Η γωνία του Anderson
Πρόβλεψη της βίας εκ των προτέρων με τεχνητή νοημοσύνη

Βασικά σημείαΗ πρόβλεψη της βίας πριν αυτή συμβεί κινδυνεύει να αναπαράγει τους δυστοπικούς φόβους…
Δείτε περισσότερα
- Η πρόβλεψη της βίας πριν αυτή συμβεί κινδυνεύει να αναπαράγει τους δυστοπικούς φόβους του Minority Report.
- Ο συνδυασμός της εμφάνισης του προσώπου με ηχητικά και κινητικά σήματα υπερτερεί έναντι οποιουδήποτε μεμονωμένου σήματος από μόνο του.
- Https://www.youtube.com/watch?v tDSXPQcpybU Μια (μη πραγματική) δοκιμή για ένα σύστημα ανίχνευσης βίας από το IVS.
Η συνηθισμένη προσέγγιση στο ερώτημα «Μπορεί η ΤΝ να αυτοματοποιήσει αυτό;» είναι να τροφοδοτήσουμε ένα μοντέλο με πολλά παραδείγματα ενός φαινομένου του οποίου τα χαρακτηριστικά θέλουμε να απομονώσουμε και να δούμε αν, αφού εκπαιδευτεί σε αυτά, μπορεί να αναγνωρίσει το ίδιο χαρακτηριστικό σε παρόμοια δεδομένα που δεν χρησιμοποιήθηκαν στην εκπαίδευση:

Σχηματική απεικόνιση ενός έργου ΤΝ που επιχειρείται ως ύστατη προσπάθεια: τα επισημασμένα παραδείγματα χωρίζονται σε σύνολα εκπαίδευσης και δοκιμής. Το μοντέλο μαθαίνει από το πρώτο και στη συνέχεια δοκιμάζεται σε άγνωστα παραδείγματα του δεύτερου. Αν έχει πράγματι μάθει το χαρακτηριστικό που μας ενδιαφέρει, αντί να απομνημονεύσει τα δεδομένα εκπαίδευσης, θα πρέπει να αναγνωρίζει το ίδιο μοτίβο στο σύνολο δοκιμής. Πηγή
Είναι κατά κάποιον τρόπο μια ύστατη προσπάθεια, καθώς τέτοια πειράματα στηρίζονται στην υπόθεση ότι το χαρακτηριστικό τελικά θα ξεχωρίσει στα δεδομένα αν η ΤΝ συνεχίσει να τα εξετάζει, και ότι υπάρχει πράγματι κάποια «υποκείμενη τάση» προς αποκάλυψη. Αν μπορούσαμε να αναγνωρίσουμε εύκολα το χαρακτηριστικό, είτε δεν θα χρειαζόμασταν καθόλου το μοντέλο ΤΝ είτε θα το χρησιμοποιούσαμε μόνο για αυτοματοποίηση εργασιών ρουτίνας.
Συνήθως αυτό δεν ισχύει. Οι περισσότερες τέτοιες ερευνητικές πρωτοβουλίες είναι διερευνητικές αναζητήσεις λανθανόντων μοτίβων που μόνο μια υπεράνθρωπη επανάληψη προσεκτικής παρατήρησης θα μπορούσε να μάθει να αναγνωρίζει.
Συχνά το μοτίβο αποδεικνύεται δυσεύρετο και ενδέχεται να μην υπάρχει καν, επειδή ορισμένα γεγονότα και γνωρίσματα μπορεί πραγματικά να εμφανίζονται εντελώς τυχαία. Διαφορετικά, τα δεδομένα είναι με κάποιον τρόπο ανεπαρκή, κακώς επιμελημένα ή η εκπαίδευση είναι ελλιπής.
Κοιτάζοντας μπροστά
Σε ορισμένες περιπτώσεις ο στόχος είναι τόσο επιθυμητός — θεραπεία του καρκίνου, πυρηνική σύντηξη, υπέρβαση των νόμων της θερμοδυναμικής κ.λπ. — και τόσο «πολιτικά ελκυστικός», ώστε η βιβλιογραφία επιστρέφει επίμονα σε αυτόν για να εξετάσει αν καλύτερα δεδομένα ή τεχνικές μπορούν τελικά να αποκαλύψουν ένα χαρακτηριστικό μοτίβο.
