Pokémon GO przez lata kojarzyło się przede wszystkim z rozrywką opartą na rzeczywistości rozszerzonej i lokalizacji. Okazuje się jednak, że aktywność graczy miała również inne znaczenie. Zdjęcia i krótkie nagrania przesyłane przez użytkowników stały się częścią ogromnego zbioru danych opisujących rzeczywistą przestrzeń. Dziś rozwiązania rozwijane na jego podstawie znajdują zastosowanie m.in. w nawigacji autonomicznych robotów. Zbiór wykorzystywany przez Niantic Spatial obejmuje około 30 mld obrazów wykonanych na poziomie ulicy. Materiały przedstawiają m.in. publiczne obiekty, skrzyżowania, budynki, witryny i inne elementy przestrzeni miejskiej. Firma wykorzystuje je do rozwijania technologii pozwalającej maszynom lokalizować się i interpretować otaczający je świat.
Od gry mobilnej do ogromnego zbioru danych o świecie
Jednym z mechanizmów pozwalających pozyskiwać informacje o rzeczywistym otoczeniu były skany wykonywane przez użytkowników Pokémon GO. Gracze mogli dobrowolnie przesyłać krótkie materiały przedstawiające określone miejsca i obiekty. Z perspektywy pojedynczego użytkownika wykonanie takiego zadania mogło oznaczać jedynie nagranie fragmentu przestrzeni smartfonem. Z perspektywy systemu analizującego miliony podobnych materiałów sytuacja wygląda zupełnie inaczej. Zgromadzone materiały obejmują publiczne punkty orientacyjne, narożniki ulic, witryny sklepowe i skrzyżowania w największych miastach świata. Niantic Spatial wykorzystuje ten zasób do rozwijania modelu rzeczywistego świata przeznaczonego m.in. dla robotyki. To przykład crowdsourcingu danych – procesu, w którym duża liczba użytkowników poprzez stosunkowo niewielkie działania współtworzy zbiór, którego przygotowanie tradycyjnymi metodami wymagałoby ogromnych zasobów. Wartość nie wynika więc z pojedynczego zdjęcia czy nagrania. Powstaje dopiero wtedy, gdy miliony obserwacji zostaną połączone, uporządkowane i wykorzystane do odwzorowania przestrzeni.
30 miliardów obrazów pomaga uczyć maszyny orientacji w przestrzeni
Niantic Spatial wykorzystuje dane pochodzące od graczy jako materiał treningowy dla modeli pracujących również na innych zbiorach danych. Celem jest rozwiązywanie problemów związanych m.in. z lokalizacją, rekonstrukcją oraz semantycznym rozumieniem przestrzeni. Firma rozwija w tym celu Large Geospatial Model (LGM), czyli duży model geoprzestrzenny. Jego zadaniem jest umożliwienie systemom komputerowym nie tylko rozpoznawania obrazu, ale również rozumienia relacji przestrzennych pomiędzy obserwowanymi elementami. Takie podejście może pozwolić maszynie określić, gdzie się znajduje, w jakim kierunku jest zwrócona i jakie elementy otoczenia znajdują się wokół niej. To zasadnicza różnica między zwykłą bazą fotografii a modelem przestrzennym. Zdjęcie przedstawia miejsce. Model ma natomiast umożliwić maszynie zrozumienie tego miejsca i własnego położenia w jego obrębie.
Visual Positioning System – kiedy obraz uzupełnia GPS
Jedną z technologii rozwijanych przez Niantic Spatial jest Visual Positioning System (VPS). Tradycyjny GPS ustala położenie urządzenia przede wszystkim przy wykorzystaniu sygnałów satelitarnych. W określonych warunkach jego dokładność może jednak spadać. Problem występuje m.in. w gęstej zabudowie miejskiej, gdzie wysokie budynki mogą utrudniać odbiór sygnału. VPS wykorzystuje inne podejście. System analizuje obraz rejestrowany przez kamerę urządzenia i porównuje go z wcześniej zgromadzonymi informacjami dotyczącymi danego miejsca. Rozpoznając charakterystyczne elementy otoczenia, może określić pozycję oraz kierunek, w którym zwrócone jest urządzenie. Takie rozwiązanie ma szczególne znaczenie dla robotów poruszających się w przestrzeni miejskiej, gdzie różnica kilku metrów może zdecydować o tym, czy maszyna odnajdzie właściwe wejście do budynku.
Dane z Pokémon GO pomagają dziś robotom dostawczym
Technologia przestała być wyłącznie eksperymentem związanym z rzeczywistością rozszerzoną. Niantic Spatial współpracuje z Coco Robotics, której autonomiczne roboty realizują dostawy w miastach w Stanach Zjednoczonych i Europie. Flota liczy około tysiąca robotów działających m.in. w Los Angeles, Chicago, Miami, Jersey City i Helsinkach. Technologia Niantic Spatial ma pomagać im dokładniej ustalać położenie, szczególnie w miejscach, w których tradycyjna nawigacja satelitarna napotyka ograniczenia. System analizuje obrazy pochodzące z kamer robota i porównuje je zarówno z publicznie dostępnymi, jak i własnymi zbiorami danych firmy. Na tej podstawie może ustalać globalną pozycję i orientację maszyny. To pokazuje, jak daleko może prowadzić rozwój danych zgromadzonych pierwotnie w ekosystemie gry wykorzystującej rozszerzoną rzeczywistość.
Czy Pokémon GO jest źródłem OSINT?
