Fitness AI: in che modo i dati sintetici migliorano gli allenamenti
Le app di fitness basate sull’intelligenza artificiale, sviluppate con dati sintetici , possono potenziare il tuo allenamento?
Durante la pandemia di COVID-19, le app per l’home fitness erano di gran moda. Da gennaio a novembre 2020, in tutto il mondo sono state scaricate circa 2,5 miliardi di app per la salute e il fitness . Questa tendenza è rimasta e non mostra segni di rallentamento, con nuovi dati che prevedono una crescita da 10 milioni di dollari nel 2022 a 23 milioni di dollari entro il 2026.
L’impatto in evoluzione dell’analisi dei grafici_
Poiché sempre più persone utilizzano le app di fitness per allenarsi e monitorare il proprio sviluppo e le proprie prestazioni, le app di fitness utilizzano sempre più l’IA per potenziare le proprie offerte fornendo analisi dell’allenamento basate sull’intelligenza artificiale, incorporando tecnologie tra cui la visione artificiale, la stima della posa umana e le tecniche di elaborazione del linguaggio naturale.
Datagen, con sede a Tel Aviv, fondata nel 2018, afferma di fornire “dati sintetici ad alte prestazioni, con particolare attenzione ai dati per applicazioni di visione artificiale incentrate sull’uomo”.
La società ha appena annunciato un nuovo dominio, Smart Fitness, sulla sua piattaforma di dati sintetici visivi self-service che aiuta gli sviluppatori di intelligenza artificiale a produrre i dati di cui hanno bisogno per analizzare le persone che si esercitano e allenare attrezzature per il fitness intelligenti per “vedere”.
“In Datagen, il nostro obiettivo è aiutare i team di visione artificiale e accelerare il loro sviluppo di attività di visione artificiale incentrate sull’uomo”, ha detto a VentureBeat Ofir Zuk, CEO di Datagen. “Quasi tutti i casi d’uso che vediamo nello spazio dell’IA sono legati all’uomo. In particolare, stiamo cercando di risolvere e aiutare a comprendere l’interconnessione tra gli esseri umani e la loro interazione con l’ambiente circostante. Lo chiamiamo umano nel contesto”.
I dati visivi sintetici rappresentano gli ambienti di fitness
La piattaforma Smart Fitness fornisce dati visivi sintetici annotati in 3D sotto forma di video e immagini. Questi dati visivi rappresentano accuratamente gli ambienti di fitness, il movimento avanzato e le interazioni uomo-oggetto per attività relative alla stima dei punti chiave del corpo, all’analisi della posa, all’analisi della postura, al conteggio delle ripetizioni, all’identificazione degli oggetti e altro ancora.
Inoltre, i team possono utilizzare la soluzione per generare dati in movimento per tutto il corpo per eseguire iterazioni sul modello e migliorarne rapidamente le prestazioni. Ad esempio, nei casi di analisi della stima della posa, un vantaggio offerto dalla piattaforma Smart Fitness è la capacità di simulare rapidamente diversi tipi di telecamere per acquisire una varietà di dati sintetici di esercizi differenziati.
Sfide all’allenamento dell’IA per il fitness
La stima della posa, che è una tecnica di visione artificiale che aiuta a determinare la posizione e l’orientamento del corpo umano con l’immagine di una persona, è una delle soluzioni uniche che l’IA ha da offrire. Può essere utilizzato nell’animazione di avatar per la realtà artificiale, ad esempio, così come nel motion capture senza marker e nell’analisi della posa del lavoratore.
Per analizzare correttamente la postura, è necessario acquisire diverse immagini dell’attore umano con il suo ambiente di interazione. Una rete neurale convoluzionale addestrata elabora quindi queste immagini per prevedere dove si trovano le articolazioni dell’attore umano nell’immagine. Le app di fitness basate sull’intelligenza artificiale utilizzano generalmente la fotocamera del dispositivo, registrando video fino a 720p e 60 fps per acquisire più fotogrammi durante l’esecuzione dell’esercizio.
Il problema è che gli ingegneri della visione artificiale hanno bisogno di grandi quantità di dati visivi per addestrare l’IA all’analisi del fitness quando utilizzano una tecnica come la stima della posa. I dati che coinvolgono gli esseri umani che eseguono esercizi in varie forme e interagiscono con più oggetti sono molto complessi. I dati devono anche essere ad alta varianza e sufficientemente diversificati per evitare distorsioni. La raccolta di dati accurati che coprano una tale varietà è quasi impossibile. Inoltre, l’annotazione manuale è lenta, soggetta a errori umani e costosa.
