Машинное обучение работает, находя закономерности между входами и выходами, причинами и следствиями или действиями и результатами. Например, представьте, если бы термостатов не существовало, и вам приходилось бы вручную включать кондиционер, когда вам жарко, и выключать его, когда вам холодно. Система машинного обучения может наблюдать за этой закономерностью и в конечном итоге прийти к выводу, что вам нравится включать кондиционер, когда температура выше 72 ° F, и выключать, когда температура ниже 68 ° F. Этот простой процесс можно расширить, включив в него гораздо более сложные задачи. , именно так носимое устройство oSense может определить, что вы делаете, основываясь на том, как вы двигаете рукой.
Носимое устройство oSense состоит из шести датчиков IMU (инерциальных измерительных блоков), которые контролируются Arduino. Эти IMU прикрепляются к пальцам пользователей и тыльной стороне ладони. Когда они двигают рукой или пальцами, это движение улавливается датчиками, данные собираются Arduino, а затем эти данные анализируются алгоритмом машинного обучения, работающим на компьютере. Затем алгоритм машинного обучения может сделать вывод о том, что делает пользователь, на основе полученных им показаний датчиков.
Как и любую другую систему машинного обучения, oSense нужно было обучать этим действиям. Это так же просто, как повторять одни и те же задачи снова и снова, сообщая системе, какое действие выполняется. Например, выпить стакан воды. В конце концов алгоритм машины узнает, какие показания датчиков соответствуют выпитому стакану воды. Что делает это интересным, так это то, как его можно использовать для оценки и обучения. Профессиональный каллиграф мог написать урок, надевая перчатку для тренировки oSense, а затем ученик мог повторить урок. Затем oSense мог определить, насколько внимательно ученик следовал уроку и какие движения отличались.
