Come Peloton utilizza la visione artificiale per rafforzare gli allenamenti
Mentre esegui flessioni, squat o esercizi per gli addominali, sollevi manubri, salti o ti allunghi, un dispositivo sulla TV ti segue durante l’allenamento.
Sei tracciato sul tuo modulo, sul completamento di un esercizio (o sulla sua mancanza); ricevi consigli su quale allenamento cardio, peso corporeo, allenamento di forza o yoga fare dopo; e puoi lavorare per ottenere badge di successo.
Presentazione: Perché rendere operativa la mesh di dati è fondamentale per operare nel cloud
Questa è l’esperienza di fitness a casa di livello successivo resa possibile da Peloton Guide, un dispositivo di allenamento basato su videocamera e montato su TV e un sistema alimentato da visione artificiale, intelligenza artificiale (AI), algoritmi avanzati e dati sintetici.
Sanjay Nichani, leader del gruppo di visione artificiale di Peloton , ha discusso lo sviluppo della tecnologia e il miglioramento continuo in un live streaming questa settimana al Transform 2022 .
Motivazione guidata dall’intelligenza artificiale
La capacità di visione artificiale di Peloton Guide tiene traccia dei membri e riconosce la loro attività, dando loro credito per i movimenti completati, fornendo consigli e feedback in tempo reale. Un meccanismo di “modalità autonoma” consente inoltre agli utenti di eseguire la panoramica e lo zoom del proprio dispositivo per guardarsi sullo schermo e assicurarsi che stiano esibendo la forma corretta.
Nichani ha sottolineato il potere della responsabilità basata sulla metrica quando si tratta di fitness, affermando che “l’intuizione e il progresso sono molto motivanti”.
Arrivare al prodotto commerciale finale della Peloton Guide è stato un “processo iterativo”, ha affermato. L’obiettivo iniziale dell’IA è quello di “avviare rapidamente” procurando piccole quantità di dati personalizzati e combinandoli con dati open source.
Una volta sviluppato e distribuito un modello, vengono applicate analisi dettagliate, valutazione e telemetria per migliorare continuamente il sistema e apportare “miglioramenti mirati”, ha affermato Nichani.
Il volano dell’apprendimento automatico (ML) “tutto inizia con i dati”, ha affermato. Gli sviluppatori di Peloton hanno utilizzato dati reali integrati da “una forte dose di dati sintetici “, creando set di dati utilizzando una nomenclatura specifica per esercizi e pose combinata con materiali di riferimento appropriati.
I team di sviluppo hanno anche applicato la stima e la corrispondenza della posa, i modelli di riconoscimento dell’accuratezza e il flusso ottico, ciò che Nichani ha definito una “tecnica di visione artificiale classica”.
Diversi attributi che influenzano la visione artificiale
Una delle sfide della visione artificiale, ha detto Nichani, è “l’ampia varietà di attributi che devono essere presi in considerazione”.
Ciò include quanto segue:
Attributi ambientali : fondo (pareti, pavimenti, mobili, finestre); luci, ombre, riflessi; altre persone o animali nel campo visivo; apparecchiature in uso.
Attributi dei membri : sesso, tono della pelle, tipo di corporatura, livello di forma fisica e abbigliamento.
Attributi geometrici : posizionamento dell’utente della telecamera; altezza e inclinazione di montaggio della telecamera; orientamento dei membri e distanza dalla telecamera.
Gli sviluppatori di Peloton hanno eseguito estesi test sul campo per consentire casi limite e hanno incorporato una capacità che “spinge” gli utenti se la fotocamera non riesce a distinguerli a causa di un numero qualsiasi di fattori, ha affermato Nichani.
La sfida del pregiudizio
L’equità e l’inclusività sono entrambe fondamentali nel processo di sviluppo di modelli di intelligenza artificiale, ha affermato Nichani.
Il primo passo per mitigare i pregiudizi nei modelli è garantire che i dati siano diversi e abbiano valori sufficienti su vari attributi per l’addestramento e il test, ha affermato.
Tuttavia, ha osservato, “un set di dati diversificato da solo non garantisce sistemi imparziali. La distorsione tende a insinuarsi, nei modelli di deep learning, anche quando i dati sono imparziali”.
Attraverso il processo di Peloton, tutti i dati di origine vengono contrassegnati con attributi. Ciò consente ai modelli di misurare le prestazioni su “diverse sezioni di attributi”, assicurando che non si osservi alcuna distorsione nei modelli prima che vengano rilasciati in produzione, ha spiegato Nichani.
Se la distorsione viene scoperta, viene affrontata – e idealmente corretta – attraverso il processo del volano e l’analisi di immersione profonda. Nichani ha affermato che gli sviluppatori di Peloton osservano una metrica di equità di “uguaglianza delle probabilità”.
Cioè, “per qualsiasi etichetta e attributo particolare, un classificatore prevede quell’etichetta allo stesso modo per tutti i valori di quell’attributo”.
Ad esempio, per prevedere se un membro sta eseguendo un curl con il corpo incrociato, uno squat o uno swing con il manubrio, i modelli sono stati costruiti per tenere conto degli attributi del tipo di corporatura (“sottopeso”, “medio”, “sovrappeso”) e del tono della pelle in base a la classificazione Fitzpatrick , che sebbene sia ampiamente accettata per classificare il tono della pelle, in particolare ha ancora alcune limitazioni
Tuttavia, qualsiasi sfida è di gran lunga superata da opportunità significative, ha affermato Nichani. L’intelligenza artificiale ha molte implicazioni nel regno dell’home fitness: dalla personalizzazione, alla responsabilità, alla comodità (comandi abilitati alla voce, ad esempio), alla guida, al coinvolgimento generale.
Fornire approfondimenti e metriche aiuta a migliorare le prestazioni di un utente “e spingerlo davvero a fare di più”, ha affermato Nichani. Peloton mira a fornire esperienze di gioco personalizzate “in modo da non guardare l’orologio quando ti alleni”
