Μέχρι πρόσφατα, εκατομμύρια άνθρωποι κυνηγούσαν τον Pikachu σε κάθε πιθανή και απίθανη τοποθεσία. Τώρα, τα δεδομένα που συλλέχθηκαν χρησιμοποιούνται προκειμένου να εκπαιδεύσουν τα drones να προσανατολίζονται!
Μέχρι πρόσφατα, εκατομμύρια άνθρωποι κυνηγούσαν τον Pikachu σε κάθε πιθανή και απίθανη τοποθεσία. Τώρα, τα δεδομένα που συλλέχθηκαν χρησιμοποιούνται προκειμένου να εκπαιδεύσουν τα drones να προσανατολίζονται!
Πριν από λίγα χρόνια, ολόκληρος ο πλανήτης γυρνούσε στους ρυθμούς του Pokemon Go, καθώς εκατομμύρια άνθρωποι κυνηγούσαν τον Pikachu και τους φίλους του σε κάθε πιθανή και απίθανη τοποθεσία. Χρόνια αργότερα, τα δεδομένα που συλλέχθηκαν μέσα από το παιχνίδι χρησιμοποιούνται για να εκπαιδεύσουν μοντέλα τεχνητής νοημοσύνης που θα μπορούσαν να επιτρέψουν σε drones να προσανατολίζονται όταν το GPS δεν είναι διαθέσιμο.

Photo credit: CC0 licence via pexels.com
Η ιστορία, βέβαια, είναι αρκετά πιο σύνθετη. Δεν σημαίνει ότι τα drones παίρνουν τα δεδομένα του Pokemon Go και πετούν κατευθείαν με βάση αυτά. Δείχνει όμως κάτι πολύ ενδιαφέρον για το πώς δεδομένα που συλλέχθηκαν για έναν εντελώς διαφορετικό σκοπό μπορούν, χρόνια αργότερα, να αποκτήσουν μια νέα χρήση.
Το 2021, το Pokemon Go πρόσθεσε τη δυνατότητα σάρωσης πραγματικών σημείων του χώρου. Οι παίκτες μπορούσαν, εφόσον το επέλεγαν, να χρησιμοποιούν την κάμερα του smartphone τους για να καταγράφουν σημεία του πραγματικού κόσμου, λαμβάνοντας ως αντάλλαγμα ανταμοιβές μέσα στο παιχνίδι.
Οι συγκεκριμένες σαρώσεις δεν ήταν απλώς πληροφορίες για το πού βρίσκεται κάποιος. Δημιούργησαν ένα τεράστιο σύνολο δεδομένων σχετικά με το πώς μοιάζουν και πώς διαμορφώνονται πραγματικοί χώροι. Η Niantic χρησιμοποίησε αυτές τις σαρώσεις για να εκπαιδεύσει τα μοντέλα τεχνητής νοημοσύνης της να αναγνωρίζουν και να ερμηνεύουν τον φυσικό κόσμο.
Photo credit: CC0 licence via pexels.com
Ένα drone που κινείται αυτόνομα χρειάζεται να γνωρίζει πού βρίσκεται και τι υπάρχει γύρω του. Όταν όμως το GPS δεν είναι διαθέσιμο ή υπάρχουν παρεμβολές ή παραποιήσεις στα δεδομένα του, η κατάσταση γίνεται πολύ πιο δύσκολη. Εδώ είναι που αναλαμβάνει δράση η Niantic Spatial, εταιρεία που προέκυψε από τη Niantic και συνεργάζεται με τη Vantor.
Η τελευταία αναπτύσσει τεχνολογία χωρικής αναγνώρισης για drones. Η ιδέα είναι τα συστήματα να μπορούν να προσανατολίζονται και να συντονίζονται με μεγαλύτερη ακρίβεια ακόμη και όταν δεν μπορούν να βασιστούν στο GPS τους. Η συνεργασία βρίσκεται πάντως ακόμη σε πρώιμο στάδιο.
Εδώ είναι που το πράγμα αποκτά ενδιαφέρον. Οι αρχικές σαρώσεις είχαν εντελώς διαφορετικό χαρακτήρα: κανένας παίκτης δεν θα μπορούσε να φανταστεί εκείνον τον καιρό πως τα δεδομένα που συνέλεγε για λογαριασμό της Niantic, θα μπορούσαν, χρόνια αργότερα, να συμβάλουν στην ανάπτυξη τεχνολογίας με στρατιωτικές εφαρμογές. Σε κάθε περίπτωση όμως, οι σαρώσεις γίνονταν από χρήστες που είχαν επιλέξει να συμμετάσχουν και καλύπτονταν από τους τότε όρους χρήσης και την πολιτική απορρήτου.
Τα παραπάνω, μοιραία, αλλάζουν την οπτική μας για τα δεδομένα που παράγουμε καθημερινά. Μία φωτογραφία, μία διαδρομή, μία τοποθεσία ή μία καταγραφή μπορεί να φαίνεται απολύτως ασήμαντη τη στιγμή που δημιουργείται. Σε αρκετά μεγαλύτερη κλίμακα όμως, μπορεί να αποτελέσει υλικό εκπαίδευσης για συστήματα που κάνουν κάτι πολύ διαφορετικό από αυτό για το οποίο σχεδιάστηκε αρχικά η εφαρμογή.
Μία φωτογραφία μπορεί να φαίνεται απολύτως ασήμαντη τη στιγμή που δημιουργείται. Σε αρκετά μεγαλύτερη κλίμακα όμως, μπορεί να αποτελέσει υλικό εκπαίδευσης για συστήματα ΑΙ.

Photo credit: CC0 licence via pexels.com
Το Pokemon Go δεν αποτελεί μεμονωμένο παράδειγμα – η ίδια συζήτηση έχει ανοίξει και με άλλες εφαρμογές που χρησιμοποιούμε καθημερινά. Χαρακτηριστική είναι η περίπτωση του Strava, όπου δεδομένα από τις διαδρομές χρηστών έχουν χρησιμοποιηθεί για την αποκάλυψη πληροφοριών σχετικά με στρατιωτικές εγκαταστάσεις. Εφαρμογές που σχεδιάστηκαν για να καταγράφουν την άσκηση, να βοηθούν στην πλοήγηση ή απλώς να εμπλουτίζουν ένα παιχνίδι μπορούν, επομένως, να καταλήξουν να προσφέρουν πολύ περισσότερες πληροφορίες για τον πραγματικό κόσμο από όσες φανταζόμαστε.
Και όσο η τεχνητή νοημοσύνη γίνεται καλύτερη στην κατανόηση του πραγματικού κόσμου, τόσο πιο σημαντικά γίνονται αυτά τα δεδομένα. Το ενδιαφέρον, επομένως, δεν βρίσκεται μόνο στο τι μπορεί να κάνει σήμερα μία εφαρμογή, αλλά και στο τι μπορούν να μάθουν οι μηχανές από όλα όσα εμείς καταγράφουμε χωρίς να το πολυσκεφτόμαστε.