Smarttelefonen samler allerede mye informasjon. Posisjonsdata har vist seg å være svært utleverende, nesten som et digitalt fingeravtrykk. Hvor hver og en av oss befinner seg, er unikt. Likevel kan det være mye å hente på mer informasjon om «det generelle bildet» for transport. Uten data om hvem som tar T-bane og når, er det vanskelig å lage de beste transporttjenestene.
Det er en av årsakene til at informatikkprofessor Paulo Ferreira og hans stipendiat Mahdieh Kamalian har forsøkt å bruke sensorer på smarttelefonen til å finne ut hvilken transportmetode som brukes. Ved å bruke sensorer som akselerometer, som måler fartsendringer, magnetometer, som måler magnetfelt, og GPS kan Ferreira finne ut om du er på en buss eller trikk, eller en hvilken som helst annen transportmetode, med 93 prosent treffsikkerhet. På sikt håper han metoden blir så god at de kan unngå å bruke GPS, da det gir mer personlig informasjon enn de øvrige sensorene.
Slik bedrer de personvernet
Transportdata kan være sensitivt. Derfor jobber Ferreira med metoder som gjør at det er mulig å samle data, samtidig som personvernet ivaretas.
– I stedet for å sende data til en server, kan vi sørge for at alle dataene er på telefonen. Informasjonen som sentraliseres, er modellen, forklarer han.
Det betyr at programmet på telefonen lager en modell basert på maskinlæring. Det er denne modellen som sendes til en server. Det betyr at dersom du tar T-bane på et gitt tidspunkt hver dag, vil det påvirke modellen. Om du én dag drar til legen, vil dette avviket sannsynligvis ikke påvirke modellen like mye. Derfor vil modellen gi fra seg mindre informasjon enn de faktiske dataene som viser hvor, når og med hva du reiser. Modellen vil heller ikke gi fra seg informasjon i sanntid, derfor kan ikke dette brukes til å spore en person.
Enn så lenge bruker programmet GPS-informasjon. Ferreira påpeker at dersom de kan unngå å bruke GPS vil det være et steg i riktig retning for personvernet.
KI er bra for bilder og språk, men lite annet
Programmet som blir brukt, er en form for kunstig intelligens, eller maskinlæring. Ifølge Ferreira er det få andre som bruker maskinlæring på slik data.
– Denne typen data er veldig annerledes enn bilder og tekst. Det er ikke blitt forsket så mye på maskinlæring med slike data, og for å få det til må man ha en annen tilnærming, mener han.
Han håper at denne typen data vil bli brukt mer i maskinlæring i fremtiden – og mener potensialet er stort. Ferreira forteller om et annet prosjekt der målet er bedre pandemikontroll. I dette prosjektet blir det brukt bilder, og det viser seg å være vanskelig.
– Men hvis de hadde brukt andre data, for eksempel fuktighet, eller andre sensordata, ville det kanskje fungere bedre, undrer han.
Kan brukes i byplanlegging og billettjenester
Ferreira forteller at dersom de lykkes med å få programmet til å bli 100 prosent treffsikkert uten GPS-data, vil det kunne bli nyttig for alle som jobber med å forbedre transportløsninger og byplanlegging. I tillegg kan enkeltpersoner bruke det til å finne en god transportløsning hjem hvis de har deltatt på en stor konsert eller et idrettsarrangement:
– En person vil for eksempel kunne bruke dette til å velge transport med mindre trengsel, mener han.
Stipendiat Mahdieh Kamalian, som er med på prosjektet, mener at denne typen app kan være et godt utgangspunkt for en ny type billettsystem:
– Hvis vi kan få den til å analysere dataene automatisk, kan vi se for oss at dette kan brukes til å lage automatiske billettsystemer, forklarer hun. Det kan bety at billetten for eksempel aktiveres automatisk når du går på en buss.
Kamalian forteller videre at de har søkt om innovasjonsmidler for at denne forskningen skal utvikles videre. For å få data til analysen har Kamalian og Ferreira rekruttert frivillige som bruker appen under transport.
– Så langt viser dataene at den største utfordringen for appen er å skille mellom ulike motoriserte kjøretøy:
– Det er lett å skille mellom gange og for eksempel sykkel, men det er vanskeligere mellom ulike motoriserte kjøretøy, forklarer Kamalian. I tillegg kan det være forskjeller i trafikk og kjøremønstre som gjør at data fra T-banen i Oslo kanskje kan forveksles med bybanen i Bergen. Forskjeller mellom kjøremønster som bremsing og akselerasjon i trafikken kan gjøre at appen ikke klarer å gjenkjenne typen kjøretøy på ulike steder.
Hun forteller at dersom maskinlæringssystemet er trent i en gitt by, er appen likevel svært treffsikker innenfor den byen. Likevel har de laget systemet på en slik måte at det skal kunne trenes på ulike byer og steder. Det gjør at det blir billigere enn om modellen må bygges opp på nytt for hvert sted.
– Denne appen er et den mest generelle av denne typen apper, mener hun.
Derfor mener hun at den kan ha mange ulike bruksområder. Det betyr igjen at de kan samarbeide med mange ulike aktører med tanke på hva slags bruk de har behov for, om det er billetter, trafikkontroll eller byplanlegging.
Begynte som et sykkelprosjekt i Portugal
Prosjektet begynte som et sykkelprosjekt i Portugal hvor målet var å belønne folk som syklet, forteller Ferreira. Men for at det skal fungere, er man nødt til å bruke en bluetooth-markør på sykkelen i tillegg.
– Målet var at de som syklet, skulle kunne belønnes for å minske presset på trafikken. Deretter har prosjektet blitt utvidet til å gjelde offentlig transport. Dersom de lykkes, vil det gjøre det lettere å lage gode transportløsninger og billettjenester, uten at det går på akkord med personvernet.
Kanskje vil det også bli lettere å belønne folk som sykler til jobb i fremtiden?
Artikkelen ble først publisert på Titan.uio.no
Slik bidro teknologi til å sikre Trump seieren
