Mary Branscombe Freelanceblogger
Mary Branscombe er freelance tech-journalist. Mary har været en teknologiskribent i næsten to årtier og dækker alt fra tidlige versioner af Windows og Office til de første smartphones, internettets ankomst og det meste derimellem.
Fuld bio Udgivet med 500 ord ind i fremtiden den 10. januar 2022 | Emne: Kunstig intelligens 
Lige siden digitale kameraer og smartphones kom, har vi taget flere billeder, end vi nemt kan overskue, men ofte har vi stadig ikke billeder af øjeblikke, vi gerne vil huske, enten fordi vi har travlt med at nyde dem – eller fordi nogle folk har en tendens til at tage billeder i stedet for at være på dem. Det er, hvad lifecams lover at tage sig af.
Pointen med at have et kamera, der tager billeder for dig, er ikke at erstatte den slags omhyggeligt sammensatte billeder, hvor du tænker grundigt over det billede, du vil tage. Det handler mere om at fange øjeblikke af dit liv og give dig fri til at nyde dem uden at tænke på at trække kameraet ud. Hvis du vil dokumentere dit liv i detaljer for at hjælpe dig med at huske det i fremtiden (måske når din hukommelse ikke er så god, som den var engang), eller hvis du altid er den person, der tager billederne og aldrig den person, der får deres billede taget, kan ideen virke tiltalende.
Der er potentielle privatlivsproblemer ved at have en altid tændt enhed, der snapper væk uden varsel, såvel som etikettespørgsmålene omkring, om du advarer besøgende og giver dem mulighed for ikke at være på et åbenhjertigt kamera. Disse minder meget om problemerne med smarte briller forklædt som almindelige solbriller, som får mange mennesker til at føle sig utilpas – og de mange billeder og videoer af f.eks. 'ost-og-vin'-fester, som vi alle har studset i de seneste uger. understreg grundene til, at det ikke altid er en god ting at få taget billeder automatisk, når nogen laver noget interessant.
SE: Din træning i cybersikkerhed skal forbedres, fordi hackingangreb kun bliver værre
Og hvad med at hente et billede, du ikke vidste, du havde, fordi du ikke tog det? Vil alle dine venner (og dataregulatorer rundt om i verden) være fortrolige med ikke kun ansigtsgenkendelse, men den anden data mining, du skal udføre for at kunne bringe et billede frem af tante Beryl, der sidder ved dit køkkenbord en sommereftermiddag noget tid inden for de seneste 10 år?
Vil du have kameraet til at vide om vejret udenfor med et feed fra din smarte vejrstation, være i stand til at snuse, hvilke telefoner der er forbundet til dit hjems Wi-Fi eller prøve luften i køkkenet (fordi lugt er en af de mest stemningsfulde sanser, husker du måske, at du lettere bagte småkager end hvilket år det var)? Hvad med at spore nogen, hvis navn du ikke kan huske?
Spørgsmålet om, hvad der gør et interessant foto, er også lidt fyldt, for for at være nyttige, har disse lifecams brug for software, der er god nok til at udvælge de værdifulde billeder fra de hundredvis af dud snaps af mennesker, der vender sig væk, blinker eller bare sidder der. Tænk på aldrig at være sikker på, om du ikke er i stand til at finde et billede af en mindeværdig dag, fordi du ikke har de rigtige søgeord, eller fordi AI'en ikke opdagede noget, der er værd at tage et billede af.
Det tekniske udtryk for 'interessant' er saliency, og saliency-algoritmer har bias, som vi først lige er begyndt at se på. Når du ser på et billede, ser du ikke på hele billedet på én gang: dit øje går til det, din hjerne ser som mest interessant. Google bruger det som grundlag for sit nye billedformat, hvor den del af billedet, som en maskinlæringsmodel forudsiger, er mest interessante downloads først: blomsten frem for bladene omkring den, øjnene og munden i stedet for væggen bag nogens hoved.
Googles maskinlæringsmodeller lærer, hvad vi ser på billeder, men det blik kan have bias.
De fremtrædende modeller, der bestemmer, hvilken del af billedet, der skal downloades først, eller hvordan man automatisk beskærer et billede uden at miste visuel effekt – eller hvilke billeder der skal tages i første omgang – dirigerer dit blik og reagerer på, hvad folk ser på først. Som mange af os har bemærket fra endeløse videomøder i løbet af de sidste 18 måneder, har vi en tendens til at se på andres ansigter først, men hvis du ser et billede af nogen, der kigger på noget, vil du se på, hvad de ser på.
Og ligesom mange maskinlæringsmodeller, der er trænet ved blot at se på, hvad folk siger og gør, koder saliency-modeller alle disse menneskers bias, som anvendes automatisk, i skala. Da Twitter inviterede forskere til at se, om der var en skævhed i dens saliency-drevne billedbeskæringsalgoritme, fandt det så mange problemer, at det – i stedet for at forsøge at redesigne algoritmen – bare er at slippe af med automatisk beskæring. Forskningen, der vandt fejlen, viser, at algoritmen mener, at unge, tynde, smukke, hvide kvindeansigter betyder mest. Gør en persons hud lysere og glattere, få deres ansigt til at se slankere, yngre, mere stereotypt feminint og generelt mere konventionelt attraktivt ud, og algoritmen vil beskære billedet for at fremhæve dem. Det har en tendens til at klippe mennesker med hvidt hår ud, såvel som folk i kørestol.
Det betyder, at hvis vi bruger smarte kameraer til at tage billeder af det, der betyder noget i vores liv, skal vi sørge for, at den er ikke trænet til at ignorere bedsteforældre, venner i kørestol eller noget andet, der ikke matcher, hvem og hvad vi ved et uheld har lært det at se på og værdsætte, fordi vi måske ikke indser det, før vi ser gennem disse billeder, måneder eller år – eller årtier – senere.
Kunstig intelligens
Innovation: Analytics og AI i COVID-æraen American Airlines har en særlig måde at håndtere vrede kunder på. Eliminering af AI-bias er alles job Hvad er AI? Alt hvad du behøver at vide om kunstig intelligens digital transformation | CXO | Internet of Things | Innovation | Enterprise Software | Smarte byer