Мнение: почему 10 year challenge — идеальный флешмоб для обучения ИИ

О’Нилл в своем Twitter-аккаунте назвала флешбом возможным способом обучить софт по распознаванию лиц. После того, как запись стала популярной, она детально объяснила свою позицию. О’Нилл уверена, что «конспиративный» сценарий происхождения флешмоба очень маловероятен, но выводы из него все равно полезны.

Me 10 years ago: probably would have played along with the profile picture aging meme going around on Facebook and Instagram
Me now: ponders how all this data could be mined to train facial recognition algorithms on age progression and age recognition

— Kate O'Neill (@kateo) January 12, 2019

10 year challenge позволит нейросетям прогнозировать старение

Механика флешмоба (старое и новое фото с разницей примерно в 10 лет) идеально подходит, чтобы обучить алгоритм принципам возрастных изменений. ИИ сможет лучше предсказывать, как будет выглядеть человек по мере старения.

Эти данные — лучше других аналогов

Посты, опубликованные в рамках 10 year challenge — готовая и разнообразная база данных. Люди сами обозначили временные рамки снимков и настолько же надежный источник найти сложно.

Например, EXIF-данные можно стереть, а в случае со сканами старых фотографий, они неправдивы. Люди могут загружать изображения по несколько раз. Они могут использовать вместо фотографий профиля сторонние картинки.

Несмотря на обилие информации, которой уже обладает Facebook, посты из 10 year challenge подходят гораздо больше. 

Фотографии сопровождаются контекстом

В рамках флешмоба, люди нередко добавляли к фотографиям полезную контекстуальную информацию. Например, указывали локацию съемки, автора фотографии, рассказывали о прошедших событиях. 

Иными словами, благодаря этому мему, появился очень большой и тщательно составленный набор фотографий, демонстрирующих людей примерно 10 лет назад и сегодня.

Почему это не так опасно

О’Нилл подчеркивает, что никаких доказательств искусственного происхождения флешмоба нет — это просто ее умозаключения. 

Плохо ли то, что кто-то может использовать Facebook-фотографии для тренировки алгоритмов распознавания лиц? Не обязательно. В некотором смысле, это даже неизбежно.

Но общий вывод таков, что мы должны разумно подходить к использованию технологий. Следует помнить, какие данные мы создаем и как их можно использовать в больших масштабах.

Как можно использовать распознавание лиц: три вероятных сценария

О’Нилл рассматривает проблему обильного использования алгоритмов с разных сторон. Она приводит три сценария использования технологии распознавания лиц.

• Позитивный: технологию можно использовать для поиска пропавших детей. В прошлом году полиция индийского Нью-Дели отыскала более 3000 детей благодаря автоматическому распознаванию лиц. Учитывая, что дети могут отсутствовать в течение долгого времени, полезно обучить алгоритмы принципам возрастных изменений — тогда они станут аккуратнее.
• Типичный: технологию можно использовать для рекламного таргетинга. Вкупе с информацией о местоположении, покупательских привычках и других сигналах, это сделает объявления более релевантными.
• Пугающий: технологию можно использовать в индустрии здравоохранения и страхования. Если алгоритм определит, что вы стареете быстрее заданной нормы, вам могут отказать в выгодном страховом обеспечении, выставить большую цену за услуги. 

О’Нилл сводит свои доводы к одному аргументу:

Вне зависимости от мема или социальной площадки, суть в том, что люди — самый богатый источник информации для большинства технологий, которые сегодня возникают. Мы должны это знать и принимать с должной ответственностью.

По ее словам, люди должны требовать от бизнеса правильного обращения с персональными данными. Но не меньшая ответственность возложена на каждого из нас. 

Напомним, ранее на AIN.UA выходила колонка Славы Баранского о принципах работы мотивационных тренингов.