كيف تحلل البيانات التركيبية والذكاء الاصطناعي الحركة البشرية
هل يمكن للتطبيقات التي تعتمد على الذكاء الاصطناعي، والتي تم تطويرها باستخدام البيانات التركيبية، تحليل تفاصيل كيفية تحرك الأشخاص؟
خلال جائحة COVID-19، كانت تطبيقات اللياقة البدنية في المنزل منتشرة.
من يناير إلى نوفمبر 2020، تم تنزيل ما يقرب من 2.5 مليار تطبيق للصحة واللياقة في جميع أنحاء العالم.
استمر هذا الاتجاه ولم يظهر أي علامات على التباطؤ، حيث تتوقع البيانات الجديدة نموًا من 10 ملايين دولار في عام 2022 إلى 23 مليون دولار بحلول عام 2026.
نظرًا لأن المزيد من الأشخاص يستخدمون تطبيقات اللياقة البدنية لتدريب وتتبع تطورهم وأدائهم، فإن تطبيقات اللياقة البدنية تستخدم الذكاء الاصطناعي بشكل متزايد لدعم عروضها من خلال توفير تحليل تمارين قائم على الذكاء الاصطناعي، ودمج التقنيات بما في ذلك رؤية الكمبيوتر، وتقدير الوضع البشري، وتقنيات معالجة اللغة الطبيعية.
تزعم شركة Datagen التي يقع مقرها في تل أبيب، والتي تأسست في عام 2018، أنها توفر “بيانات تركيبية عالية الأداء، مع التركيز على البيانات لتطبيقات رؤية الكمبيوتر التي تتمحور حول الإنسان”.
أعلنت الشركة للتو عن مجال جديد، Smart Fitness، على منصة البيانات التركيبية المرئية ذاتية الخدمة التي تساعد مطوري الذكاء الاصطناعي على إنتاج البيانات التي يحتاجون إليها لتحليل الأشخاص الذين يمارسون الرياضة وتدريب أجهزة اللياقة البدنية الذكية على “رؤيتها”.
قال أوفير زوك، الرئيس التنفيذي لشركة Datagen، لموقع VentureBeat: “في Datagen، ينصب تركيزنا على مساعدة فرق الرؤية الحاسوبية وتسريع تطوير مهام الرؤية الحاسوبية التي تتمحور حول الإنسان”. “
تقريبًا كل حالة استخدام نراها في فضاء الذكاء الاصطناعي مرتبطة بالإنسان. نحن نحاول على وجه التحديد حل والمساعدة في فهم الترابط بين البشر وتفاعلهم مع البيئات المحيطة. نحن نسميها إنسانية في سياقها “.
تمثل البيانات المرئية التركيبية بيئات اللياقة البدنية
توفر منصة Smart Fitness بيانات مرئية تركيبية مشروحة ثلاثية الأبعاد في شكل فيديو وصور.
تمثل هذه البيانات المرئية بدقة بيئات اللياقة البدنية، والحركة المتقدمة، وتفاعلات الكائن البشري للمهام المتعلقة بتقدير نقطة مفتاح الجسم، وتحليل الوضع، وتحليل الموقف، وعد التكرار، وتحديد الكائن والمزيد.
بالإضافة إلى ذلك، يمكن للفرق استخدام الحل لإنشاء بيانات متحركة لكامل الجسم لتكرار نموذجهم وتحسين أدائه بسرعة.
على سبيل المثال، في حالات تحليل تقدير الوضع، فإن الميزة التي توفرها منصة Smart Fitness هي القدرة على محاكاة أنواع الكاميرات المختلفة بسرعة لالتقاط مجموعة متنوعة من البيانات التركيبية المتمايزة للتمارين الرياضية.
تحديات لتدريب الذكاء الاصطناعي من أجل اللياقة
يعد تقدير الوضع، وهو تقنية رؤية حاسوبية تساعد في تحديد موضع واتجاه جسم الإنسان بصورة الشخص، أحد الحلول الفريدة التي يقدمها الذكاء الاصطناعي.
