Jak se umělá inteligence naučí rozpoznávat laviny
Jak naučit umělou inteligenci rozpoznávat laviny? Odpověď zní: data, data, data. Umělá inteligence umí jen to, co ji naučíte. V tomto konkrétním případě použití to znamená, že musíte modelu "ukázat" spoustu fotografií lavin. Samozřejmě musíte umělé inteligenci ukázat i fotografie, na kterých lavina není vidět, protože jen tak se je může naučit rozlišovat. Pokud by se trénink prováděl výhradně nebo převážně s fotografiemi lavin, model by měl silnou tendenci rozpoznat lavinu, i když by žádná nebyla vidět. Pro projekt CADS bylo použito celkem 4090 fotografií, na kterých bylo možné identifikovat celkem 7228 jednotlivých lavin. Většinu fotografií použitých v projektu poskytla Lavinová výstražná služba Tyrolsko a byly pořízeny především v německy mluvící alpské oblasti - především v Tyrolsku. V procesu trénování byly použity techniky rozšiřování dat, např. barevné variace a náhodné horizontální odrazy, aby se zlepšila generalizace modelu.
Lavinové fotografie použité ve výzkumném projektu musely být před zahájením vlastního trénování "označeny". Jednak bylo třeba kolem obrysu laviny nakreslit polygon a jednak bylo třeba snímku přiřadit štítek. Tento štítek se vztahoval k typu laviny, tj. desková lavina, klouzavá sněhová lavina nebo lavina z volného sněhu. Tato forma označování se zdála být nejrozumnější, protože tyto tři typy lavin se liší svými vizuálními vlastnostmi. Například desková lavina se vyznačuje nápadným lineárním okrajem laviny, zatímco klouzavé sněhové laviny odhalují podpovrchové a sypké sněhové laviny se vyznačují bodovým okrajem laviny a hruškovitým výběhem. Tímto způsobem lze model naučit nejen detekovat laviny obecně, ale také rozlišovat mezi jednotlivými typy lavin. S pomocí těchto "anotací" lze nyní zahájit trénink. Pro urychlení procesu byly použity existující modely hlubokého učení, například model rozpoznávání objektů YOLO (v5).
Jak dobře model skutečně funguje?
Z označených fotografií byla část (10 %) zachována z tréninku. Tento soubor fotografií byl později použit k ověření výkonnosti modelu. Během validace se laviny detekované modelem a jejich ohraničující boxy porovnávají s lavinami z testovací sady. Výsledky validace v této "testovací sadě" byly velmi potěšující: bylo dosaženo vysoké míry detekce a míra "přehlédnutých" lavin - tzv. falešně negativních - byla nízká. To je důležité pro případné praktické využití v budoucnu, protože přehlédnuté lavinové události mohou mít někdy vážné následky, pokud se například v případě laviny s lidmi včas nespustí záchranný řetězec nebo pokud se v případě vysokohorské infrastruktury zahájí bezpečnostní opatření příliš pozdě (např. uzavření silnic). Důsledky falešně pozitivních hlášení, tj. případů, kdy je hlášena detekce laviny, i když k žádné lavině nedošlo, nejsou tak závažné. Přesto jsou takové falešné poplachy nepříjemné. Tím lépe, že i tento počet se podařilo udržet na nízké úrovni. Pro první fázi praktické realizace se zdá být rozumné, aby rozhodnutí modelu - "lavina" nebo "žádná lavina" - bylo dodatečně kontrolováno experty v dané oblasti. V případě nesprávné klasifikace lze příslušnou fotografii správně označit a přidat ji do trénovacího souboru dat, aby se kvalita modelu neustále zlepšovala.
