Антиутопическая идея

Звучит антиутопично, но я наткнулся на эту увлекательную статью, написанную Андреасом Гавросом и Фотейни Гавру именно на эту тему. Эта техника уже много лет используется людьми и называется чтение по лицу, но впервые она реализована с использованием искусственного интеллекта.

Сразу же после прочтения названия статьи и введения у меня возникли вопросы:

  • Эта техника работает?
  • Насколько это эффективно?
  • Можно ли с моральной точки зрения отказать кому-то на основании того, что ИИ думает о его внешности?
  • Включает ли этот метод предубеждения?

Чтение лица человека в спорте

Как упоминалось ранее, люди уже много лет используют чтение по лицу в поисках новых хороших профессиональных спортсменов. Статья, на которую я ссылаюсь, на самом деле была вдохновлена ​​двумя статьями об этом явлении, одна из которых была написана Кевином Рэндаллом в Нью-Йорк Таймс, а другая — Куртом Хелином для NBC Sports. Одна из самых известных команд, использующих технику чтения по лицу, — Милуоки Бакс.

Цель статьи состояла в том, чтобы автоматизировать этот процесс и использовать его, чтобы увидеть, способен ли ИИ «анализировать определенные черты лица, чтобы оценить, способен ли молодой игрок стоять на уровне НБА и насколько он хорош». ”

Затем мы можем определить, есть ли в этом методе какая-либо истина или научная основа, или он работает только на предубеждениях.

Как проводилось исследование

Разновидностью ИИ, который используется в этом исследовании, является CNN (сверточная нейронная сеть). Этот тип ИИ учится непосредственно на наборе данных и отлично подходит для поиска закономерностей в изображении (это именно то, что нам нужно).

Набор данных состоит из набора изображений, которые классифицируются по разным уровням мастерства. Всего для этого исследования было выбрано 5 уровней навыков:

  • Не готовы: игроки, у которых не было таланта, необходимого для игры на уровне НБА, и которым не удалось
    повлиять на этот уровень соревнований.
  • Нижний уровень: игроки, которые входили в состав команды НБА, но в лучшем случае были игроками с ограниченной ролью, с
    небольшим игровым временем.
  • Посредственно: игроки, которые провели несколько приличных сезонов и сыграли значительную роль в командах, в которых играли, но
    не считались звездами лиги.
  • Очень хорошо: игроки с хорошей карьерой в целом, но команды не обязательно были «построены» вокруг них, однако
    они были неотъемлемой частью своих команд.
  • Отлично: игроки, у которых был талант участвовать в Матче звезд в течение одного или нескольких сезонов или которые были особенно хороши
    в определенной части игры (например, подборы).

В документе также говорится, что «оценка игроков производилась на основе всей их карьеры, а не конкретного сезона. Обоснование такого решения кроется в многофакторных параметрах, которые могут повлиять на результативность игрока в том или ином сезоне».

Затем ИИ был обучен точно угадывать уровень навыков игрока в наборе данных на основе его изображения. Насколько часто он угадывает правильно, определяет его «показатель точности».

На практике, после того, как вы обучили ИИ, вы также можете бросать ему изображения, которых нет в наборе данных. Идея состоит в том, что ИИ получил возможность смотреть на определенные закономерности в изображении, чтобы экстраполировать набор данных. , таким образом, имея возможность прогнозировать чей-либо уровень производительности на основе изображения.

Каковы результаты?

В документе говорится, что из всех моделей самая эффективная показала общую точность 26,77% во всех классах. Это был один из лучших показателей точности, проведенных во всех тестах.

Это говорит о том, что существует потенциальная корреляция между талантом игроков и характеристиками их предвидения.

Результаты этого опроса весьма обнадеживают, так как в одаренных классах показатели точности высоки, но могли ли результаты быть лучше? Можем ли мы улучшить эту систему? В документе изложено несколько идей по улучшению:

  • Набор данных состоял из изображений с прилично низким разрешением, при большем разрешении точность могла возрасти.
  • Типы изображений в наборе данных страдали от большой неоднородности, более разнообразный набор изображений, включая разные позы, мог бы снова повысить точность.

Заключение

Результаты этого исследования кажутся весьма многообещающими, что делает более чем вероятным, что в будущем команды НБА будут использовать методы чтения по лицу на основе ИИ как часть своего отбора.

лично я считаю, что текущая модель ИИ недостаточно эффективна, чтобы ей можно было доверять, и поэтому будет бороться с множеством проблем с предвзятостью. Хотя эта статья продемонстрировала огромный потенциал CNN (сверточных нейронных сетей) и имеет много возможностей для повышения точности по мере совершенствования технологии ИИ в будущем.

Лично я не верю, что эта технология когда-либо станет настолько эффективной, что станет единственным определяющим фактором для принятия новых игроков. Я думаю, что лучший способ выбрать новых людей — это объединить несколько методов, включая интервью, прошлые выступления и ИИ. на основе чтения лица, чтобы получить более широкую картину.