Ένα τέτοιο πεδίο είναι η αυτοματοποιημένη κατανόηση βίντεο για δημόσιους χώρους και τομείς όπου εμπλέκεται η αστυνομία. Για παράδειγμα, φέτος μια νέα μελέτη χρησιμοποίησε πραγματικά βίντεο απόπειρας αυτοκτονίας για να εντοπίσει τάσεις παραμονής πριν από την απόπειρα και να δημιουργήσει ένα προγνωστικό σύστημα που θα μπορούσε να αναγνωρίζει τον χαρακτηριστικό τρόπο κίνησης ενός ατόμου σε δημόσια σιδηροδρομική αποβάθρα πριν από ένα άλμα:

Από τη μελέτη του 2026 «Αξιολόγηση κινδύνου αυτοκτονίας μέσω βιντεοεπιτήρησης με ΤΝ: ένα ερμηνεύσιμο πλαίσιο πρόληψης σε σταθμούς μετρό»: προβλέψεις από δύο καρέ, ένα με πραγματική απόπειρα αυτοκτονίας στις γραμμές και ένα χωρίς περιστατικό. Οι θερμικοί χάρτες δίπλα στα καρέ δείχνουν περιοχές υψηλότερου και χαμηλότερου κινδύνου στην αποβάθρα, βάσει της «τάσης παραμονής» κοντά στο στόμιο της σήραγγας και μοτίβων από προηγούμενες απόπειρες. Πηγή
Σε αυτή την περίπτωση, τα «μοτίβα παραμονής» — στα άκρα αριστερά και δεξιά της παραπάνω εικόνας — που χαρακτηρίζουν ένα άτομο το οποίο σκέφτεται να πηδήξει μπροστά σε τρένο φάνηκε να έχουν μια διακριτή υπογραφή. Αυτή θα μπορούσε να αξιοποιηθεί ως σύστημα ειδοποίησης μέσω αναγνώρισης μοτίβων στην αυτοματοποιημένη επιτήρηση.
Ένα άλλο δημοφιλές ερευνητικό σκέλος είναι η ανίχνευση και αναγνώριση βίας. Μη επιτηρούμενα συστήματα παρακολούθησης θα μπορούσαν να αναγνωρίζουν βίαιες ενέργειες ώστε να προσελκύουν γρήγορα την ανθρώπινη προσοχή, αλλά και να ενεργοποιούν συμπληρωματικές ενέργειες: να επισημαίνουν το βίντεο για μακροχρόνια διατήρηση και να εξασφαλίζουν ότι η καταγραφή όντως πραγματοποιείται, μεταξύ άλλων μέτρων.
Μια σκηνοθετημένη, όχι πραγματική, δοκιμή συστήματος ανίχνευσης βίας της IVS. Πηγή
Σύμφωνα με νέα έρευνα του University of Alabama, η μέχρι σήμερα βιβλιογραφία έχει επικεντρωθεί στην αναγνώριση της βίας όταν αυτή ήδη συμβαίνει. Στη νέα εργασία οι ερευνητές εκπαίδευσαν ένα μοντέλο μόνο σε βίντεο πριν από ένα βίαιο γεγονός, ή χωρίς επακόλουθο γεγονός για στατιστική ισορροπία. Σκοπός ήταν να εξετάσουν αν υπάρχουν επαναλαμβανόμενα, εκμάθησιμα «προ της βίας» χαρακτηριστικά: εδώ, ένας συνδυασμός σωματικής κίνησης, έκφρασης προσώπου και ήχου, που θα μπορούσε να δίνει προγνωστικό σήμα για βίαιη ενέργεια, αντί απλώς να αντιδρά αφού αυτή συμβεί.

