Następna w kolejce do sztucznej inteligencji: nauka czytania z ust

Pacjent siedzi na szpitalnym łóżku, bandaż zakrywa szyję z małym otworem na rurkę tracheostomijną, która dostarcza mu tlen.

Ze względu na niedawną operację mężczyzna przedstawiony w tym filmie marketing wideo nie potrafią wokalizować. Tak więc lekarz trzyma smartfon i rejestruje, jak pacjent wypowiada ustami krótką frazę. Aplikacja o nazwie SRAVI analizuje ruchy warg i po około dwóch sekundach zwraca swoją interpretację: „Potrzebuję ssania”.

Wygląda na to, że jest to prosta interakcja, a pod pewnymi względami SRAVI (aplikacja do rozpoznawania mowy dla osób z zaburzeniami głosu) jest nadal dość uproszczona. Rozpoznaje tylko kilkadziesiąt fraz i robi to z około 90-procentową dokładnością. Jednak aplikacja, stworzona przez irlandzki startup Liopa, stanowi ogromny przełom w dziedzinie wizualnego rozpoznawania mowy (VSR), który polega na trenowaniu sztucznej inteligencji do czytania z ruchu warg bez żadnego sygnału dźwiękowego. Będzie to prawdopodobnie pierwsza aplikacja AI do czytania z ruchu warg dostępna do publicznego zakupu.

Naukowcy od dziesięcioleci pracują nad nauczeniem komputerów czytania z ruchu warg, ale okazało się to trudnym zadaniem nawet przy postępach w systemach głębokiego uczenia, które pomogły złamać inne przełomowe problemy. Badania były prowadzone w oparciu o szeroką gamę możliwych zastosowań komercyjnych — od narzędzi do monitoringu po aplikacje do cichej komunikacji i ulepszoną wydajność wirtualnych asystentów.

Liopa jest w trakcie certyfikacji SRAVI jako urządzenia medycznego klasy I w Europie, a firma ma nadzieję zakończyć certyfikację do sierpnia, co pozwoli jej rozpocząć sprzedaż do podmiotów świadczących opiekę zdrowotną.

Chociaż ich intencje dotyczące technologii nie są jasne, wielu gigantów technologicznych pracuje również nad sztuczną inteligencją czytania z ruchu warg. Naukowcy związani lub pracujący bezpośrednio dla Google, Huawei, Samsunga i Sony badają systemy VSR i wydają się robić szybkie postępy, jak wynika z wywiadów i przeglądu ostatnio opublikowanych badań i zgłoszeń patentowych przez Motherboard. Firmy albo nie odpowiedziały, albo odmówiły udzielenia wywiadów dla tej historii.

Ponieważ sztuczna inteligencja czytająca z ruchu warg staje się opłacalnym produktem komercyjnym, technolodzy i strażnicy prywatności coraz bardziej martwią się o to, jak jest rozwijana i jak pewnego dnia może zostać wdrożona. Na przykład SRAVI nie jest jedynym zastosowaniem sztucznej inteligencji do czytania z ruchu warg, nad którym pracuje Liopa. Firma jest również in faza druga projektu z brytyjską agencją badań nad obronnością w celu opracowania narzędzia, które umożliwiłoby organom ścigania przeszukiwanie cichych nagrań z telewizji przemysłowej i identyfikowanie, kiedy ludzie wypowiadają określone słowa kluczowe.

Firma nadzorująca Motorola Solutions posiada patent na system czytania z ruchu warg zaprojektowany, aby pomóc policji. Skylark Labs, startup, którego założyciel jest powiązany z amerykańską Agencją Zaawansowanych Projektów Badawczych Obrony (DARPA), powiedział Motherboard, że jego system czytania z ruchu warg jest obecnie wdrażany w prywatnych domach i kontrolowanej przez państwo firmie energetycznej w Indiach w celu wykrywania wulgarnego i obraźliwego języka .

„To jeden z tych obszarów, z mojej perspektywy, który jest dobrym przykładem tego, że „tylko dlatego, że możemy to zrobić, nie oznacza, że ​​powinniśmy”” – powiedział Motherboard Fraser Sampson, brytyjski komisarz ds. biometrii i kamer monitorujących. „Moim głównym zmartwieniem w tej dziedzinie nie musi być to, co technologia może zrobić, a czego nie, ale mrożący efekt ludzi, którzy wierzą, że może zrobić to, co mówi. Jeśli to zniechęciło ich do publicznego przemawiania, to znajdujemy się na znacznie większym obszarze niż tylko prywatność, a prywatność jest wystarczająco duża”.

Pojawienie się sztucznej inteligencji do czytania z ruchu warg przypomina technologię rozpoznawania twarzy, która przez dziesięciolecia była niszowym obszarem badań, zanim po cichu, ale szybko została skomercjalizowana jako narzędzie do nadzoru na początku XXI wieku.