IA treina para não confundir tiro com barulho de saco plástico estourando

Pesquisadores da Florida Atlantic University (FAU), nos EUA, fizeram um estudo experimental que contesta a confiabilidade de sistemas acústicos usados para detectar tiros. Esses dispositivos utilizam inteligência artificial (IA) para identificar sons específicos produzidos por disparos de armas de fogo.

• Tecnologia autônoma que identifica tiros erra e faz homem ser preso injustamente
• Minority Report real: sistema de IA para prever crimes falha no Reino Unido

Os cientistas desenvolveram um novo conjunto de dados contendo gravações de áudio com características semelhantes a estampidos — como sacos plásticos sendo estourados em condições e ambientes variados — para provar que modelos mal treinados, quase sempre, geram uma resposta equivocada.

“A capacidade de um modelo de discernir corretamente os sons, mesmo nos cenários mais sutis e abrangentes, diferenciará um sistema bem treinado de outro não muito eficiente, capaz de produzir resultados falhos e, consequentemente, prejudicar a obtenção de dados precisos”, explica o professor de engenharia elétrica Hanqi Zhuang, coautor do estudo.

Parece tiro

Para treinar o modelo de detecção, os pesquisadores levaram em conta o tamanho dos sacos plásticos que seriam estourados e a distância de cada um deles dos microfones usados na gravação. Eles também desenvolveram um algoritmo de classificação baseado em uma rede neural convolucional para ajudar na coleta dos dados.

Essas informações foram usadas em conjunto com sons de tiros reais para ensinar o modelo a diferenciar o barulho de um saco plástico estourando do ruído causado por disparos de verdade. Os resultados mostraram que 75% dos estouros de sacolas plásticas foram confundidos com o barulho de tiros.

A partir do momento em que as gravações do estalo dos sacos plásticos foram inseridas no sistema de treinamento da inteligência artificial, o modelo de classificação da rede neural convolucional passou a identificar os barulhos dos disparos reais com uma precisão muito maior.

“Os humanos usam dados sensoriais adicionais e experiências anteriores para identificar sons. Os computadores, por outro lado, são treinados para decifrar informações que muitas vezes são irrelevantes ou imperceptíveis para nossos ouvidos. Por isso, utilizamos diferentes ambientes para dar ao algoritmo um senso mais apurado de percepção sonora”, acrescenta Zhuang.

Na prática

Durante os testes, os cientistas gravaram sons de tiro em locais internos e externos onde os disparos geralmente costumam ocorrer. Eles também usaram áudios de cachorros latindo, crianças brincando, buzinas de carro, sirenes e outros barulhos urbanos para confundir a inteligência artificial.

O experimento mostrou que quanto maior é a diversidade de sons dentro de um sistema de treinamento de rede neural convolucional, maior é a probabilidade do algoritmo rejeitar um barulho semelhante e detectar um ruído de tiro real com precisão, reduzindo a taxa de falsos positivos.

Em agosto de 2020, um homem foi falsamente acusado de assassinato nos Estados Unidos por causa da falha de um sistema de inteligência artificial usado na identificação de tiros. Ele passou um ano na cadeia até que seus advogados provassem que o ShotSpotter não é 100% confiável.

Quando detecta o som de um possível disparo, o sistema criado para monitorar regiões violentas mapeia o local usando geolocalização sonora e envia um alerta às autoridades. O problema é que ficou provado que o dispositivo pode ser enganado por fogos de artifício e até por escapamentos barulhentos de carros antigos.

“A alta porcentagem de classificação incorreta indica que é muito difícil para um modelo de classificação discernir sons parecidos com tiros de verdade. Este conjunto de dados que obtivemos agora é um passo importante para melhorar a segurança pública geral ao empregar força policial apenas quando necessário”, encerra o aluno de engenharia da computação Rajesh Baliram Singh, autor principal do estudo.

Fonte: Florida Atlantic University