Παραδείγματα «επικίνδυνων» ακολουθιών πριν από περιστατικό από τη μελέτη «Μπορούμε να προλάβουμε τη βία; Πολυτροπική μάθηση από συμπεριφορικές ενδείξεις πριν από το περιστατικό», σε τέσσερα διαδοχικά καρέ. Το σύστημα παρακολουθεί τις αρθρώσεις και την κίνηση στον χρόνο, αναζητώντας αλλαγές στη στάση, την ταχύτητα και τα μοτίβα αλληλεπίδρασης που μπορεί να διακρίνουν καταστάσεις κλιμάκωσης πριν γίνει ορατή η ίδια η βία. Πηγή
Φυσικά, μια τέτοια εργασία είναι πιθανό να προκαλέσει ανησυχία αν αναπτυχθεί περαιτέρω ή εφαρμοστεί. Όπως έχω επισημάνει παλαιότερα, έργα μυθοπλασίας όπως η τηλεοπτική σειρά Person of Interest και η ταινία επιστημονικής φαντασίας και δράσης του 2002 Minority Report, μαζί με πολλά παρόμοια έργα, έχουν αποτυπώσει διαδεδομένους φόβους για προγνωστικές τεχνολογίες στα χέρια της αστυνομίας ή ρυθμιστικών αρχών.
Προς το παρόν, όσον αφορά την πρόβλεψη βίαιης δράσης από σήματα του σώματος, του προσώπου και του ήχου — αντί για παράγοντες όπως το πλαίσιο, η ώρα, η τοποθεσία ή ιστορικά στοιχεία εγκληματικότητας — το ζήτημα είναι κυρίως θεωρητικό: σύμφωνα με τους συγγραφείς της νέας εργασίας, πρόκειται για πολύ πρόσφατη ερευνητική κατεύθυνση.
Στις δοκιμές οι ερευνητές συνέκριναν την εμφάνιση του προσώπου, τον ήχο και τις ενδείξεις σωματικής κίνησης χωριστά και σε συνδυασμό, χρησιμοποιώντας τρεις διαφορετικές βασικές οπτικές αρχιτεκτονικές. Τα ισχυρότερα αποτελέσματα προέκυψαν όταν συνδυάστηκαν και τα τρία σήματα, κάτι που υποδηλώνει ότι η προγνωστική επίδραση δεν οφειλόταν σε έναν μόνο τύπο ένδειξης:
«Η καλύτερη διαμόρφωση, Deit-Tiny με ήχο, εμφάνιση προσώπου και κίνηση, επιτυγχάνει ακρίβεια 91,21%, ισορροπημένη ακρίβεια 88,96%, βαθμολογία F1 93,65% και ROC-AUC 96,38% στο σύνολο δοκιμής που είχε κρατηθεί χωριστά.
«Τα αποτελέσματα υποδηλώνουν ότι συμπληρωματικές ενδείξεις εμφάνισης, ακουστικής και κινηματικής παρέχουν χρήσιμα στοιχεία για την αναγνώριση αυξημένου κινδύνου πριν από ένα περιστατικό».
Προσέγγιση
Το σύνολο δεδομένων που επιμελήθηκαν για τη μελέτη προέρχεται από τη συλλογή XD-Violence και περιλαμβάνει την από κοινού επεξεργασία τριών τροπικοτήτων: εμφάνιση προσώπου, ήχο και κίνηση που εξάγεται από εκτίμηση στάσης:

Η αλυσίδα επεξεργασίας της μελέτης. Κάθε απόσπασμα επισημαίνεται με επίπεδο κινδύνου, το οποίο περιορίζεται σε «χωρίς κίνδυνο» ή «επικίνδυνο», και έπειτα τα αποσπάσματα χωρίζονται σε σύνολα εκπαίδευσης, επικύρωσης και δοκιμής. Αναλύονται έως τέσσερα δευτερόλεπτα βίντεο σε τρεις κλάδους: εμφάνιση προσώπου στα καρέ, ήχος που μετατρέπεται σε φασματογράφημα και σωματική κίνηση που προκύπτει από παρακολουθούμενα σημεία-κλειδιά, όπως η ταχύτητα και η επιτάχυνση. Τα χαρακτηριστικά προσώπου, ήχου και κίνησης συνδυάζονται σε μία αναπαράσταση και περνούν σε τελικό ταξινομητή, ο οποίος αποδίδει πιθανότητες για το αν το απόσπασμα είναι χωρίς κίνδυνο ή επικίνδυνο.
Το επιμελημένο σύνολο που προέκυψε περιείχε 443 αποσπάσματα πριν από περιστατικά. Θα επανέλθουμε σε αυτόν τον αριθμό στο τέλος του άρθρου.
