UiB Mixmaster

ShapeLab - eit anbefalingssystem basert på kroppstype

Av Johanne Ågotnes

 

ShapeLab ein kjapp, enkel og billig måte å få råd om ulike snitt og klesplagg. Basert på videoinput foreslår den ein stilprofil for brukaren. I framtida kan ein sjå for seg at tenesten leverer skreddarsydde garderobar.

“When you look good, you feel good. Confidence with what you're wearing is very important. If you feel good, you will always perform your best without worrying about anything,” sa tennisstjerna Maria Sharapova til CNN (Gittings, 2012). Det å finne klede ein føler seg vel i kan vere ei utfordring for mange; det finst ein jungel av valgmulegheiter, og jungelen vert berre større og større. Marknadsføring av klede, merker og butikkar møter deg kvar dag, anten det er på nett, plakatar eller TV, og det kan vere svært vanskeleg å vite kva ein burde kjøpe for å sjå bra ut og føle seg vel, spesielt når det kjem til E-handel, som er i stadig vekst.

Mary Spillane, som er ekspert innan blant anna mote, ytelsesforbetring og personleg branding, beskriv i boka The Complete Style Guide korleis kroppsform kan ha mykje å seie for kva typar snitt/klede og tilbehør ein burde kle seg i for å fremheve og komplementere din kroppstypes gode trekk. I følge Spillane finst det sju kroppstypar, og kroppstypen vert bestemt ut i frå eit sett med steg som involverer å studere eigen kropp frå ulike perspektiv. Deretter kjem ho med eit sett med råd og anbefalingar om ulike snitt og klesplagg (Spillane, s. 68-79). Det fins også fleire artiklar og appar som har dette formålet, som brukar samme generelle framgangsmåte og anbefalingar som Mary Spillane.

kroppstyper.jpg

Dette vart inspirasjonen til ShapeLab; eg ville, ved hjelp av kunstig intelligens, “teknologifisere” dagens løysing, og gjere denne prosessen kjapp, enkel og ikkje minst nøyaktig. Ved å bruke datasyn og ein matematisk formel, var målet å lage ein prototype for ein lett tilgjengeleg app som gir brukaren ei tilbakemelding med råd og anbefalingar umiddelbart ved å bruke eit bilete av brukarens kropp som ho sjølv legg inn i appen. Eit mål var også å gjere appen meir sikker enn dagens løysing; når ein brukar sjølv må vurdere sin kropp og ta val når det kjem til eigne trekk, kan ein nok seie at det fins rom for feil.

Prototypen for ShapeLab’s teknologi er basert på eit skript som brukar informasjon frå eit bilete (datasyn) for å determinere lengde og hødge på ulike objekt i biletet. Brukaren tek eit bilete av kroppen sin, midje-, byste- og hoftemål vert identifisert og målt, og applikasjonen brukar ein formel utvikla av Karen Brunger for å bestemme kroppstype. Resultatet av utrekninga vert samanlikna med eit sett kriterier for kroppstypar.

Midje ÷ byste x 100% = midjeprosent

Hofte ÷ byste x 100% = hofteprosent

 

size_of_objects_example_02.gif

Brukaren får deretter ei oversikt med informasjon om kroppstypen hennar, som inkluderer generelle tips og råd brukaren burde tenke på når ho kler seg og kvifor, samt ei meir detaljert oversikt over kva som passar til hennar kroppstype, plagg for plagg. Desse anbefalingane er basert på eit utval råd og anbefalingar henta frå boka til Mary Spillane samt artiklar på nett. ShapeLab er i dag ikkje ein fungerande prototype, på grunn av tekniske og tidsmessige begrensningar. Det ville vert spanande å sjå om ein slik AI-teknologi kan fungere, og kva for fordelar og ulempar den kan bringe med seg. Det er også interessant å tenke seg kor intelligent ein kan gjere ein slik teknologi, samtidig som den er etisk forsvarleg.

resultat.png
stilprofil.png

Programmering og verktøy

Programvaren består av bitar av kode frå fleire forskjellige programmeringsspråk, og dei eg har brukt mest er Python og JavaScript. Eg har óg brukt HTML5 og CSS til design av grensesnittet. OpenCV er óg ein ressurs som har vore til stor hjelp i utviklinga. OpenCV (Open Source Computer Vision Library) er eit software-bibliotek med åpen kildekode til bruk av datasyn og deep learning. Det betyr at kven som helst kan gå inn der og hente ut, modifisere og bruke kode. Biblioteket består av meir enn 2500 optimaliserte algoritmar, som ein kan bruke til å oppdage og kjenne igjen ansikt, identifiserte objekt, klassifisere menneskelege handlingar i videoar og mykje meir. Eg har også nytta API’ar frå Face++. Ein API, eller programmeringsgrensesnitt, er “eit grensenitt i ei programvare som gjer at spesifikke delar av denne kan aktiverast (“kjørast”) frå ei anna programvare. Det betyr at svært enkle applikasjonar (ofte webapplikasjonar) kan gjere endringar, kjøre prosessar eller på annan måte behandle data i ei større kontekst” (Wikipedia 2017). API’en som har vore til mest hjelp har vore Face++ sin Body Outlining-API, som kjenner igjen ein kropp, og som gir tilbake ei bildefil der berre konturane av kroppen er synlege. Per i dag er prototypen ikkje funksjonell: Det som er “ferdig” med ShapeLab er designet og litt funksjonalitet, mens sjølve AI-krafta ikkje er implementert. Grunnen til dette er at det vart vanskeleg å koble alle elementa ein AI krevjer saman med kvarandre for å få det til å fungere som eitt. Allikevel har eg alle komponentane eg treng for eventuell vidareutvikling klare. Derfor er ShapeLab enda berre ein demonstrasjon av konseptet.

