Mary Branscombe Frilansbloggare
Mary Branscombe är en frilansande teknisk journalist. Mary har varit en teknikskribent i nästan två decennier och täckt allt från tidiga versioner av Windows och Office till de första smartphones, webbens ankomst och det mesta däremellan.
Fullständig biografi Postad med 500 ord in i framtiden den 10 januari 2022 | Ämne: Artificiell intelligens 
Ända sedan digitalkameror och smartphones kom har vi tagit fler bilder än vi lätt kan hantera, men ofta har vi fortfarande inga bilder på ögonblick vi vill minnas, antingen för att vi är upptagna med att njuta av dem – eller för att vissa människor tenderar att ta bilderna snarare än att vara med i dem. Det är vad lifecams lovar att ta hand om.
Poängen med att ha en kamera som tar bilder åt dig är inte att ersätta den typ av noggrant komponerade bilder där du tänker noga på bilden du vill ta. Det handlar mer om att fånga ögonblick i ditt liv och lämna dig fri att njuta av dem utan att tänka på att dra ut kameran. Om du vill dokumentera ditt liv i detalj för att hjälpa dig komma ihåg det i framtiden (kanske när ditt minne inte är lika bra som det en gång var), eller om du alltid är den som tar bilderna och aldrig den som får sina fotot taget kan idén verka tilltalande.
Det finns potentiella integritetsproblem med att ha en ständigt påslagen enhet som snäpper iväg utan förvarning, såväl som etikettfrågorna kring huruvida du varnar besökare och ger dem möjlighet att inte vara med i en uppriktig kamera. Dessa är ungefär som problemen med smarta glasögon förklädda som vanliga solglasögon, som får många människor att känna sig obekväma – och de många bilderna och videorna från till exempel “ost-och-vin”-fester som vi alla har tittat på de senaste veckorna understryka anledningarna till att det inte alltid är bra att ta bilder automatiskt när någon gör något intressant.
SE: Din cybersäkerhetsutbildning behöver förbättras eftersom hackattacker bara blir värre
Och vad sägs om att hämta ett foto som du inte visste att du hade eftersom du inte tog det? Kommer alla dina vänner (och datatillsynsmyndigheter runt om i världen) att vara bekväma med inte bara ansiktsigenkänning utan den andra datautvinningen du behöver göra för att kunna ta upp ett foto av moster Beryl som sitter vid ditt köksbord en sommareftermiddag någon gång under de senaste 10 åren?
Vill du att kameran ska veta om vädret utanför med ett flöde från din smarta väderstation, kunna nosa vilka telefoner som är anslutna till ditt hems Wi-Fi eller prova luften i köket (eftersom lukt är en av de mest suggestiva sinnen, du kanske minns att du bakade kakor lättare än vilket år det var)? Vad sägs om att spåra någon vars namn du inte kommer ihåg?
Frågan om vad som gör ett intressant foto är också lite fylld, för för att vara användbar behöver dessa lifecams programvara som är tillräckligt bra för att plocka ut de värdefulla bilderna från hundratals dud snaps av människor som vänder sig bort, blinkar eller bara sitter där. Tänk på att aldrig vara säker på om du inte kan hitta ett foto från en minnesvärd dag för att du inte har rätt söktermer eller för att AI:n inte upptäckte något som är värt att ta en bild av.
Den tekniska termen för “intressant” är framträdande karaktär, och framträdande algoritmer har bias som vi bara har börjat titta på. När du tittar på en bild tittar du inte på hela bilden på en gång: ditt öga går till det som din hjärna ser som mest intressant. Google använder det som grund för sitt nya bildformat, där den del av bilden som en maskininlärningsmodell förutsäger är mest intressanta nedladdningar först: blomman snarare än löven runt den, ögonen och munnen snarare än väggen bakom någons head.
Googles maskininlärningsmodeller lär sig vad vi tittar på i bilder, men den blicken kan ha partiskhet.
De framträdande modellerna som bestämmer vilken del av bilden som ska laddas ner först eller hur man automatiskt ska beskära en bild utan att förlora visuell effekt – eller vilka foton som ska tas i första hand – riktar din blick och reagerar på vad människor först tittar på. Som många av oss har märkt från ändlösa videomöten under de senaste 18 månaderna, tenderar vi att titta på andras ansikten först, men om du ser ett foto av någon som tittar på något, kommer du att titta på vad de tittar på.
Och precis som många maskininlärningsmodeller som tränas genom att bara titta på vad människor säger och gör, kodar framträdande modeller alla fördomar hos dessa människor, applicerade automatiskt, i stor skala. När Twitter bjöd in forskare för att se om det fanns en fördom i dess framträdande algoritm för bildbeskärning, fann den så många problem att – istället för att försöka omforma algoritmen – det bara är att bli av med automatisk beskärning. Forskningen som vann buggpremien visar att algoritmen tycker att unga, tunna, vackra, vita, kvinnliga ansikten betyder mest. Gör någons hud ljusare och slätare, få deras ansikte att se smalare, yngre, mer stereotypt feminin och generellt sett mer konventionellt attraktiv och algoritmen kommer att beskära fotot för att markera dem. Det tenderar att klippa ut personer med vitt hår, såväl som personer i rullstol.
Det betyder att om vi använder smarta kameror för att ta bilder av det som är viktigt i våra liv, måste vi se till att den är inte tränad att ignorera mor- och farföräldrar, vänner i rullstol eller något annat som inte matchar vem och vad vi av misstag har lärt det att titta på och värdera eftersom vi kanske inte inser förrän vi tittar igenom dessa bilder, månader eller år – eller decennier – senare.
Artificiell intelligens
Innovation: Analytics och AI i covid-epoken American Airlines har ett speciellt sätt att hantera arga kunder Att eliminera AI-bias är allas jobb Vad är AI? Allt du behöver veta om Artificiell Intelligens Digital Transformation | CXO | Internet of Things | Innovation | Företagsprogramvara | Smarta städer