Όπως αναφέρει η εργασία, τα βίντεο από τη συλλογή XD-Violence επιλέχθηκαν ως κατάλληλα για την ανθρωποκεντρική ανάλυση που επιδίωκε το έργο. Αντίθετα, πολλές παρόμοιες προηγούμενες προσεγγίσεις είχαν εστιάσει στο σύνολο της σκηνής ως προγνωστικό πλαίσιο.
Τα αποσπάσματα δεν ξεπερνούσαν τα τέσσερα δευτερόλεπτα και δειγματοληπτούνταν στα 8 καρέ ανά δευτερόλεπτο. Ένας μονοστρωματικός Transformer με οκτώ κεφαλές προσοχής συνένωνε τα 32 καρέ που προέκυπταν, ενώ εκπαιδευμένες ενσωματώσεις θέσης διατηρούσαν τη σειρά τους. Η βασική αρχιτεκτονική παρέμενε παγωμένη κατά την πολυτροπική εκπαίδευση, ώστε να αποφευχθεί η υπερπροσαρμογή.
Παραδείγματα χαρτών ενεργοποίησης, μεταξύ άλλων με εικόνες προσώπων, εμφανίζονται νωρίτερα στο άρθρο για τις «επικίνδυνες» ενεργοποιήσεις και παρακάτω για δείγματα χωρίς κίνδυνο:

Παραδείγματα χωρίς κίνδυνο από τον κλάδο ανάλυσης προσώπου της μελέτης, συμπληρωματικά προς τα προηγούμενα παραδείγματα επικίνδυνης κίνησης. Αριστερά εμφανίζεται η αρχική περικοπή του προσώπου και ακολουθούν χάρτες ενεργοποίησης από ολοένα βαθύτερα στρώματα του οπτικού μοντέλου DeiT-Tiny. Οι θερμότερες περιοχές δείχνουν ισχυρότερες αποκρίσεις χαρακτηριστικών, αποτυπώνοντας πώς η προσοχή του μοντέλου μετατοπίζεται και γίνεται πιο αφηρημένη καθώς η εικόνα διασχίζει το δίκτυο.
Τα ηχητικά στοιχεία του αρχικού αποσπάσματος επαναδειγματοληπτήθηκαν στα 16 kHz, κανονικοποιήθηκαν και ευθυγραμμίστηκαν με το αντίστοιχο οπτικό χρονικό παράθυρο. Έπειτα μετατράπηκαν σε τυποποιημένα φασματογραφήματα λογαριθμικού μέτρου μέσω βραχυχρόνιου μετασχηματισμού Fourier 512 σημείων και ενός παραθύρου Hann 400 δειγμάτων:

Σύγκριση μέσων ηχητικών μοτίβων σε φυσιολογικά και επικίνδυνα αποσπάσματα πριν από περιστατικό. Η επάνω σειρά δείχνει φυσιολογικά αποσπάσματα και η κάτω επικίνδυνα, από την αρχική κυματομορφή και το φασματογράφημα έως χαρακτηριστικά που μαθαίνονται σε τρία διαδοχικά βάθη του δικτύου. Τα επικίνδυνα αποσπάσματα παρουσιάζουν μεγαλύτερη μεταβολή στον χρόνο, μεταξύ άλλων αυξημένη ακουστική δραστηριότητα προς το τέλος του παραθύρου των τεσσάρων δευτερολέπτων. Το δίκτυο μετατρέπει σταδιακά αυτές τις διαφορές σε χαρακτηριστικά ανώτερου επιπέδου.
Για τη συνιστώσα κίνησης, οι κινήσεις του σώματος περιορίστηκαν σε αριθμητικούς περιγραφείς που εξάγονταν από σημεία-κλειδιά COCO-17, ανιχνευμένα από έναν εκτιμητή στάσης YOLO.
Υπολογίστηκαν δώδεκα μετρήσεις, όπως μέση και μέγιστη ταχύτητα, επιτάχυνση και ρυθμός μεταβολής της επιτάχυνσης, διακύμανση της ταχύτητας, ταχύτητες καρπών και αστραγάλων και συνολική ενέργεια κίνησης. Οι τιμές κανονικοποιήθηκαν ως προς το μέγεθος του σώματος, ώστε τα μεγαλόσωμα άτομα να μην καταγράφονται αυτόματα ως περισσότερο κινητικά. Επιπλέον συνδυάστηκαν μετρήσεις πολλών ατόμων στο ίδιο απόσπασμα.
