ΔΡΑΣΗ ΕΝΕΡΓΟΥ ΠΟΛΙΤΗ

Ερωτηματολόγιο (στο οποίο απαντάτε ειλικρινά και ανώνυμα)

ΘΕΜΑ: AI TRAFFIC DANGER PREDICTOR

Πρόβλεψη κινδύνου κυκλοφορίας με χρήση Τεχνητής Νοημοσύνης

Σκοπός: Δημιουργία και εκπαίδευση ενός Νευρωνικού Δικτύου (multi-layer perceptron, MLP) το οποίο θα εκπαιδευτεί με δημόσια δεδομένα, ώστε να μπορεί να προβλέπει την επικινδυνότητα ενός δρόμου, βασιζόμενο όχι σε κάμερες αλλά σε δεδομένα αισθητήρων (τα οποία θα λαμβάνει σε πραγματικό χρόνο).

Ηθική Διάσταση: We want to improve safety, without constantly watching people.

Security vs Freedom (Ασφάλεια έναντι Ελευθερίας)

Technology vs Human Rights (Τεχνολογία έναντι Ανθρωπίνων Δικαιωμάτων)

Efficiency vs Privacy (Αποτελεσματικότητα έναντι Ιδιωτικότητας)

Ρόλοι:

Data Designer: Θα αναζητήσουν δημόσια δεδομένα, θα φιλτράρουν τα δεδομένα και θα αποφασίσουν ποιες πληροφορίες χρειαζόμαστε και μπορούμε να τις έχουμε μέσω αισθητήρων.

AI Model Builder: Θα σχεδιάσουν και θα υλοποιήσουν το νευρωνικό δίκτυο σε Python, χωρίς τη χρήση έτοιμων μοντέλων. Θα το εκπαιδεύσουν με τα δεδομένα που θα συγκεντρώσουν οι Data Designers.

Ethics/Policy Analyst: Θα ασχοληθούν με την ηθική διάσταση του θέματος και θα επιχειρηματολογήσουν. Θα αιτιολογήσουν την χρησιμότητα της ιδέας μας ως δράσης ενεργών πολιτών. Θα αναζητήσουν πραγματικά γεγονότα σχετικά.

Interface Designer: Θα σχεδιάσουν και θα υλοποιήσουν σε Processing ένα γραφικό περιβάλλον προσομοίωσης δρόμου κυκλοφορίας, όπου θα μπορούμε να εισάγουμε δεδομένα αισθητήρων και αφού πάρουμε την εκτίμηση του νευρωνικού δικτύου θα την εμφανίζουμε πίσω στο γραφικό περιβάλλον.

Presenter

ΧΡΗΣΙΜΟ ΥΛΙΚΟ

Data Designers: Αφού είδαμε τα δεδομένα, να καταγράψουμε ποια δεδομένα μπορούμε να έχουμε μέσω αισθητήρων και ποιοι συνδυασμοί τιμών μπορεί να υπάρξουν. Στη συνέχεια, θα δημιουργήσουμε μια κλίμακα επικινδυνότητας, όπου θα εντάξουμε τις διάφορες περιπτώσεις.

Κάποια δεδομένα: 2009, 2015, 2016 - 2017, 2018, 2019 - RTA

Η λογική για την παραγωγή συνθετικών δεδομένων

AI Model Builders: Γράφουμε τον κώδικα για την δημιουργία αρχείων με δεδομένα εκπαίδευσης. Κάθε αρχείο θα έχει 50.000 σενάρια.

Αρχικός Κώδικας για την παραγωγή των δεδομένων

Αρχικός Κώδικας για το νευρωνικό δίκτυο (άλγεβρα 1, 2)

Αρχικός Κώδικας για την εκπαίδευση του νευρωνικού δικτύου (άλγεβρα 3)

Κώδικας για Prediction (με εκπαιδευμένα βάρη)

Κώδικας για επικοινωνία με το User Interface και prediction.

Interface Designer: Aρχικός κώδικας προσομοίωσης σε Processing (python mode)

Αρχική Προσομοίωση (zip)

Κώδικας προσομοίωσης με επικοινωνία προς το νευρωνικό

Ethics/Policy Analysts: Υλικό για την ιδιωτικότητα. Για ποιο λόγο επιλέξαμε αισθητήρες και όχι κάμερες.