm acest concept, luminile, sistemul de climatizare, umbrire sau ventilație, dispozitivele multimedia și aproape orice echipament care este alimentat cu energie electrică are un comportament ‘sincronizat’ cu așteptările utilizatorului. Simplificând foarte mult ideea, casa intuiește nevoile utilizatorului, fără ca acesta să fie nevoit să interacționeze în mod continuu și explicit cu casa, prin butoane, telecomenzi, telefoane inteligente sau voce. Dar cum se întâmplă lucrurile? Care sunt mecanismele ce duc la acest mod de ‘funcționare’ a casei?

Tehnologia caselor inteligente a evoluat foarte mult în ultimii ani, iar IoT (Internet of Things) și Inteligența Artificială (AI) au devenind o realitate a lumii în care trăim. Din zecile de discuții pe care le-am avut cu specialiști și potențiali beneficiari ai unei asemenea utilizări a AI-ului, a apărut deseori întrebarea dacă societatea este pregătită pentru a-și lăsa viața în mâinile unei inteligențe artificiale. Iar răspunsul a fost: Depinde de inteligență!

Inteligența Artificială este un domeniu vast pe care nu am pretenția că-l stăpânesc în întregime, dar pot spune că am abordat serios o ramură a Inteligenței Artificiale numite Machine Learning (învățare automată), care ne ajută mult în modul în care luăm deciziile în proiectul VIKI KNOWS. Machine learning oferă metode și modele de învățare supervizata sau nesupervizată, aplicabilitatea lor atingând ramuri extrem de diverse ale vieții noastre cotidiene.

În învățarea supervizată, mașina (computerul) analizează procese, fenomene sau tranzacții cu date de intrare ale căror rezultate sunt cunoscute. Astfel, AI-ul acumulează cunoștințe analizând ‘probleme rezolvate’, scopul final fiind acela de a aborda în viitor ‘cazuri’ sau situații noi, ale căror rezultate nu le anticipăm la momentul învățării, dar considerăm rezonabil să le abordăm conform experienței anterioare. Procesul acesta este similar cu învățarea umană, unde, cu cât individul acumulează mai multă experiență, cu atât el începe să stăpânească mai bine un domeniu de activitate. Mulți dintre noi lucrăm într-o specializare anume, iar multitudinea de experiențe văzute în viața profesională ne face să putem evalua destul de bine situația ‘dintr-o singură privire’, deși cazurile prezentate nu sunt întotdeauna identice cu experiența anterioară. Fie că vorbim de medicină, imobiliare, recunoașterea cifrelor sau literelor, concluzionăm că învățarea supervizată poate ajuta în evaluarea unei situații noi, pe baza informațiilor deja acumulate.

Și totuși, cum știe o inteligență artificială dacă iei cina sau faci duș?

Spre deosebire de casele conectate (nu putem să le spunem inteligente), în care utilizatorul poate controla fiecare facilitate a casei sale utilizând smartphone-ul sau, mai nou, comanda vocală, în proiectul VIKIKNOWS ne bazăm pe senzori de mișcare, luminanță, temperatură, umiditate, ultraviolete etc., elemente care identifică în timp real atât prezența utilizatorului, cât și condițiile fizice (ambientale) din fiecare încăpere. Informațiile sunt digitizate și transmise către o unitate de procesare (computer) unde rulează algoritmul AI, iar acesta analizează contextul identificat de senzori și determină o reacție a sistemului, utilizând experiența deja acumulată.

Exemplu de poziționare senzori într-un spațiu dotat cu VIKIKNOWS

Mai în glumă, mai în serios, noi îi spunem lui VIKI ‘majordomul virtual’, pentru că există o analiză omniprezentă a comportamentului uman, iar răspunsul sistemului vine imediat.

Explorând mai îndeaproape modul de implementare a mecanismului de decizie, se poate observa mai jos cum datele culese de senzori în diferite situații de locuire a spațiului și momente ale zilei sunt transformate în pattern-uri de comportament, pe care utilizatorul le-a clasificat în etapa de învățare primară a sistemului. Obișnuiesc să dau drept exemplu ‘antrenarea’ VIKIKNOWS ca fiind similară cu educarea unui copil cu vârsta cuprinsă între 3 și 5 ani. Dacă în mod constant facem lucrurile într-un anume fel și-i spunem copilului ce facem, el va învăța în scurt timp că acea activitate are un nume și un mod de desfășurare predictiv. La fel, funcționarea VIKIKNOWS este determinată de experiența acumulată în situații similare percepute prin intermediul senzorilor.