Μετά την τυποποίηση βάσει των δεδομένων εκπαίδευσης, τα χαρακτηριστικά κίνησης επεκτάθηκαν σε αναπαράσταση 64 διαστάσεων και πέρασαν από χρονικό Transformer. Έτσι οι μεταβολές της κίνησης στο απόσπασμα μπορούσαν να εξεταστούν ως ακολουθία αντί για μεμονωμένα καρέ.
Τα τρία ρεύματα συγχωνεύτηκαν σε μία αναπαράσταση, με την εμφάνιση του προσώπου να καταλαμβάνει το μεγαλύτερο μερίδιο, ακολουθούμενη από τον ήχο και την κίνηση. Μετά από κανονικοποίηση και dropout, ένας τελικός ταξινομητής μετέτρεψε τη συνδυασμένη αναπαράσταση σε πιθανότητες για «φυσιολογικό» και «επικίνδυνο», με όριο το 0,5.
Για το ρεύμα εμφάνισης προσώπου χρησιμοποιήθηκαν τρεις βασικές αρχιτεκτονικές προεκπαιδευμένες στο ImageNet: Swin-Tiny, ViT-Tiny και DeiT-Tiny.
Δοκιμές
Για τις δοκιμές τα αποσπάσματα έλαβαν χειροκίνητα μία από τέσσερις ετικέτες βάσει ορατής συμπεριφοράς, κίνησης και ήχου: Χωρίς κίνδυνο, Χαμηλός κίνδυνος, Μέτριος κίνδυνος ή Υψηλός κίνδυνος. Για την τελική δυαδική εργασία οι τρεις κατηγορίες κινδύνου ομαδοποιήθηκαν ως «επικίνδυνες», ενώ η κατηγορία Χωρίς κίνδυνο έγινε «φυσιολογική». Για να περιοριστεί η διαρροή δεδομένων μεταξύ εκπαίδευσης και αξιολόγησης, αποσπάσματα από το ίδιο αρχικό βίντεο παρέμειναν στο ίδιο τμήμα του συνόλου δεδομένων.
Το ίδιο το βίαιο περιστατικό αφαιρέθηκε από κάθε επικίνδυνο απόσπασμα, αφήνοντας μόνο την προηγούμενη συμπεριφορά για να την κρίνει το μοντέλο:

Αποτελέσματα στο σύνολο δοκιμής που δείχνουν πώς μεταβάλλεται η απόδοση όταν η εμφάνιση προσώπου, ο ήχος και η κίνηση χρησιμοποιούνται χωριστά ή συνδυαστικά στις τρεις οπτικές αρχιτεκτονικές. Τα πειράματα αφαίρεσης συνιστωσών απομονώνουν τη συμβολή κάθε ρεύματος εισόδου. Υψηλότερες βαθμολογίες σημαίνουν καλύτερη απόδοση, ενώ οι έντονες τιμές δηλώνουν το καλύτερο αποτέλεσμα ανά μετρική.
Όπως αναφέρθηκε, το ισχυρότερο συνολικό αποτέλεσμα προήλθε από το DeiT-Tiny με συνδυασμό και των τριών τροπικοτήτων. Τα πειράματα αφαίρεσης συνιστωσών διευκρινίζουν τη συμβολή κάθε ρεύματος: η εμφάνιση προσώπου ήταν ήδη ισχυρός προγνωστικός παράγοντας από μόνη της, ενώ η κίνηση απέδωσε μέτρια και ο ήχος ήταν αισθητά ασθενέστερος όταν χρησιμοποιούνταν μόνος του.
Τα καλύτερα αποτελέσματα επιτεύχθηκαν όταν συνδυάστηκαν πληροφορίες προσώπου, ήχου και κίνησης, δείχνοντας ότι και τα ασθενέστερα ρεύματα πρόσθεταν χρήσιμες συμπληρωματικές πληροφορίες στο οπτικό σήμα.
