هوش مصنوعی دروغگویان در رابطه با مصرف الکل را گیر می‌اندازد!

منتشر شده در analyticsinsight به تاریخ ۲۹ اکتبر ۲۰۲۲
لینک منبع ARE YOU DRUNK? DO NOT LIE BECAUSE NOW AI SOFTWARE CAN CATCH YOU!

محققان در دانشگاه ملی ویتنام، هو چی مین سیتی، در حال کار بر روی یک نرم‌افزار جدید تشخیص رانندگی در حال مستی هوش مصنوعی هستند. این کار برای کمک به تعیین این موضوع است که چه زمانی یک راننده مست است تا از هر گونه مشکل رانندگی که یک نگرانی عمده در مقیاس جهانی است، اجتناب کند.

این شبکه با دیگر آشکارسازهای معرفی‌شده در گذشته متفاوت است، همانطور که در مجله بین‌المللی سیستم‌های اطلاعاتی و پایگاه‌داده هوشمند نشان داده شد. نرم‌افزار هوش مصنوعی معمولا برای تمرکز بر چشم فرد، موقعیت سر او و دیگر شاخص‌های حالت عملکردی توسعه داده می‌شود. این هوش مصنوعی جدید در واقع تصویربرداری حرارتی را فرض می‌کند که روشی بسیار کم‌تر مبهم برای نشان دادن حالت مستی است و امکان اسکن غیرتهاجمی صورت یک راننده را فراهم می‌کند.

محققان همچنین توضیح می‌دهند که تلاش‌های اولیه در توسعه روشی برای تشخیص مستی بر وضعیت چشم، وضعیت سر، یا شاخص‌های عملکردی دولت متمرکز بوده‌ است. با این حال، چنین سیستم‌هایی ممکن است توسط عوامل دیگر اشتباه گرفته شوند. این تیم اشاره می‌کند که تجزیه‌وتحلیل تصویربرداری حرارتی یک رویکرد کم‌تر مبهم ارائه می‌دهد که همچنین غیرتهاجمی است و می‌تواند به مقامات اجازه دهد افراد را در مراکز شهرها یا در رویدادهایی که احتمال مصرف الکل وجود دارد و مردم ممکن است ترجیح دهند به خانه بروند، غربالگری کنند.

در سطح جهان، یک فرد بالغ به طور متوسط معادل حدود یک بطری شراب در هفته مصرف می‌کند. این ممکن است یک نرخ معقول به نظر برسد، اما بسیاری از مردم نمی‌توانند در اینجا متوقف شوند. مشکلات جدی سلامتی و اجتماعی در رابطه با پرخوری و یا نوشیدن بیش از حد: بیماری، جرم و جنایت، تصادفات رانندگی، اعتیاد و غیره ظاهر می‌شوند. الکل عاملی در ۵.۳ درصد از کل مرگ‌ومیرها در سراسر جهان است.

در تلاش برای کاهش آسیب ناشی از الکل و بهبود ایمنی مصرف‌کنندگان، توجه فزاینده‌ای به یادگیری ماشینی، یادگیری عمیق، اینترنت اشیا و فناوری‌های بینایی کامپیوتری شده است. مدل‌های مجهز به هوش مصنوعی می‌توانند خلوص الکل را تضمین کنند، رفتارهای انسانی مرتبط با الکل را به طور پیشگیرانه کنترل و ارزیابی کنند، و برای افراد معتاد، مست یا نابهشیار حمایت و خدمات ایجاد کنند.

در عوض، تیم پشت ایجاد تصویر برداری حرارتی ممکن است روشی کم‌تر مبهم برای تشخیص اینکه آیا کسی مست است یا نه باشد، و یک روز به پلیس اجازه دهد تا صورت رانندگان را به طور غیرتهاجمی اسکن کند تا اطمینان حاصل کند که آن‌ها پس از مصرف بیش از حد آبجو پشت فرمان قرار نمی‌گیرند.

یکی از مهم‌ترین جنبه‌های توسعه چنین الگوریتمی درجه دقت آن است. به هر حال، همانطور که Tech Xplore اشاره کرد، یک منفی کاذب می‌تواند عواقب وحشتناکی داشته باشد اگر به یک فرد مست اجازه رانندگی بدهد. در مقابل، یک مثبت کاذب می‌تواند دیگران را بدون دلیل از رفت و آمد باز دارد. در حال حاضر، شبکه دارای نرخ دقت ۹۳٪ است، اگرچه آموزش هوش مصنوعی بر روی مجموعه داده‌های بزرگ‌تر یا بر روی جمعیت متنوع‌تر تصاویر حرارتی می‌تواند به آن کمک کند تا در آینده حتی دقیق‌تر شود.

این تیم اشاره می‌کند که مهم است که هر سیستمی که برای شناسایی افراد مست طراحی شده‌است، باید دارای میزان بسیار پایینی از مثبت کاذب و منفی کاذب باشد. به هر حال، یک منفی کاذب ممکن است یک فرد مست را ببیند که ماشین خود را می‌راند در حالی که بسیاری از مثبت کاذب رانندگان هوشیار را از استفاده از وسیله نقلیه خود منع می‌کند و منجر به ناامیدی و از دست دادن اعتماد به سیستم در میان عموم مردم می‌شود.

همیشه در هر سیستمی مصالحه وجود خواهد داشت، اشتباه در جانب احتیاط ترجیح داده خواهد شد، اما بهینه‌سازی طبقه‌بندی از طریق مجموعه داده‌های آموزشی بزرگ‌تر در یک جمعیت متنوع از تصاویر حرارتی باید آن را به ایده‌آل نزدیک‌تر کند، که البته از لحاظ نظری غیرقابل دسترسی بودن ۱۰۰٪ دقت با مثبت کاذب صفر و منفی کاذب صفر خواهد بود.

این متن با استفاده از ربات ترجمه مقالات هوش مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.
مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.