Cílem projektu FreMEn contra COVID je vytvořit aplikaci, která uživatelům v dané lokalitě a čase doporučí optimální trasu pro návštěvu místa na základě inteligentní predikce z předchozího komunitního sběru dat o koncentracích lidí na témže místě v různé denní době.
O tom, jak to celé funguje, jak je projekt daleko, ale i v čem se liší od konceptů tzv. chytrých karantén, jsme mluvili s docentem Tomášem Krajníkem, vedoucím laboratoře chronorobotiky Centra umělé inteligence na pražském ČVUT, a Janem Blahou, studentem ČVUT, jinak ale zkušeným informatikem s praxí z řízení letového provozu, který má projekt na starosti po technické stránce.
Jak přesně vznikl nápad využít princip Frequency Map Enhancementu v boji s novým koronavirem?
TK: Naše expertíza spočívá v mobilní robotice a jedním z našich úkolů je vytvářet mobilní roboty, kteří zvládají fungovat v prostředí dlouhodobě. Jako jedna z velkých výzev se přitom ukázalo to, že prostředí, ve kterém se roboti nalézají, se v průběhu času mění. Tento problém jsme začali řešit již někdy v roce 2011 a o dva roky později jsme se připojili k evropskému projektu, který se na tuto problematiku specializoval.
V jeho rámci jsme vymysleli algoritmus, který umožňuje robotům se nejen na změny v prostředí adaptovat, ale hlavně je také předpovídat. Zejména v interiérech se přitom jedná o změny, které jsou způsobené lidským chováním a zvyky. Protože je velmi obtížné učit roboty nějakému sociálnímu chování, respektive algoritmy pro navigaci těchto robotů mají v tomto směru velmi omezené možnosti, jako nejjednodušší se ukázalo naučit mobilní roboty předvídat, kdy se na jakém místě bude vyskytovat nejvíce lidí.
Toho robot využívá jednak k tomu, aby se vyhnul většímu shluku osob, případně se v předstihu přemístil tam, kde bude později lidí více a bude zde možné s nimi interagovat. V roce 2016 jsme toto poměrně úspěšně vyzkoušeli v praxi v rámci vídeňské nemocnice, kde robot musel vymýšlet, kde bude v určitý čas lidí nejvíce, aby jim tam mohl být nápomocný.
Systém, který toto umožňuje, přitom nepracuje s trackováním pohybu jednotlivých lidí, ale soustředí se na vytváření map. Nás proto napadlo, že by jej šlo využít k tomu, aby se mohli podobným způsobem rizikovým shlukům vyhýbat i přímo lidé.
Jak přesně princip Frequency Map Enhancementu funguje?
TK: V prostorových modelech, se kterými v robotice běžně pracujeme, potřebujete nějakým způsobem vyjádřit neurčitost vaší znalosti o daném prostředí. Toho se dosahuje tak, že si celé prostředí rozdělíte na různé komponenty a následně stavy těchto komponent charakterizujete určitou pravděpodobností. Představte si, že máte silniční síť a potřebujte vědět, jak se tvoří zácpy. Na počátku si nastavíte určité pravděpodobnosti zácp a algoritmy pak hlídají to, když někdo pošle aktualizaci o zácpě na konkrétním místě, a podle toho pravděpodobnosti mění. Nicméně to je zatím pořád pouze statická mapa, kdy se pravděpodobnost mění pouze tehdy, když někdo pozoruje daný stav.
My jsme si ale řekli, že velké množství procesů je periodických, tak proč bychom nemohli zkusit modelovat pravděpodobnost ne jako statické číslo, ale jako frekvenční spektrum. Toto frekvenční spektrum obsahuje informaci o tom, jaká je periodicita procesů, které tuto pravděpodobnost ovlivňují, a jaký je jejich vliv a rozložení v čase. Pravděpodobnost modelujeme pomocí upravené metody Fourierovy analýzy. Ta naše verze je přitom specifická v tom, že si umí vystačit i s daty, která přicházejí nepravidelně a není jich k dispozici tolik.
Aby šlo tuto metodu s úspěchem aplikovat v rámci koronavirové prevence, jak velké datasety vůbec potřebujete, aby to začalo opravdu fungovat?
TK: Podle našeho odhadu, který vychází z toho, že jsou nasbíraná data vhodným způsobem rozložena v čase, tak první rozumné predikce můžeme dostávat již se 20 datovými body z jednoho místa. Hodně nám přitom v interpretaci pomáhají naše předchozí zkušenosti. Celkový odhad má ale trochu širší rozpětí, a to 20–100 datových bodů, protože nemáme praktickou zkušenost se sběrem velkých dat v daném prostředí (obyčejně nesbíráme data z tolika oblastí) a potřebujeme si ji nejprve ověřit experimentálně.