W tym miejscu konieczne jest ważne rozróżnienie. Dane zgromadzone przez operatora Pokémon GO nie są automatycznie danymi OSINT. OSINT, czyli Open Source Intelligence, polega na pozyskiwaniu i analizowaniu informacji z legalnie dostępnych otwartych źródeł. Mogą to być m.in. rejestry publiczne, strony internetowe, media społecznościowe, publicznie dostępne zdjęcia, materiały wideo czy dane geoprzestrzenne. Jeżeli natomiast zdjęcia i skany zostały przesłane do prywatnej infrastruktury firmy i dostęp do całego zbioru pozostaje ograniczony, nie można traktować takiej bazy jako klasycznego otwartego źródła. Historia Pokémon GO jest jednak bardzo interesująca z perspektywy OSINT, ponieważ pokazuje mechanizm, który ma ogromne znaczenie również w analizie informacji: wartość danych rośnie wraz z możliwością ich łączenia. Pojedyncza fotografia ulicy może przekazywać niewiele informacji. Tysiące fotografii tego samego miejsca wykonanych z różnych perspektyw mogą pozwolić odtworzyć jego strukturę. Miliony takich obserwacji mogą natomiast posłużyć do budowania modeli całych fragmentów rzeczywistego świata.
Od pojedynczej informacji do modelu rzeczywistości
Podobna zasada funkcjonuje w analizie OSINT. Analityk może korzystać z wielu niezależnych źródeł: zdjęć i nagrań publikowanych w mediach społecznościowych, obrazów satelitarnych, map, danych o ruchu, rejestrów publicznych czy archiwalnych materiałów internetowych. Pojedynczy materiał może mieć ograniczoną wartość. Dopiero jego zestawienie z innymi informacjami pozwala zweryfikować lokalizację, czas powstania materiału, zmiany zachodzące w danym miejscu albo związki pomiędzy obserwowanymi zdarzeniami. Mechanizm zastosowany przy budowie systemów przestrzennych Niantic pokazuje tę samą fundamentalną właściwość danych: skala i możliwość agregacji mogą być ważniejsze od wartości pojedynczego rekordu. Różnica polega przede wszystkim na dostępności informacji. Analityk OSINT pracuje na źródłach otwartych, podczas gdy przedsiębiorstwa technologiczne mogą dysponować ogromnymi prywatnymi zbiorami danych niedostępnymi dla zewnętrznych użytkowników.
AI zmienia wartość danych geoprzestrzennych
Rozwój sztucznej inteligencji dodatkowo zwiększa znaczenie takich zbiorów. Dane przestrzenne nie muszą już służyć wyłącznie do tworzenia klasycznej mapy. Modele AI mogą wykorzystywać je do rozpoznawania obiektów, rekonstrukcji przestrzeni, określania położenia urządzenia czy interpretowania relacji pomiędzy elementami otoczenia. Large Geospatial Model jest rozwijany w oparciu o miliardy obrazów z określoną pozycją oraz setki milionów skanów rzeczywistego świata. Model ma wspierać trzy podstawowe zadania: rekonstrukcję przestrzeni jako modeli 3D, lokalizowanie maszyn w tych przestrzeniach oraz semantyczne rozumienie otoczenia.
W praktyce oznacza to przejście od cyfrowej mapy przeznaczonej przede wszystkim dla człowieka do modelu świata, który może być interpretowany przez maszynę.
Dane z aplikacji mogą zyskać wartość, której użytkownik początkowo nie dostrzega
Przypadek Pokémon GO zwraca uwagę również na inne zjawisko: dane zgromadzone w jednym celu mogą z czasem uzyskać zupełnie nowe zastosowania technologiczne i biznesowe. Skany wykorzystywane przy tworzeniu pierwotnego VPS pochodziły od użytkowników, którzy zdecydowali się je wykonać, a udział w tym procesie był dobrowolny. Dane graczy nie są też jedynym źródłem wykorzystywanym do rozwijania obecnego modelu. Coraz większą rolę odgrywają również informacje generowane przez klientów biznesowych. Nie zmienia to jednak szerszego znaczenia tej historii. Zdjęcie wykonane w aplikacji, zapis trasy, informacja o lokalizacji czy krótki skan przestrzeni mogą mieć niewielkie znaczenie dla pojedynczego użytkownika. W odpowiednio dużej skali i po zastosowaniu zaawansowanej analityki mogą jednak stać się częścią infrastruktury wykorzystywanej do rozwijania zupełnie nowych usług.
Pokémon GO pokazuje nowy wymiar analizy danych
Historia Pokémon GO nie jest więc przede wszystkim historią o OSINT. Jest przykładem znacznie szerszego procesu: przekształcania danych generowanych przez użytkowników w modele opisujące fizyczny świat. Z perspektywy analizy informacji jest to szczególnie interesujące. Pokazuje bowiem, że coraz większą przewagę może dawać nie dostęp do jednej wyjątkowej informacji, ale możliwość zgromadzenia, połączenia i przetworzenia ogromnej liczby zwyczajnych obserwacji. Dla OSINT płynie z tego ważna lekcja. Wartość informacji nie zawsze wynika z jej tajności czy spektakularnego charakteru. Czasami kluczowe znaczenie ma dopiero połączenie tysięcy lub milionów niewielkich elementów w jeden spójny obraz. Pokémon GO dobrze ilustruje tę zmianę. Gra mobilna pomogła zgromadzić ogromną liczbę obrazów rzeczywistego świata, a rozwijane na ich podstawie technologie są dziś wykorzystywane do uczenia maszyn orientacji w fizycznej przestrzeni. Granica między mapą, bazą danych i modelem świata staje się coraz mniej wyraźna – a umiejętność analizowania i łączenia danych przestrzennych będzie miała coraz większe znaczenie również dla współczesnego OSINT.
Źródło: Fortune
