Kon je Transform 2022 niet bijwonen? Bekijk nu alle Summit-sessies in onze on-demand bibliotheek! Kijk hier.
Terwijl je push-ups, squats, buikspieroefeningen, gewichtheffen, springen of stretchen doet, volgt het apparaat op je tv je tijdens de training.
Je wordt gevolgd in je formulier en hebt de oefening (of het ontbreken daarvan) voltooid; aanbevelingen ontvangen voor cardio-, lichaamsgewicht-, krachttraining of yoga-oefeningen om vervolgens te doen; En u kunt werken om prestatiebadges te krijgen.
Dit is de next-level fitnesservaring voor thuis, mogelijk gemaakt door Peloton Guide, een op een camera gebaseerd, op een tv gemonteerd trainingsapparaat en systeem dat wordt aangedreven door computervisie, kunstmatige intelligentie, geavanceerde algoritmen en kunstmatige gegevens.
Sanjay Nishani, leider pelotonHet Computer Vision-team van ‘Technology Development – and Continuous Improvement’ besprak deze week in een live-uitzending op Overdracht 2022.
AI-gedreven motivatie
Peloton Gids computer visie De mogelijkheid om leden te volgen en meer te weten te komen over hun activiteiten, hen krediet te geven voor voltooide bewegingen en in realtime aanbevelingen en feedback te geven. Met het ‘Self-Mode’-mechanisme kunnen gebruikers hun apparaten ook pannen en zoomen om zichzelf op het scherm te zien en ervoor te zorgen dat ze de juiste vorm weergeven.
Nishani benadrukte de kracht van op statistieken gebaseerde verantwoording als het gaat om fitness, en zei dat “het inzicht en de vooruitgang erg motiverend zijn.”
Hij zei dat het een “iteratief proces” was om tot het uiteindelijke commerciële product van de Peloton Guide te komen. Het oorspronkelijke doel van AI is om “snel op te starten” door kleine hoeveelheden ad-hocgegevens te verwerven en deze te integreren met open source-gegevens.
Zodra het model is ontwikkeld en geïmplementeerd, zei Nishani, worden gedetailleerde analyse, evaluatie en telemetrie toegepast om het systeem voortdurend te verbeteren en ‘gerichte verbeteringen’ aan te brengen.
Het machine learning vliegwiel, zei hij, “het begint allemaal met data.” Peloton-ontwikkelaars gebruikten echte gegevens aangevuld met een “zware dosis” synthetische gegevensFormuleer datasets met behulp van terminologie voor oefeningen en modi, samen met geschikt referentiemateriaal.
De ontwikkelingsteams pasten ook positie- en matchingschattingen, nauwkeurigheidsherkenningsmodellen en optische stroom toe, wat Nishani ‘klassieke computervisietechnologie’ noemt.
Diverse functies
Een van de uitdagingen van computervisie, zei Nishani, is de “grote diversiteit aan eigenschappen waarmee rekening moet worden gehouden.”
Dit bevat:
- omgevingskenmerken: achtergrond (muren, vloeren, meubels, ramen); Verlichting, schaduwen en reflecties. andere mensen of dieren in het gezichtsveld; gebruikt materiaal.
- LedenkenmerkenGeslacht, huidskleur, lichaamstype, fitnessniveau en kleding.
- technische kenmerken: camera gebruikersmodus; Camera montage hoogte en kanteling; Oriëntatieleden en afstand tot de camera.
Nishani zei dat Peloton-ontwikkelaars uitgebreide veldtestexperimenten hebben uitgevoerd om extreme situaties mogelijk te maken en de mogelijkheid hebben ingebouwd om gebruikers te “waarschuwingen” als de camera ze er vanwege een aantal factoren niet uit kan krijgen.
Bias-uitdaging
Nishani zei dat eerlijkheid en inclusiviteit van het grootste belang zijn bij het ontwikkelen van AI-modellen.
De eerste stap naar Beperking van vooringenomenheid In Models zorgt ervoor dat de data divers is en voldoende waarden heeft over verschillende attributen voor training en testen, zei hij.
Hij merkte echter op: “Een gevarieerde set gegevens alleen garandeert geen onbevooroordeelde systemen. Bias heeft de neiging om in deep learning-modellen binnen te sluipen, zelfs als de gegevens onbevooroordeeld zijn.”
Via het pelotonproces worden alle verkregen data getagd met eigenschappen. Nishani legde uit dat dit modellen in staat stelt de prestaties te benchmarken op “verschillende segmenten van eigenschappen”, zodat er geen vooringenomenheid wordt opgemerkt in de modellen voordat ze in productie worden genomen.
Als er vertekening wordt gedetecteerd, wordt deze aangepakt – en idealiter gecorrigeerd – door middel van een proces van vliegwiel en diepgaande analyse. Nishani zei dat de ontwikkelaars van Peloton zich houden aan de “gelijkheid van kansen” eerlijkheidsschaal.
Dat wil zeggen: “Voor elk gegeven label en attribuut voorspelt de classifier dat label gelijkelijk voor alle waarden van dat attribuut.”
Bij het voorspellen of een lid bijvoorbeeld een crossover-, squat- of dumbbell-oefening doet, zijn modellen ontworpen om rekening te houden met kenmerken van lichaamstype (“ondergewicht”, “gemiddeld”, “overgewicht”) en huidskleur op basis van Fitzpatrick Classificatie – die, hoewel het algemeen wordt geaccepteerd om huidskleur te classificeren, er nog steeds een flink aantal heeft determinanten
Nishani zei echter dat eventuele uitdagingen ruimschoots opwegen tegen de grote kansen. Kunstmatige intelligentie heeft veel implicaties op het gebied van thuisfitness – van personalisatie, tot verantwoording, tot gemak (spraakopdrachten bijvoorbeeld), tot begeleiding, tot inclusieve participatie.
Het verstrekken van inzichten en statistieken helpt de prestaties van gebruikers te verbeteren en “ze echt te pushen om meer te doen”, zei Nishani. Peloton wil gepersonaliseerde game-ervaringen bieden “zodat je niet op de klok kijkt als je aan het sporten bent.”
kijk de volledige lengte Een gesprek uit Transform 2022.