Když jsem si stáhl vaši současnou mobilní aplikaci FreMEn Explorer, která data zatím pouze sbírá, zaujala mě chybějící hromadná doprava, což je jeden z těch hodně zmiňovaných rizikových vektorů. Dá se vůbec do tohoto modelu nějakým způsobem zahrnout, nebo tím, že se neustále přemísťuje, tak to nelze?
TK: Určitě by to šlo udělat například tak, že by se vytvořily diskrétní modely pro danou linku, zastávku a čas a následně z toho pak můžete predikovat, že na další zastávku přijede tramvaj a bude tak a tak plná. Principiálně to tedy určitě lze, ale v současné chvíli se jedná o pilotní projekt a my si potřebujeme nejprve ověřit, jestli námi navrženým způsobem v praxi potřebná data půjdou sbírat a jak úspěšné predikce na jejich základě budou, pak se můžeme dívat dále.
FreMEn contra COVID se chlubí tím, že oproti modelům inteligentní karantény nikoho nesleduje. Jak je vlastně v projektu zajištěna anonymita a jak je to s anonymizací dat, která vám lidé přes vaši aplikaci zasílají?
TK: Sbíraná data jsou anonymní již na začátku cesty, sbíráme totiž pouze data o místech, a ne o lidech, v tom je asi hlavní rozdíl oproti projektům tzv. inteligentní karantény. Samotná sbíraná data nijak anonymizována nejsou. Jediné informace, které naše aplikace sbírá, jsou GPS souřadnice z místa, odkud jsme data dostali, časové značky, subjektivní hustota a odhadnutý počet lidí a typ místa. S žádnými dalšími informacemi se již nepracuje.
Jak jste na tom se sběrem potřebných datasetů nyní?
TK: V tuto chvíli máme k dispozici poměrně pěkný dataset z jednoho středočeského města a poměrně rozumě vypadající predikce z celkem osmi míst v republice.
Jaký je váš plán s projektem na nejbližší období?
TK: Teď je hlavním úkolem projekt nějakým způsobem finančně stabilizovat a rozšířit povědomí o tom, že je takovýto přístup k problému vůbec možný. Jsme v kontaktu s řadou institucí i relativně velkým množstvím komerčních firem a máme v plánu oslovit mezinárodní komunitu (máme například dlouhodobě dobré kontakty s laboratoří GRASP na Pensylvánské univerzitě nebo na MIT). Zatím ale čekáme, až budeme mít hotovou alespoň alfa verzi celého projektu.
Jsme také v kontaktu s dobrovolnickou iniciativou Safecast, která vlastně dělá v jiném oboru něco trochu podobného jako my. Safecast založila skupina lidí, kteří nebyli po jaderné havárii ve Fukušimě spokojení s tím, jak přistupuje japonský stát k monitoringu radioaktivity na místě a jak cenzuruje přístup k těmto informacím ze strany veřejnosti. Během poměrně krátké doby se jim podařilo vytvořit poměrně přesnou mapu radioaktivity Japonska a díky svému úspěšnému startu dnes již zahrnuje celý svět. S nimi momentálně řešíme, kdo by do projektu FreMEn contra COVID mohl jakým způsobem přispět.
Budou kódy vašeho projektu zveřejněny pod nějakou veřejnou licencí?
TK: Máme v plánu dát zdrojové kód kompletně k dispozici, právě zkušenost ze Safecastu ukázala, že být maximálně otevření je ve finále nejlepší strategie.
JB: Nechceme ale otvírat kód předčasně, a to z obavy, aby díky nějaké přehlédnuté chybě někdo nezískal například přístup k datům, ke kterým mít přístup nemá. Čeká nás tedy před tím nejprve nějaký bezpečnostní audit a určitě na něj budeme ještě hledat dobrovolníky.
V současné chvíli tedy například na GitHubu projekt asi nenalezneme.
TK: Co se týče podkladové metody, tedy kombinace Frequency Map Enhancementu a metody zvané Hyperčas, ty na GitHubu jsou a dali jsme je tam již před delší dobou. Samotný FreMEn contra COVID ale zatím ne.
Přemýšleli jste o tom se domluvit s Googlem a dát vaši mobilní aplikaci na obchod Google Play? Přeci jen by to mohlo hodně pomoci rozšířit sběr dat i následné využívání běžnou populací.
