Hoe verbonden objecten uw gegevens 'intelligent' benutten

De wereld van domotica verandert. Gegevens worden in theorie gebruikt om de prestaties van verbonden objecten te verbeteren. Maar wat is de werkelijke omvang van de exploitatie?

post-image-3
Sinds de lancering van ChatGPT door de start-up Open AI staat het potentieel van kunstmatige intelligentie centraal in alle gesprekken. 
Specialist in slimme huisautomatisering Netatmo legt uit hoe kunstmatige intelligentie slimme camera's en thermostaten helpt werken. 

De ontwikkeling van verbonden technologieën heeft de afgelopen 5 jaar een hoge vlucht genomen en zal niet stoppen. Het gegevensverzamelingsplatform Statista schat dat het aantal huishoudens met verbonden thuisapparaten in 2027 wereldwijd 672 miljoen zal bedragen. 
Tegelijkertijd wordt AI steeds meer geïntegreerd in connected home-objecten. 

Gepersonaliseerde assistentie door AI

Kunstmatige intelligentie kan het comfort van gebruikers van smart home-producten verbeteren door hun gewoonten te analyseren en een gepersonaliseerde gebruikerservaring te bieden die is afgestemd op hun behoeften en voorkeuren. Met behulp van AI kunnen sommige slimme camera's bijvoorbeeld onderscheid maken tussen de bewegingen van een boom, een dier en een persoon. "Op die manier wordt de gebruiker niet overladen met meldingen, maar krijgt hij alleen een waarschuwing via de applicatie als dat nodig is. Als de gebruiker een fout in de identificatie van objecten opmerkt, kan hij of zij die ook melden en zo bijdragen aan de verbetering van het algoritme en de lokale en globale prestaties van het model", legt Netatmo uit.

Kunstmatige intelligentie minimaliseert ook de inspanning die de gebruiker moet leveren voor het dagelijks beheer van deze systemen. Wanneer een slimme camera en een slimme sirene samenwerken, is het bijvoorbeeld mogelijk om het alarmsysteem zo in te stellen dat het alleen afgaat wanneer het een onbekend gezicht detecteert wanneer er geen bekende persoon in huis is, zonder internetverbinding. 

Bovendien kan het systeem automatisch door geolocatie worden geactiveerd wanneer de gebruiker het huis verlaat en worden uitgeschakeld wanneer de gebruiker door de camera wordt herkend. Wat energiebeheer betreft, kan de AI complexe berekeningsparameters integreren in een verwarmingsprogramma. "Als het buiten bijvoorbeeld vriest, zal het langer duren om binnen een comfortabele temperatuur te bereiken en moet de verwarming passend worden geprogrammeerd. De AI kan ook detecteren of een raam openstaat en de verwarming in die kamer uitschakelen.

Privacy en gezichtsherkenning

De gezichtsherkenning van camera's is ook aanzienlijk verbeterd dankzij kunstmatige intelligentie. Op machinaal leren gebaseerde methoden vereisten bijvoorbeeld geheugen en energiebronnen die camera's eenvoudigweg niet hadden. Tegenwoordig kan AI ook de privacy van gezichtsherkenningstechnologieën waarborgen door bekende gezichten in een woning te identificeren en alleen onbekende gezichten op te nemen en te melden.

"Onze camera's werken nu met de nieuwste gezichtsherkenningstechnologieën op basis van deep learning, wat een aanzienlijke verbetering is ten opzichte van wat er eerder bestond", zegt Florian Deleuil, Vice President of Product Management bij Netatmo.

Bovendien wordt de gegevensverwerking gedaan door alle beeldherkenningsalgoritmen in de slimme camera zelf. Er hoeven dus geen fragmenten naar onze servers te worden gestuurd. 
Dit alles draagt bij aan de privacy van de gebruiker, maar ook aan een betere reactie wanneer een ongewone gebeurtenis wordt gedetecteerd en een beter lokaal gebruik van accessoires zoals de slimme sirene", vervolgt de expert.

Voor alle methoden die gebaseerd zijn op statistisch leren, geldt dat de basisgegevensreeks de resultaten kan beïnvloeden. Dit is bijvoorbeeld het geval voor de vraag naar huidskleur, maar ook voor een aanzienlijk aantal factoren. 
"Het identificeren en omzeilen van de aanwezigheid van bias in datasets is een onderzoeksgebied op zich en er zijn vele wegen te verkennen.

Het aanpassen van de modellering kan dus helpen om de bias te verminderen: "Het is bijvoorbeeld mogelijk om een neuraal netwerk te dwingen bepaalde kenmerken te negeren. Het is ook mogelijk de vertekening gedeeltelijk te corrigeren door extra trainingsstappen, en te elimineren door handmatige correctie door de gebruikers".
Show More
Back to top button
Close
Close