يمكن استخدامه في الرسوم المتحركة الرمزية للواقع الاصطناعي، على سبيل المثال، بالإضافة إلى التقاط الحركة بدون علامات وتحليل وضع العمال.
لتحليل الموقف بشكل صحيح، من الضروري التقاط عدة صور للممثل البشري مع بيئته المتفاعلة.
ثم تقوم شبكة عصبية تلافيفية مدربة بمعالجة هذه الصور للتنبؤ بمكان مفاصل الفاعل البشري في الصورة.
تستخدم تطبيقات اللياقة البدنية المستندة إلى الذكاء الاصطناعي بشكل عام كاميرا الجهاز، وتسجيل مقاطع فيديو تصل إلى 720 بكسل و60 إطارًا في الثانية لالتقاط المزيد من الإطارات أثناء أداء التمرين.
تكمن المشكلة في أن مهندسي رؤية الكمبيوتر يحتاجون إلى كميات هائلة من البيانات المرئية لتدريب الذكاء الاصطناعي على تحليل اللياقة عند استخدام تقنية مثل تقدير الوضع.
البيانات التي تتضمن أشخاصًا يؤدون تمارين بأشكال مختلفة ويتفاعلون مع كائنات متعددة معقدة للغاية. يجب أن تكون البيانات عالية التباين ومتنوعة بدرجة كافية لتجنب التحيز.
يكاد يكون من المستحيل جمع البيانات الدقيقة التي تغطي مثل هذا التنوع. علاوة على ذلك، فإن التعليقات التوضيحية اليدوية بطيئة وعرضة للخطأ البشري ومكلفة.
في حين تم الوصول بالفعل إلى مستوى مقبول من الدقة في تقدير الوضع ثنائي الأبعاد، فإن تقدير الوضع ثلاثي الأبعاد يفتقر إلى إنشاء بيانات نموذجية دقيقة.
هذا ينطبق بشكل خاص على الاستدلال من صورة واحدة وبدون معلومات العمق. تستخدم بعض الطرق عدة كاميرات موجهة إلى الشخص، وتلتقط المعلومات من مستشعرات العمق لتحقيق تنبؤات أفضل.
ومع ذلك، فإن جزءًا من مشكلة تقدير الوضع ثلاثي الأبعاد هو عدم وجود مجموعات كبيرة من البيانات المشروحة للأشخاص في البيئات المفتوحة.
على سبيل المثال، تم التقاط مجموعات بيانات كبيرة لتقدير الوضع ثلاثي الأبعاد مثل Human3.6M بالكامل في الداخل للتخلص من الضوضاء المرئية.
هناك جهد مستمر لإنشاء مجموعات بيانات جديدة تحتوي على بيانات أكثر تنوعًا فيما يتعلق بالظروف البيئية، وتنوع الملابس، والتعبيرات القوية، وعوامل مؤثرة أخرى.
حل البيانات التركيبية
للتغلب على مثل هذه المشكلات، تستخدم صناعة التكنولوجيا الآن على نطاق واسع البيانات التركيبية، وهي نوع من البيانات التي يتم إنتاجها بشكل مصطنع والتي يمكن أن تحاكي عن كثب بيانات التشغيل أو الإنتاج، لتدريب واختبار أنظمة الذكاء الاصطناعي.
تقدم البيانات التركيبية العديد من الفوائد المهمة: فهي تقلل القيود المرتبطة باستخدام البيانات المنظمة أو الحساسة؛ يمكن استخدامها لتخصيص البيانات لتتناسب مع الشروط التي لا تسمح بها البيانات الحقيقية؛ ويسمح بمجموعات بيانات تدريبية كبيرة دون الحاجة إلى تصنيف البيانات يدويًا.
وفقًا لتقرير صادر عن Datagen، فإن استخدام البيانات التركيبية يقلل من وقت الإنتاج، ويزيل مخاوف الخصوصية، ويوفر انحيازًا أقل، وأخطاء في التعليقات التوضيحية ووضع العلامات، ويحسن النمذجة التنبؤية.
ميزة أخرى للبيانات التركيبية هي القدرة على محاكاة أنواع الكاميرات المختلفة بسهولة أثناء إنشاء البيانات لحالات الاستخدام مثل تقدير الوضع.