TK: Přemýšleli, ale přišla nám od nich zamítavá odpověď, která říká, že nebudou schvalovat žádné aplikace, které souvisejí s problematikou onemocnění COVID-19. Politika Google je prý taková, že aplikace vztahující se k přírodním katastrofám se neschvalují. Zkoušíme ještě kontaktovat Google i jinou cestou, ale není to tak jednoduché.
V případě Applu bude situace předpokládám podobná?
JB: Paradoxně v případě Apple vypadá situace navzdory jejich přísným pravidlům mnohem nadějněji. Apple sice prohlásil, že mají politiku podobnou, jako má Google, ale s tím podstatným rozdílem, že se nevztahuje na vládní, medicínské a vzdělávací instituce. V současné chvíli je tak v řešení dohodnutí patřičné licence mezi společností Apple a ČVUT.
Jak daleko jste s projektem nyní? Hovořili jste o chystané alfa verzi, jaký je vlastně časový rozvrh a kdy počítáte s finálním produktem?
TK: Máme připravený plán zhruba osmitýdenní implementace, na jejímž konci by měla vzniknout služba, kterou bude moci komfortně použít běžný uživatel. Co se ale týče datapointů, ono to nebude tak, že se teď nasbírají datasety a na konci z nich vypadne nějaká predikce. Sběr by měl probíhat průběžně, aby adekvátně odrážel probíhající sociální změny.
Tady se dostáváme k jedné důležité věci. Samotný sběr dat není v našich silách, ale je závislý na lidech. My nicméně chceme hlavně ukázat, že když dáte lidem k dispozici nástroj, který respektuje základní pravidla západních společností (což ne všechny současné přístupy dělají), tak jej veřejnost dokáže lokálně (což je také důležitý aspekt tohoto projektu) využít tak, aby jí významným způsobem pomohl.
Na té aplikaci je zajímavé to, že když se domluvíte s dalšími pěti lidmi ze sídliště a budete zasílat aplikaci potřebná data, tak během týdne máte k dispozici použitelnou predikci toho, kdy jsou jak plné parky, lékárny nebo obchody a kde jsou kolem vás naopak v daném čase místa, která jsou volná. A celé se to přitom neděje výměnou za to, že prozradíte nějaké informace o vašem pohybu.
JB: Pilotní variantu aplikace, která nebude data pouze sbírat, jako to dělá ta současná, ale poskytovat predikce, chceme v horizontu týdne, maximálně dvou. Následně by se mělo přejít do jakési udržovací fáze.
Kam se zasílaná data dnes vlastně ukládají a jak je zaručeno, že aplikace nesbírá víc dat, než kolik slibuje?
JB: Data se ukládají na našich univerzitních serverech. Co se týče sběru dat, do té doby, než se zveřejní zdrojové kódy, tak je to trochu otázka důvěry, ale můžete si například v Androidu ověřit, že si aplikace nevyžádala žádná podezřelá oprávnění. Nemáme důvod sbírat jakákoli data o konkrétních lidech, nemělo by to z hlediska dané metodiky žádný význam.
TK: Po uvolnění současných restrikcí lze na základě dřívějších zahraničních zkušeností předpokládat další rozšíření viru, a to ve vlně, která může být potenciálně mnohem silnější než ta první. Právě na tento okamžiku by bylo perfektní mít naše řešení již připravené, neboť může tuto vlnu významným způsobem zmírnit, nebo dokonce další masové šíření viru zcela eliminovat. Nemělo by navíc zůstávat pouze u nového koronaviru, každý rok u nás pravidelně propukají chřipkové epidemie, kterým lze opět efektivně čelit sociálním distancováním v kritickém chřipkovém období.
JB: Z filosofického pohledu náš projekt cílí na prevenci a ta je univerzální, není tedy potřeba se limitovat pouze koronavirem, řada jiných technologických řešení, která se dnes objevují, jsou spíše reaktivní povahy.
Když už jsme se dostali k filosofii, přejděme rovnou k té etické, jak vlastně vnímáte současné pokusy o zavádění inteligentních karantén?
TK: Myslím, že podobné snahy o zavádění takového inteligentního domácího vězení nebo řekněme karantény mohou mít v západní společnosti trochu kontraproduktivní efekt. Pokud bychom například něco podobného zaváděli povinně, tak věřím tomu, že část (a teď je otázka, jak velká) lidí by se k tomu postavila tak, že si nechá doma telefon a přestane platit kartou, takže nepodchycené riziko může začít paradoxně dokonce stoupat.
Čína měla podobné postupy od začátku k dispozici a rozšíření epidemie navzdory přísným omezením nezabránila. Kdyby postupovali bez těchto omezení a šli na to podobně jako my, tedy zdola, od dobrovolné aktivity lidí, možná by současná světová pandemie vůbec nevznikla.