 

Ei utforsking av kunstig intelligens og maskinetikk

Kunstig intelligens er eit heftig diskutert tema, og eit område som er i stadig utvikling og vekst. Dei siste åra har det blitt gjort store framskritt innan for eksempel ansikstgjenkjenning og autonome bilar, og AI kjem nok til å ta større og større del i kvardagen vår i åra som kjem. På grunn av dette er det viktig å tenke på kva for etiske problemstillingar som møter oss jo meir intelligent og ansvarleg teknologien utviklar seg til å bli. Hausten 2017 drøfta eg i mi eksamensoppgåve i MIX301 korleis ein teknologi som ShapeLab kan vere etisk forsvarleg jo høgare opp den stig i AI-grad. Det følgande er ei kort oppsummering av den viktigaste drøftinga gjort i denne oppgåva.

AI-forskar Arend Hintze deler kunstig intelligens inn i fire typar: Type I AI: Reactive machines, Type II AI: Limited memory, Type III AI: Theory of mind og Type IV AI: Self-awareness, kor type 1 er minst intelligent og uavhengig og type 4 er mest intelligent og uavhengig (Hintze 2016).

 

ShapeLab 1.0 - ei reaktiv maskin

Dagens versjon av ShapeLab er eit eksempel på ei reaktiv maskin; den har ikkje evna til å skape minner eller bruke tidlegare erfaringar til å påvirke beslutningar. Den har ikkje eit internt omgrep om kva verda er, og kan ikkje delta i omverda på ein interaktiv måte. Ei stor etisk problemstilling ved ShapeLab på dette stadiet, er at den jobbar ut i frå informasjon menneske har lagt inn. Kor påliteleg er denne informasjonen? Menneskeleg svikt skjer heile tida, og den/dei som bestemmer kva for data og informasjon som skal inngå i både teknologiens oppbygging og anbefalingane som blir gitt til brukaren har eit stort ansvar. Ein kan også stille spørsmål om kor påliteleg Karen Brunger’s formel er; tar den høyde for for eksempel misformingar/handikap ein person kan ha? Ved å konseptuelt videreutvikle ShapeLab, vil eg sjå på korleis høgare grad av AI kan løyse og skape etiske problemstillingar.

 

ShapeLab 2.0 - Limited memory

Det neste steget i Hintze’s nivå av AI er type 2-maskiner: Desse maskinene kan “sjå fortida”. Dei jobbar basert på prinsippet om begrensa minne, og brukar både pre-programmert kunnskap og observasjoner gjort over tid for å ta informerte beslutningar. ShapeLab 2.0 kunne med denne graden av AI samanlikna bilete av tusenvis av brukarar sin kropp for å gjere ei beslutning av kroppstype, ein prosess som vil likne meir på den menneskelege kognitive prosessen. Ein kunne også tenke seg at teknologien på dette nivået kan chatte med brukaren om kva klede som passar ho, og gjerne klede som vil passe i lag. John Von Neumann viste at mens hjerneprosessering er treg, parallell og med stor bredde, er maskinprosessering kjapp, seriell og med stort fokus. Satosi Watanabe forklarer at menneske evaluerer noko i henhold til eit system av verdier som er ikkje-spesifikt og kvasi-emotivt, mens maskiner evaluerer noko i henhold til spesifikke kriterier. Ein kan seie at et menneske har verdiar mens ei maskin har mål (Dreyfus, s. 185). Dette fortel oss noko om at mens maskiner jobbar heilt målretta med ei oppgåve, jobbar hjernen ut i frå eit større perspektiv, og brukar kunnskap frå andre situasjoner for å løyse ei oppgåve. Er det derfor etisk forsvarleg å gi oppgåva med å velje klede til ei maskin? Om vi vert vande med slike system, hamnar vi då i fallgruva som er å redusere menneskelege oppgåver til kalkulerbare problem? Mange vil nok seie at klede handlar om fri utfoldelse, og om å dyrke sin identitet. Ein kan argumentere for at måten eit individ ønskar å framstå utad er noko ho burde bestemme sjølve, fordi det er noko vi veljer basert på kjensler og tankar om eigen identitet. Sjølvrealisering ligg på toppen av Maslow’s velkjende behovspyramide, og gjennom klede kan ein kanskje dyrke kreativitet og identitet. AI-en kan tukle med denne utfoldelsen og den naturlege måten vi menneske kler oss på.

