Как разработать качественный ИИ без ущерба для конфиденциальности? Загляните внутрь «машинного отделения» Project Hafnia, чтобы увидеть, как Milestone воплощает принципы ответственного ИИ на практике.
Разработка качественного ИИ и защита конфиденциальности людей должны идти рука об руку. Это ключевой принцип, лежащий в основе Project Hafnia.
Под руководством компании Milestone Systems в рамках Project Hafnia разрабатывается ИИ компьютерного зрения для решения реальных задач. Project Hafnia использует высококачественные данные из реального мира для создания ИИ-решений, специализирующихся на конкретных условиях, таких как анализ дорожной обстановки или распознавание событий на видео. Эти данные тщательно отбираются и подготавливаются, причем средства защиты данных, такие как анонимизация и аннотирование, закладываются в процесс с самого начала в соответствии с GDPR и Законом ЕС об искусственном интеллекте (EU AI Act). Цель состоит в том, чтобы предоставить разработчикам возможность создавать полезный, надежный ИИ, способный понимать сложность реальных условий.
Итак, как это выглядит на практике?
Как Project Hafnia подготавливает данные для ИИ
- Выбор правильных данных из проверенных источников. Project Hafnia использует данные, предоставляемые партнерами, а также наборы данных на условиях, применимых к каждому источнику. Ниже описано, как партнерские видеоматериалы подготавливаются для разработки ИИ.
- Используйте только те данные, которые необходимы. Не каждое видео имеет значение для любой задачи ИИ. Project Hafnia отбирает данные на основе их назначения и ценности для разработки и оценки ИИ. Условия реального мира имеют значение: схема дорог, освещение, погода, схемы движения и ракурсы камер — все это влияет на эффективность работы модели ИИ.
- 3. Применение анонимизации. Перед тем как предоставленные партнерами видеоматериалы будут использованы для обучения ИИ, к ним применяются передовые технологии анонимизации от компании brighter AI (дочерней компании Milestone). Идентифицирующие признаки, такие как лица и номерные знаки, анонимизируются при сохранении реальных характеристик сцен, имеющих отношение к разработке ИИ.
- Удаление оригинальных записей. После завершения обработки исходные «сырые» записи удаляются из среды обработки Milestone.
- Маркировка данных для обучения ИИ. Видео становится полезным для обучения ИИ, когда релевантные объекты и события аннотируются. Это означает добавление информации, которая помогает модели понять, что она видит, будь то транспортные средства, пешеходы, движение или события, связанные с дорожным движением. Аннотирование выполняется обученным персоналом. Обработка происходит в контролируемой среде, доступ ограничен уполномоченными лицами, имеющими законную необходимость использовать данные, а организационные и технические меры защиты помогают обезопасить их.
- Использование подготовленных данных для разработки более качественного ИИ. Полученные аннотированные данные могут использоваться для обучения, тестирования и совершенствования моделей компьютерного зрения. Работая с данными, отражающими реальные условия, инженеры могут создавать ИИ, лучше приспособленный к преодолению сложности и вариативности сред, в которых он будет использоваться.
- Обучение модели без передачи самих данных.
Это позволяет разработчикам извлекать выгоду из высококачественных данных реального мира без получения доступа к лежащим в их основе наборам данных.
Превращение данных в инсайты.
Цель этого процесса — не просто подготовка данных. Цель заключается в помощи при разработке ИИ, способного решать реальные задачи в окружающем нас мире.
Project Hafnia стремится использовать качественные данные для решения практических проблем: от управления дорожным движением и анализа безопасности дорожного движения до городского планирования и предоставления операторам более точных сводок оперативной обстановки.
