通过隐私保护监控远程居家养老开源分享

描述

灵感

COVID19 在家中隔离了我们许多人，包括我们年迈的父母和祖父母。无法定期检查会增加他们面临的风险，例如跌倒、煤气泄漏、洪水、火灾等。

它能做什么

Ambianic.ai 是一个端到端的开源环境智能项目，它通过在三个关键层中实施隐私保护算法来消除与监控系统相关的污名：

• 对等远程访问
• 本地设备 AI 推理和训练
• 本地数据存储

Ambianic.ai 观察目标环境并提醒用户感兴趣的事件。我们的数据仅供房主及其家人使用。用户数据永远不会发送到任何第三方云服务器。

这是一篇博客文章，介绍了我们启动这个项目的原因：https ://blog.ambianic.ai/2020/02/05/pnp.html

这是一篇发表在 WebRTCHacks 上的技术深入研究文章。它阐明了绝对有可能建立一个保护隐私的监控系统，尽管流行的云供应商让我们相信所有用户数据都安全地属于他们的云服务器：https ://webrtchacks.com/private-home-surveillance-with-the -webrtc-数据通道/

我是如何建造的

Ambianic.ai 有 3 个主要组件：

• Ambianic.ai Edge：一个 Python 应用程序，设计用于在 Raspberry Pi 或 NUC 等 IoT Edge 设备上运行。它连接到摄像机和其他传感器以收集输入。然后，它使用 AI 模型运行推理管道，检测感兴趣的事件，例如对象、人员和其他触发器。
• Ambianic.ai UI：使用 Vue.js 和其他前端框架用 Javascript 编写的渐进式 Web 应用程序，为最终用户提供直观的事件时间线。
• Ambianic.ai PnP：即插即用框架，允许 Ambianic UI 和 Ambianic Edge 无缝发现彼此并使用 WebRTC API 通过安全的对等协议进行通信。

我遇到的挑战

挑战包括选择高性能、高精度和低延迟的 AI 模型来检测资源受限边缘设备上感兴趣的事件。

另一个挑战是考虑用户本地数据来微调 AI 模型。预训练模型可以表现得相当好，但可以通过对独特的新本地数据进行隐私保护的联邦学习来改进它们。

我引以为豪的成就

Ambianic.ai 已经公开测试了数周，帮助许多用户的日常生活。一些用户报告成功地关注他们的老年家庭成员：https ://twitter.com/mchapman671/status/1230931722650423299

我学到的是

尽管该项目设定了雄心勃勃的目标，但似乎有足够的支持开源框架和社区动力来推动持续的成功。

通过隐私保护监视远程居家养老的下一步是什么

我们需要在以下主要领域开展工作：

• 在家庭护理社区招募志愿者来测试系统并提供反馈
• 选择更多模型来解决开放用例，例如跌倒检测、气体泄漏等
• 致力于实施联邦学习基础设施以微调初始预训练模型。