Παρότι το μοντέλο εκπαιδεύτηκε μόνο να διακρίνει το «φυσιολογικό» από το «επικίνδυνο», οι έξοδοί του συγκρίθηκαν και με τις αρχικές ετικέτες τεσσάρων επιπέδων: Χωρίς κίνδυνο, Χαμηλός κίνδυνος, Μέτριος κίνδυνος και Υψηλός κίνδυνος. Όπως φαίνεται παρακάτω, ο προβλεπόμενος κίνδυνος γενικά αυξάνεται σύμφωνα με αυτές τις κατηγορίες στα σύνολα εκπαίδευσης, επικύρωσης και δοκιμής:

Προβλεπόμενες βαθμολογίες κινδύνου στις τέσσερις αρχικές κατηγορίες. Παρότι το μοντέλο εκπαιδεύτηκε μόνο να χωρίζει τα φυσιολογικά από τα επικίνδυνα αποσπάσματα, οι βαθμολογίες γενικά αυξάνονται από το Χωρίς κίνδυνο έως το Υψηλός κίνδυνος στα σύνολα εκπαίδευσης, επικύρωσης και δοκιμής. Η διακεκομμένη γραμμή σημειώνει το όριο απόφασης 0,50.
Οι συγγραφείς σχολιάζουν:
«Αυτό το αποτέλεσμα είναι σημαντικό επειδή το μοντέλο δεν εκπαιδεύεται ποτέ ρητά να διαχωρίζει χαμηλό, μέτριο και υψηλό κίνδυνο. Παρ’ όλα αυτά, οι προβλέψεις του ακολουθούν τη διαβάθμιση των αρχικών επιπέδων κινδύνου.
«Αυτό υποδηλώνει ότι το μοντέλο συλλαμβάνει ουσιαστικές αλλαγές στη συμπεριφορά πριν από ένα περιστατικό, αντί να μαθαίνει απλώς ένα όριο μεταξύ φυσιολογικού και επικίνδυνου. Το αποτέλεσμα παρέχει επίσης στοιχεία ότι χρήσιμες συμπεριφορικές ενδείξεις μπορούν να εμφανίζονται πριν αρχίσει το επισημασμένο περιστατικό».
Και καταλήγουν:
«Τα ευρήματα υποδηλώνουν ότι χρήσιμες διακριτικές πληροφορίες μπορεί να υπάρχουν στην περίοδο πριν από ένα περιστατικό. Αναδεικνύουν έτσι τη δυνατότητα επέκτασης της ανάλυσης της βίας πέρα από τον εντοπισμό γεγονότων που ήδη συμβαίνουν, προς την πρωιμότερη αναγνώριση κινδύνου».
Συμπέρασμα
Βρήκαν όντως οι ερευνητές έναν συνδυασμό χαρακτηριστικών «πριν από τη βία»; Με μόλις 443 αποσπάσματα στα πειράματα, η υπερπροσαρμογή αποτελεί σημαντικό κίνδυνο, στον οποίο τα πολυτροπικά μοντέλα και οι προεκπαιδευμένες οπτικές αρχιτεκτονικές είναι ιδιαίτερα ευάλωτα. Η μελέτη τον μετριάζει εν μέρει παγώνοντας την οπτική αρχιτεκτονική, διαχωρίζοντας τα αρχικά βίντεο μεταξύ εκπαίδευσης, επικύρωσης και δοκιμής και εξετάζοντας πολλούς συνδυασμούς τροπικοτήτων.
Η ισχυρή απόδοση σε μικρό σύνολο δεδομένων δεν αποδεικνύει ότι το υποκείμενο μοτίβο είναι προφανές ή καν υπαρκτό. Μπορεί να αντανακλά ενδείξεις ειδικές για το σύνολο δεδομένων, μεροληψία επισημάνσεων, διαρροή πληροφοριών από τις πηγές που δεν αντιμετωπίστηκε με τον διαχωρισμό ή ένα ασυνήθιστα εύκολο σύνολο δοκιμής.
Ωστόσο, προς το παρόν το αποτέλεσμα είναι ενδιαφέρον ακριβώς επειδή το σύνολο δεδομένων είναι τόσο μικρό και φαίνεται να έχει υπάρξει επαρκής προστασία από την υπερπροσαρμογή. Τα ευρήματα θα έπρεπε πάντως να αναπαραχθούν σε μεγαλύτερο σύνολο δεδομένων προτού το μαθημένο μοτίβο θεωρηθεί «ανθεκτικό».
Πρώτη δημοσίευση την Πέμπτη 1 Οκτωβρίου 2026












