Kuulmislangusega inimese jaoks võib suitsuanduri hääl või uksekella helin olla eluliselt tähtis info. Just seetõttu arendab Eesti ettevõte Soundfree koostöös STACCiga tehisintellektil põhinevat lahendust, mis aitab tuvastada olulisi koduseid helisid.
STACCi andmeteadlane Johanna Kaare töötas välja esialgse algoritmi, mis suudab kasutaja salvestatud heliklipist automaatselt eraldada olulise signaali, võimaldades süsteemil õppida tuvastama just kasutaja kodus kõlavaid helisid. Tänaseks on lahendus arenenud edasi: uus arendusetapp lisas süsteemile võimekuse hinnata heliklipi kvaliteeti ning mudeli enesekindlust tehtud tuvastuses. See tähendab, et süsteem mitte ainult ei ütle, mis heli see on, vaid ka seda, kui usaldusväärne see hinnang on.
Lahendus, mis kohandub iga kodu järgi
Iga kodu helid on erinevad. Ühel piiksub ahi vaikselt, teisel kõlab uksekell hoopis madalama tooniga. Just seetõttu arendab Soundfree süsteemi, mis võimaldab kasutajatel õpetada tehisintellekti ära tundma nende kodule omaseid helisid.
Selleks tuleb kasutajal salvestada heliklipp soovitud heliga – näiteks uksekella või mikrolaineahju piiksuga. STACCi loodud algoritm lõikab heliklipist automaatselt välja olulise signaali, jättes kõrvale taustamüra. See muudab süsteemi ligipääsetavaks ka kuulmislangusega inimestele, kellel pole võimalik salvestust kuulata ega seda ise töödelda.
Süsteem kasutab olulise helisignaali tuvastamiseks mitut teineteist täiendavat analüüsimeetodit, mis aitavad eristada sihtheli ka taustamüra korral. Need valiti varasema töö käigus loodud kuue algoritmi seast. Valjut ja selget signaali (näiteks suitsuanduri alarmi) on üldjuhul lihtsam taustast eristada, kuid vaiksema heli või tugeva taustamüra korral on ülesanne keerulisem. Mitme analüüsimeetodi kasutamine aitab süsteemil toime tulla erinevate helide ja salvestustingimustega.
Kuidas hinnata, kas salvestus on kvaliteetne?
Praktiline väljakutse seisneb selles, et kodus salvestatud heliklipid ei pruugi alati olla sobiva kvaliteediga. Võib juhtuda, et heli on liiga vaikne või segatud muude koduste helidega – näiteks võib uksekella salvestuse vahele jääda koputus või kiirabi sireen.
Et selliseid segadusi vältida, loodi süsteem, mis hindab automaatselt helifailide kvaliteeti. Süsteem analüüsib sama klassi helisalvestiste omavahelist sarnasust. Kui mõni salvestis erineb ülejäänutest märgatavalt, võib see viidata sellele, et treeningandmestikku on sattunud vale heli või kvaliteedilt sobimatu salvestis.
Mudel, mis oskab hinnata enda kindlust
Teine oluline uuendus on mudeli enesekindluse hindamine. Kui süsteem tuvastab heli (näiteks uksekella), annab ta ka hinnangu, kui veendunud ta selles tuvastuses on. Enesekindlus väljendub arvulise skoorina, mis näitab, kui kindel mudel oma ennustuses on. Mida kõrgem on skoor, seda suurema kindlusega peab mudel oma hinnangut usaldusväärseks.
Mida see kasutajale annab? Kui enesekindlus on madal, võib kasutajatugi soovitada rohkem salvestusi lisada või mudelit täiendavalt treenida. Kuigi hetkel ei kuvata neid skooritulemusi kasutajaliideses, logitakse need süsteemis, et tuvastada probleemseid juhtumeid.
Mudeli usaldusväärsuse hindamiseks kasutatakse mitut erinevat hindamismeetodit. Nende abil saab kontrollida, kui järjepidevalt mudel helisid tuvastab, ning avastada olukordi, kus mudeli hinnang võib vajada täiendavat tähelepanu. See aitab tagada, et süsteemi otsused oleksid võimalikult usaldusväärsed ka päriselu olukordades.
Tehniline väljakutse: automaatika, mis ei jää toppama
Kuigi protsess kõlab keeruliselt – heli puhastamine, lõikamine, hindamine ja mudeli treenimine – peab see kõik toimuma kiirelt. Eriti kui soovime, et kasutajakogemus oleks sujuv.
Selle saavutamine oligi jätkuprojekti suurim tehniline proovikivi. Tänaseks suudab süsteem uue helinäidise töödelda vähem kui sekundiga ja personaalse mudeli treenimine võtab alla minuti. Samas jäi ka arvutusressursside kulu oodatust oluliselt väiksemaks.
Et kõik toimuks reaalajas ja minimaalse viivitusega, disainiti töövoog nii, et heliklipi puhastamine, lõikamine ja hindamine toimuvad järjestikku ning optimeeritud järjekorras.
Tehisintellekt, mis tõstab elukvaliteeti
Kogu töö lõppeesmärk on üks: pakkuda kuulmislangusega inimestele turvalisemat ja sujuvamat igapäevaelu. Kui mudel suudab usaldusväärselt ära tunda suitsuanduri heli või teavitada ahju piiksust, väheneb eluohtlike olukordade risk ja paraneb elukvaliteet.
STACCi andmeteadlane Johanna Kaare ütleb, et töö selle lahendusega jätkub, kuid senised tulemused on paljutõotavad. “Tänaseks oleme suutnud viia ühe isikupärastatud helimudeli treenimise aja alla minuti – ja seda oodatust kordades väiksema kuluga,” sõnab ta. “See näitab, et ka tehniliselt keerukas lahendus saab olla kiire, tõhus ja kasutajale mugav.”
Kui otsid partnerit, kes oskab keerulisest ideest luua töötava ja kasutajasõbraliku andmelahenduse, siis võta meiega ühendust! STACCi andmeteadlased aitavad sul viia visiooni ellu viisil, mis on tehniliselt läbimõeldud ja praktiliselt kasutatav.