Sebbene sia già stato raggiunto un livello accettabile di accuratezza nella stima della posa 2D, la stima della posa 3D manca in termini di generazione di dati accurati del modello. Ciò è particolarmente vero per l’inferenza da una singola immagine e senza informazioni sulla profondità. Alcuni metodi utilizzano più telecamere puntate sulla persona, che acquisiscono informazioni dai sensori di profondità per ottenere previsioni migliori.
Tuttavia, parte del problema con la stima della posa 3D è la mancanza di grandi set di dati annotati di persone in ambienti aperti. Ad esempio, set di dati di grandi dimensioni per la stima della posa 3D come Human3.6M sono stati acquisiti interamente all’interno per eliminare il rumore visivo.
È in corso uno sforzo per creare nuovi set di dati con dati più diversificati su condizioni ambientali, varietà di abbigliamento, articolazioni forti e altri fattori influenti.
La soluzione dei dati sintetici
Per superare tali problemi, l’industria tecnologica utilizza ora ampiamente i dati sintetici, un tipo di dati prodotti artificialmente che possono imitare da vicino i dati operativi o di produzione, per addestrare e testare i sistemi di intelligenza artificiale. I dati sintetici offrono numerosi vantaggi significativi: riducono al minimo i vincoli associati all’uso di dati regolamentati o sensibili; può essere utilizzato per personalizzare i dati in modo che corrispondano a condizioni che i dati reali non consentono; e consente set di dati di addestramento di grandi dimensioni senza richiedere l’etichettatura manuale dei dati.
Secondo un rapporto di Datagen, l’uso di dati sintetici riduce i tempi di produzione, elimina i problemi di privacy, fornisce bias ridotti, errori di annotazione ed etichettatura e migliora la modellazione predittiva. Un altro vantaggio dei dati sintetici è la capacità di simulare facilmente diversi tipi di telecamere durante la generazione di dati per casi d’uso come la stima della posa.
Dimostrazione di esercizi resa semplice
Con la piattaforma di fitness intelligente di Datagen, le organizzazioni possono creare decine di migliaia di identità uniche eseguendo una varietà di esercizi in diversi ambienti e condizioni, in una frazione del tempo.
“Grazie all’abilità dei dati sintetici, i team possono generare tutti i dati di cui hanno bisogno con parametri specifici nel giro di poche ore”, ha affermato Zuk. “Questo non solo aiuta a riqualificare la rete e il modello di apprendimento automatico, ma ti consente anche di metterlo a punto in pochissimo tempo”.
Inoltre, ha spiegato, la piattaforma Smart Fitness ottimizza la tua capacità di acquisire milioni di dati visivi sostanziali sull’esercizio, eliminando l’onere ripetitivo di catturare ogni elemento di persona.
“Attraverso la nostra libreria in costante aggiornamento di identità umane virtuali e tipi di esercizi, forniamo informazioni dettagliate sulla posa, come le posizioni delle articolazioni e delle ossa nel corpo, che possono aiutare ad analizzare dettagli complessi per migliorare i sistemi di intelligenza artificiale”, ha affermato. “L’aggiunta di tali capacità visive alle app e ai dispositivi di fitness può migliorare significativamente il modo in cui vediamo il fitness, consentendo alle organizzazioni di fornire servizi migliori sia di persona che online”.
Fitness AI e dati sintetici nell’azienda
Secondo Arun Chandrasekaran, illustre VP Analyst di Gartner , i dati sintetici sono, finora, una “tecnologia emergente con un basso grado di adozione aziendale”.
Tuttavia, afferma che vedrà una crescente adozione per casi d’uso per i quali i dati devono essere garantiti per essere anonimi o la privacy deve essere preservata (come i dati medici); aumento dei dati reali, soprattutto dove i costi di raccolta dei dati sono elevati; dove è necessario bilanciare la distribuzione delle classi all’interno dei dati di addestramento esistenti (come con i dati sulla popolazione) e i casi d’uso emergenti dell’IA per i quali sono disponibili dati reali limitati.
Molti di questi casi d’uso sono fondamentali per la proposta di valore di Datagen. Quando si tratta di migliorare le capacità di dispositivi o app di fitness intelligenti, “di particolare interesse sarà la capacità di migliorare la qualità dei dati, coprire l’ampia gamma di scenari e preservare la privacy durante la fase di formazione ML”, ha affermato.
Zuk ammette che è ancora presto per portare l’IA e i dati sintetici, e persino le tecnologie digitali in generale, nello spazio del fitness.
“Sono molto non reattivi, molto magri in termini di capacità”, ha detto. “Direi che l’aggiunta di queste capacità visive a queste app di fitness, soprattutto perché le persone si allenano di più a casa propria, migliorerà sicuramente le cose in modo significativo. Vediamo chiaramente un aumento della domanda e possiamo solo immaginare cosa possono fare le persone con i nostri dati”.