În imaginile de mai jos sunt prezentate densitățile de mișcare înregistrate de senzorii S1-S4 (fiecare senzor are asignată o culoare), în activitatea observată în spațiul de test și definită de utilizator ca fiind CINA (momentul mesei de seară). Se observă că există un tipar al mișcării în această activitate, tipar pe care AI-ul îl recunoaște cu ajutorul unor algoritmi avansați de clasificare, iar odată activitatea recunoscută, sistemul generează comenzi pentru ajustarea luminilor, climatizării/ventilației sau sistemului de muzică ambientală în acord cu obiceiurile învățate deja de la utilizator în experiențele anterioare din timpul CINEI.

Tipar de mișcare înregistrat de senzori în modul CINĂ

În funcție de parametrii de intrare, algoritmul de evaluare a tiparelor de locuire a casei (MOD), va determina care sunt șansele ca o anumită zonă (cameră) a casei să se afle într-unul din MODURILE (activitățile) învățate de la utilizator, iar atunci când funcția de predicție are un procent suficient de mare de siguranță (peste 50%), MODUL este activat automat, împreună cu facilitățile ambientale, fără ca utilizatorul să facă un gest explicit în acest sens, în afară de propria lui prezență.

Interfața grafică de vizualizare a modului de calcul pentru predicția MOD

Utilizând același model de predicție, vă mai prezint un tipar de învățare a MODului pentru o cameră de baie, unde, pentru a simplifica expunerea, vom ține cont doar de factorul timp și valorile umidității. Reamintesc faptul că, în cazul real se iau în considerare parametri multipli, ca momentul zilei, mișcarea, densitatea de mișcare, trend de mișcare, umiditate, trend de umiditate etc.

Imaginea de mai jos reflectă 4 cazuri (situații) utilizate în procesul de antrenament (învățare) al algoritmului, altfel încât el să poată face diferența dintre tiparul de utilizare a băii în modul DUȘ, StandBy sau OCUPAT.

Se observă în această reprezentare cu număr redus de parametri că umiditatea (axa OY) joacă un rol esențial în evaluarea pattern-ului în care se află camera de baie.

Pentru înțelegerea în detaliu a felului în care algoritmul AI determină activitatea (MODUL) de utilizare a camerei de baie, vom face și o analiză a datelor pe care le procesează regresia logistică de clasificare. În imaginea de mai jos, pentru o reprezentare simplificată și plană a graficului de decizie, nu se utilizează toate datele primite de la senzori, păstrându-se doar intrarea de timp și valorile umidității din camera de baie. În realitate, numărul de parametri analizați este mult mai mare, dar reprezentarea grafică nu ar fi posibilă.

Observăm că datele de antrenament normalizate și reprezentate grafic într-un sistem de axe bidimensional formează două mulțimi: cele în care utilizatorul a etichetat și antrenat algoritmul pentru activitatea DUȘ (+) și cele care aparțin altor moduri, notate cu (o). În urma rulării algoritmului obținem o limită de separare a celor două mulțimi, simbolizată grafic prin linia albastră. Dacă rulăm algoritmul de clasificare pentru Punctul de test acesta va furniza ca rezultat valoarea probabilității ca situația curentă să se găsească într-una din cele două mulțimi (DUȘ vs Alt Mod). Concret, răspunsul algoritmului pentru Punctul de test cu valorile 06:30:00 și umiditate de 60%, relevă o probabilitate de activare a modului DUȘ de sub 20%.

În lumina celor prezentate, putem concluziona că algoritmul de Inteligență Artificială (AI) implementat în VIKIKNOWS reproduce în mod exclusiv doar un comportament uman învățat chiar de la locuitorii casei în care este instalat, ‘imitând’ îndeaproape obiceiurile acestora, iar șansele ca decizia lui să fie una diferită de obiceiurile familiei este practic inexistentă.

Imitarea comportamentului uman de către AI-ul VIKIKNOWS se îmbunătățește în timp, pe măsură ce sistemul primește tot mai multe informații despre preferințele utilizatorilor sau ale grupului de utilizatori care locuiesc în casă.

Dan Chiuzbăian
Project Manager VIKIKNOWS
dan.chiuzbaian@vikiknows.com