La premisa técnica de estos lentes es bastante sencilla. Las anti-procastinación cuentan con una cámara alojada en el marco. Utilizando Machine Learning, ella identifica qué es lo que estás mirando: una pantalla, un libro a tus gatos durmiendo… estos datos luego son enviados a una AI que comienza a mostrar información y analizar qué es lo que estás viendo y de qué manera estás distribuyendo tu tiempo.

El primer uso para esta información es que le indica al usuario de qué manera está utilizando su tiempo. La información es presentada a través de gráficos que, por ejemplo cuanto tiempo pasas alejado de tu escritorio o cuánto pasas en él pero distraído en otras actividades como ver videos. Otra modalidad con la que cuenta es con espacios de ‘enfoque’ que te permiten crear sesiones para momentos en los que necesitad concentrarte en ciertas actividades. Incluso cuenta con un modo ‘extremo’ en el que los lentes te avisarán cuando estés mirando el lugar incorrectos a través de ruidos o luces sutiles.

Te puede interesar: Esta AI recreó los partidos de Wimbledon 2020

Por supuesto, en el papel suena como una solución para la procastinación, pero en otras ocasiones puede representar un problema. En algunos casos yo paso horas enteras editando videos de videojuegos o tráileres ¿Pueden las gafas entender qué estoy haciendo mi trabajo en vez de disfrutando de un momento de flojera? ¿Cómo distingue el estar viendo un tutorial de YouTube de una de esas maratones de procastinación?

Las respuestas de los creadores de las ‘gafas anti-procastinación’ es que… realmente no lo puede hacer. Las gafas pueden distinguir actividades como leer, escribir, mirar su teléfono, su computadora portátil, mirar televisión, hacer ejercicio en el gimnasio, hacer yoga, cocinar, tocar un instrumento, comer y conversar con otras personas. No está pensada para distinguir actividades más vagas como estar frente a una pantalla trabajando o viendo videos (en especial cuando ambas acciones pueden ser muy similares).

Imágenes: Indigogo

La investigación primer creo una base de datos de los jugadores y torneos, tomando material grabado. Luego, entrenaron a una AI para que esta tradujera los datos en las maneras en las que ciertos profesionales se comportarían al estar frente a frente en la cancha. Esto significa que la inteligencia artificial creó modelos que simulaban las estrategias, hábitos y comportamientos de los jugadores. Por ejemplo, como anota su investigación, la computadora toma en cuenta elementos como que Djokovic suele apuntar al lado más débil de su contrincante. Otro elemento que toma en cuenta es la manera en la que los deportistas se ubican al momento en el que la otra persona está a punto de devolver la pelota.

Te puede interesar: Estas gafas con AI ayudan a joven colombiana a mejorar su visión

Otro elemento que los investigadores destacan de su simulación es que determina cómo puede afectar un partido el que solo uno de los golpes dé en un lugar diferente al planeado. Para el grupo uno de los elementos más prácticos de su AI es que incluso permite organizar las ubicaciones y recuperaciones de los jugadores, de manera que permite estudiar muchos más escenarios.

Lo más interesante de este experimento está en que le permitió al equipo crear ‘partidos de fantasía’ ¿Cómo sería un encuentro entre Roger Federer y Serena Williams? Mejo, como vemos en el video de arriba ¿Cómo es un partido entre Federer y Federer?

Por supuesto, como remplazo para Wimbledon todavía le falta bastante. La simulación está lejos de ser perfecta en términos visuales. Hay cambios de luz, las figuras no producen sombras y los movimientos de todos los jugadores se sienten sin el momentum que tienen los partidos de Tenis, así como los espectadores y jueces son figuras decorativas. Pero incluso con estas fallas, se trata de un sistema novedoso que utiliza la inteligencia artificial que, además de permitir ver encuentros imposibles, puede tener aplicaciones muy interesantes para el mundo del tenis.

Imágenes: capturas de pantalla

El estudio, que hace parte de un esfuerzo conjunto entre la Universidad George Washington, Temple University y el grupo de investigación de Adobe, quiere ayudar a la policía y grupos internacionales que luchan contra la trata de blancas a identificar los hoteles y rutas comunes que usan los delincuentes.

“Reconocer una habitación de un hotel es importante cuando se trata de tráfico de humanos. Las imágenes, que algunas veces son puestas en la Internet profunda o a plena vista en publicidad en Internet, son hechas en hoteles y, por lo tanto, reconocer dónde y cómo se mueven los traficantes es importante”, escribió uno de los investigadores en el documento publicado en una base de datos universitaria.

‘Hotels-50k’, una base de datos contra el tráfico de personas

La base de datos, que los investigadores llamaron ‘Hotel-50k’, es una recopilación de imágenes entre sitios web de hoteles, reservas digitales y las imágenes que hacen parte de TraffickCam. Esta última es una aplicación creada para que los turistas tomen fotos desde sus celulares de los hoteles en los que se quedan alrededor del mundo, precisamente para ayudar en la investigación de tráfico de personas.

Las imágenes tomadas desde Trafickcam fueron importantes para la investigación porque están tomadas en ángulos y calidad similar a la que toman los traficantes, mientras que las de sitios de reservas están hechas con cámaras profesionales. Así mismo, en la base de datos no se incluyeron imágenes de tráfico de personas, por lo que se usaron máscaras o gráficos generados por computador para simularlas y enseñarle al sistema a reconocer solo las características del cuarto del hotel y no centrase en la persona, explica el portal Gizmodo.

De acuerdo con los investigadores, se hicieron pruebas con el sistema y se obtuvo un 80% de resultados afirmativos reconociendo cadenas hoteleras. Sin embargo, el sistema aún tiene problemas. De 100 pruebas, solo 24 veces logró reconocer exactamente el hotel.

Imagen: Bottlein (Vía Pixabay).