 

ShapeLab 3.0 - Theory of mind

Denne typen maskiner kan ikkje berre forme representasjonar om verda samt agenter eller einheiter i verda. I psykologi vert dette kalla “theory of mind”, og det er forståinga av at mennesker, skapningar og objekter i verda kan ha tankar og kjensler som kan påvirke oppførselen deira. Om AI-maskiner nokon gong skal gå rundt oss og vere ein del av verda, er det nødvendig at dei forstår at alle har tankar og kjensler om korleis vi forventer å verte behandla, og dei må kunne justere sin oppførsel tilsvarande (Hintze, 2016). ShapeLab 3.0 kunne løyst aspekt ved problema rundt klesval og identitet, ved å sondere alle dei sosiale media brukaren benyttar seg av samt kva ho foretar seg på internett, for å prøve å forme ein representasjon av hennar identitet. Råd og anbefalingar kunne potensielt verte “spot on”. Likevel kan denne typen AI skape fleire etiske problemstillingar. Den viktigaste er nok personvern. At eit program skal ha så mykje informasjon om ein brukar, er i dag ganske uaktuelt for oss. Det er vanskeleg å garantere at informasjonen er trygg, og utan dette løftet er det nok mange som hadde vore skeptisk til å bruke ein slik app. Men, det er kanskje realistisk å seie at med tida vil informasjonssikkerheiten verte betre, og at vi vert meir vande med å bruke AI-teknologiar som har meir og meir innblikk i liva våre. Likevel må vi spørje oss om vi ønsker at dette skal skje. Ønsker vi at AI-maskiner skal lære oss å kjenne, så godt at dei veit kva klede du kjem til å like? Dette er tankar vi må gjere oss opp ein meining om i åra som kjem, då dette nok er problemstillingar som vil vekse i omfang jo lenger i utviklinga av intelligente system vi kjem.

 

ShapeLab 4.0 - sjølvbevisstheit

Dette er det siste steget i utviklinga av AI; å bygge maskiner som kan forme representasjonar om seg sjølve. For å få dette til, må AI-forskarar ikkje berre forstå korleis bevisstheit fungerer, men også bygge maskiner som har det. Dette er ei forlenging av “theory of mind”. Bevisste skapningar er bevisste på seg sjølve og kjenner til sin eigen interne tilstand, samtidig som dei kan forutsjå andre sine kjensler. ShapeLab 4.0 kunne ha vore ein slags “AI-skreddar”, som utfører ei komplett skanning av brukarens kroppstype, fargeprofil og identitet, for deretter å printe ut ein heil garderobe der alle kleda passar saman. Dette vert kalla ein “kapsel”, og er ein samling av essensielle klede som alle kan brukast i lag med kvarandre (Wikipedia 2017). Om du har til dømes åtte overdeler og åtte underdeler, kan du multiplisere dette med kvarandre, og ha så mange kombinasjonar å velje mellom. Brukaren vil dermed få ein skreddarsydd garderobe som er både miljøvenleg og som er personalisert til ho. Om vi tenker oss at dette blir slik alle kjem til å gjere det i framtida, ser vi at dette får fleire konsekvensar; folk vil truleg kaste mykje mindre klede, som er eit stort problem i dag (Revheim, 2016), folk vil bruke mindre plass til klede og det vil vere svært disruptivt for klesindustrien. Etterkvart som befolkninga i verda veks, vert det både meir belastning for miljøet og mindre plass til oss. Satt på spissen kan ein seie at ShapeLab 4.0 er etisk forsvarleg ovanfor heile kloden, ved å minimere behovet for plass og minske sjansane for kasting av klede.

 

Konklusjon

Det fins mykje vi må ta stilling til når det kjem til kunstig intelligens og maskinetikk, om vi ønsker å integrere AI i samfunnet. Vi har enda ikkje klart å lage sjølvbevisste maskiner, men om vi ein dag kjem til dette punktet, er det nødvendig at vi har forberedt oss på dei etiske problema som kan oppstå. I 2015 signerte blant (mange) andre Elon Musk, Steve Wozniak og Stephen Hawkins eit ope brev kor dei ga eit løfte om å drive AI-forskning til det beste for menneskeheita, med fokus på etiske hensyn (futureoflife.org). Dette kan vise seg å vere lettare sagt enn gjort; vi har ei begrensa forståing av kva som er riktig etisk teori. Ikkje berre er folk ueinige om dette emnet, men individer kan óg ha motstridande etiske intuisjonar (Moor, s. 21). Derfor er det også vanskeleg å svare på om det er muleg å lage eit etisk forsvarleg anbefalingssystem basert på kroppstype, då folk har sine eigne tankar om kva som er etisk forsvarleg og ikkje. Kanskje det er nettopp denne koden vi må knekke for å oppnå ekte kunstig intelligens; den autonome vurderinga av etisk riktige val hjernen vår utfører når vi møter eit problem, som vi baserer på blant anna kva vi veit frå tidlegare liknande situasjoner, den noverande situasjonen samt hensyn til korleis andre rundt oss vil reagere på eventuelle val vi tar.

 
 
 

REFERANSE