تمارين العرض التوضيحي بسيطة
من خلال منصة اللياقة الذكية Datagen، يمكن للمؤسسات إنشاء عشرات الآلاف من الهويات الفريدة التي تؤدي مجموعة متنوعة من التمارين في بيئات وظروف مختلفة – في جزء صغير من الوقت.
قال زوك: “ببراعة البيانات التركيبية، يمكن للفرق إنشاء جميع البيانات التي يحتاجونها مع معلمات محددة في غضون ساعات قليلة”.
“لا يساعد هذا في إعادة تدريب الشبكة ونموذج التعلم الآلي فحسب، بل يتيح لك أيضًا ضبطها في وقت قصير جدًا.”
بالإضافة إلى ذلك، أوضح أن منصة Smart Fitness تعمل على تحسين قدرتك على التقاط الملايين من بيانات التمرينات المرئية الكبيرة، مما يقضي على العبء المتكرر لالتقاط كل عنصر شخصيًا.
وقال: “من خلال مكتبتنا المحدثة باستمرار للهويات البشرية وأنواع التمارين الافتراضية، نقدم معلومات مفصلة عن الوضع، مثل مواقع المفاصل والعظام في الجسم، والتي يمكن أن تساعد في تحليل التفاصيل المعقدة لتعزيز أنظمة الذكاء الاصطناعي”.
“يمكن أن تؤدي إضافة مثل هذه الإمكانات المرئية إلى تطبيقات وأجهزة اللياقة البدنية إلى تحسين الطريقة التي نرى بها اللياقة البدنية بشكل كبير، وتمكين المؤسسات من تقديم خدمات أفضل سواء على المستوى الشخصي أو عبر الإنترنت.”
اللياقة البدنية والذكاء الاصطناعي والبيانات التركيبية في المؤسسة
وفقًا لأرون شاندراسيكاران، نائب الرئيس المتميز للمحلل في شركة Gartner ، تعد البيانات التركيبية، حتى الآن، “تقنية ناشئة بدرجة منخفضة من تبني المؤسسات”.
ومع ذلك، يقول إنها ستشهد اعتمادًا متزايدًا لحالات الاستخدام التي يجب ضمان أن تكون البيانات مجهولة المصدر أو يجب الحفاظ على الخصوصية (مثل البيانات الطبية)؛ زيادة البيانات الحقيقية، خاصة عندما تكون تكاليف جمع البيانات مرتفعة؛ عندما تكون هناك حاجة إلى تحقيق التوازن بين توزيع الفصل ضمن بيانات التدريب الحالية (مثل البيانات السكانية)، وحالات استخدام الذكاء الاصطناعي الناشئة التي تتوفر لها بيانات حقيقية محدودة.
العديد من حالات الاستخدام هذه أساسية لعرض قيمة Datagen.
عندما يتعلق الأمر بتعزيز قدرات أجهزة أو تطبيقات اللياقة الذكية، “سيكون من الأمور ذات الأهمية الخاصة القدرة على تعزيز جودة البيانات، وتغطية سلسلة واسعة من السيناريوهات والحفاظ على الخصوصية خلال مرحلة التدريب على التعلم الآلي”، على حد قوله.
يعترف Zuk بأنه لا يزال الوقت مبكرًا لجلب الذكاء الاصطناعي والبيانات الاصطناعية، وحتى التقنيات الرقمية بشكل عام، إلى مساحة اللياقة البدنية.
قال: “إنهم غير متفاعلين للغاية، وهم ضعفاء للغاية فيما يتعلق بقدراتهم”.
“أود أن أقول إن إضافة هذه القدرات المرئية إلى تطبيقات اللياقة البدنية هذه، خاصةً مع ممارسة الأشخاص أكثر في منازلهم، سيؤدي بالتأكيد إلى تحسين الأمور بشكل كبير.
من الواضح أننا نرى زيادة في الطلب ويمكننا فقط تخيل ما يمكن أن يفعله الناس ببياناتنا “.
المصدر: venturebeat
قد يهمك:
