Команда
австралійських
вчених
розробила
нову
систему
камер
на
основі
штучного
інтелекту,
яка
може
визначити,
чи
не
занадто
ви
п’яні,
щоб
керувати
автомобілем.
Проєкт
поки
що
не
завершений
і
не
готовий
до
широкого
використання,
оскільки
має
лише
75-відсоткову
точність.
Але
над
цим
працюють.
Дослідники
з
Університету
Едіт
Коуен
у
Західній
Австралії
представили
проєкт
камери
на
конференції
з
комп’ютерного
зору.
Вони
кажуть,
що
хоча
технологія
й
далека
від
досконалості
з
погляду
точності,
але
вона
є
багатообіцяючою
для
запобігання
аваріям,
спричиненим
алкогольним
сп’янінням,
у
майбутньому.
«Це
не
тільки
принесе
користь
транспортним
засобам,
оснащеним
системами
моніторингу
водія
і
технологіями
відстеження
погляду,
але
також
може
поширитися
на
смартфони,
що
зробить
виявлення
алкогольного
сп’яніння
більш
ефективним»,
–
сказала
докторантка
Університету
Едіт
Коуен
і
провідна
авторка
дослідження
Енсіє
Кештаран.
Дослідники
зібрали
набір
даних
з
відео,
на
яких
60
людей
перебувають
на
різних
стадіях
тверезості
та
алкогольного
сп’яніння.
Потім
вони
навчили
алгоритм
машинного
навчання
виявляти
ознаки
алкогольного
сп’яніння
на
цих
відео.
Це
чудова
концепція,
однак
низька
точність,
очевидно,
є
головною
проблемою:
-
На
заваді
також
можуть
стати
й
інші
випадки:
чи
зможе
система,
наприклад,
відрізнити
п’яних
водіїв
від
людей
з
обмеженими
можливостями? -
Існує
також
делікатне
питання
конфіденційності.
Що
відбувається
з
даними,
які
транспортні
засоби
збирають
з
камер,
що
фіксують
водіїв
і
пасажирів? -
Зрештою,
вже
існує
надійна
технологія,
яка
запобігає
потраплянню
п’яних
водіїв
в
аварії:
алкотестери,
що
розблоковують
запалювання
в
автомобілях
лише
після
того,
як
водій
пройде
перевірку.
Імовірно,
технологія
зможе
досягти
більшої
точності,
якщо
навчиться
на
більшій
кількості
даних,
як
це
зазвичай
відбувається
у
випадку
з
мовними
моделями
–
що
більше
інформації
ви
їм
«згодовуєте»,
то
краще
працюють
чат-боти,
побудовані
на
їхній
основі,
такі
як
ChatGPT,
Gemini
та
Copilot.
60
людей
–
це
занадто
мала
вибірка,
щоб
показати
високу
точність.
Тож
можна
припустити,
що
надалі
команда
збільшить
кількість
навчальних
даних.
