RateCount: Learning-Free Device Counting by Wi-Fi Probe Listening

एक व्यस्त हवाईअड्डा टर्मिनल या एक भीड़भाड़ वाले विश्वविद्यालय परिसर में चलने की कल्पना करें। आप केवल लोगों से ही घिरे नहीं हैं; आप डिजिटल हलचल के एक शांत, अदृश्य झुंड से घिरे हुए हैं। आपके पास मौजूद हर स्मार्टफोन, स्मार्टवॉच और लैपटॉप लगातार शून्य में चिल्ला रहा है, आस-पास के वाई-फाई नेटवर्क खोजने के लिए प्रोब रिक्वेस्ट फ्रेम्स (PRFs) नामक छोटे डिजिटल "हेलो" संकेत भेज रहा है। यह ऐसा है जैसे कमरे में मौजूद हर कोई एक टॉर्च पकड़े हुए है और यह देखने के लिए उसे हर कुछ सेकंड में चालू और बंद कर रहा है कि वहां और कौन है।

लंबे समय से, वैज्ञानिक और शहर नियोजकों ने भीड़ में कितने लोग हैं, यह समझने के लिए इन टिमटिमाती टॉर्चों को गिनने की इच्छा जताई है। यह सब कुछ करने के लिए महत्वपूर्ण है, जैसे बस स्टॉप पर यातायात का प्रबंधन करना या यह तय करना कि स्टडी हॉल में एयर कंडीशनिंग कब चालू करनी है। हालाँकि, इसमें एक पेंच है: आपकी गोपनीयता की रक्षा के लिए, आपका फोन केवल अपने स्थायी आईडी का उपयोग नहीं करता है; यह अक्सर हर बार अपना डिजिटल नाम (MAC एड्रेस) बदल देता है। इसका मतलब है कि एक व्यक्ति सेंसर के लिए दस अलग-अलग अजनबियों जैसा दिख सकता है। सामान्य समाधान के रूप में, जटिल, भारी-भरकम कंप्यूटर दिमाग (मशीन लर्निंग) का उपयोग किया जाता रहा है ताकि यह पता लगाया जा सके कि कौन सी टिमटिमाहट एक ही व्यक्ति की है। लेकिन ये कंप्यूटर दिमाग डेटा के भूखे होते हैं, इन्हें प्रशिक्षित करना महंगा होता है, और इन्हें विशेषज्ञों द्वारा लगातार देखरेख की आवश्यकता होती है। क्या होगा अगर हमारे पास भीड़ को गिनने का कोई सरल तरीका हो जिसके लिए सुपरकंप्यूटर की आवश्यकता न हो?

यहाँ RateCount आता है, एक नया दृष्टिकोण जो एक चतुर जासूस की तरह काम करता है जो टॉर्च पर लिखे नामों को अनदेखा करता है और इसके बजाय केवल इस बात को गिनता है कि वे कितनी तेजी से टिमटिमा रहे हैं। शोधकर्ताओं ने, जिसका नेतृत्व तियानलंग हे और सहयोगियों ने किया, खोजा कि आपको यह जानने की आवश्यकता नहीं है कि कौन टिमटिमा रहा है, आपको बस यह जानने की आवश्यकता है कि भीड़ के टिमटिमाने की दर (rate) क्या है।

यहाँ जादू का कमाल है: शोध पत्र प्रस्तावित करता है कि यदि आप एक विशिष्ट अवधि (एक "विंडो" या अंतराल) के दौरान सभी "हेलो" संकेतों को सुनते हैं, तो संकेतों की कुल संख्या मौजूद उपकरणों की संख्या से सीधे संबंधित होती है। इसे छत पर गिरने वाली बारिश की बूंदों को गिनने की तरह समझें। आपको यह जानने की आवश्यकता नहीं है कि कौन सी बूंद किस बादल से आई है; आपको बस यह जानने की आवश्यकता है कि यदि बारिश प्रति सेकंड 10 बूंदों की दर से हो रही है, और आप जानते हैं कि एक अकेला बादल आमतौर पर प्रति सेकंड 1 बूंद गिराता है, तो आपके पास लगभग 10 बादल हैं। RateCount एक सरल गणितीय सूत्र का उपयोग करता है जो भीड़ की कुल "टिमटिमाने की गति" को एक एकल उपकरण की औसत "टिमटिमाने की गति" से विभाजित करता है।

यह शोध पत्र मजबूती से इस विचार का खंडन करता है कि हमें भीड़ को गिनने के लिए मशीन लर्निंग का उपयोग करना ही होगा। लेखक दिखाते हैं कि मौजूदा सर्वोत्तम प्रणालियों (स्टेट-ऑफ-द-आर्ट) द्वारा उपयोग की जाने वाली जटिल विधियाँ बहुत अधिक हैं। वे विधियाँ हर एक संकेत को एक विशिष्ट उपकरण से जोड़ने का प्रयास करती हैं, जो गोपनीयता के कारण नाम बदलने की वजह से कठिन है। RateCount उस चरण को पूरी तरह से छोड़ देता है। पहचान की पहेली को सुलझाने के बजाय, यह मात्रा की पहेली को सुलझाता है। शोधकर्ताओं ने गणितीय रूप से सिद्ध किया कि उनकी विधि "अनबायस्ड" (unbiased) है, जिसका अर्थ है कि नाम बदलने की अराजकता के बावजूद, यह व्यवस्थित रूप से भीड़ को न तो अधिक गिनती है और न ही कम।

यह सुनिश्चित करने के लिए कि यह केवल एक भाग्यशाली अनुमान नहीं है, टीम ने वास्तविक दुनिया में RateCount का परीक्षण किया। उन्होंने एक विश्वविद्यालय प्रयोगशाला, एक भवन प्रवेश द्वार, एक कैंपस एट्रियम, एक अध्ययन कक्ष और एक व्यस्त बस स्टेशन में सेंसर स्थापित किए। महत्वपूर्ण रूप से, जबकि यह प्रणाली मशीन लर्निंग की भारी मेहनत से बचती है, इसे एक बार, ऑन-साइट डेटा संग्रह चरण की आवश्यकता होती है। सिस्टम को उस विशेष स्थान के विशिष्ट "टिमटिमाने के अंतराल वितरण" (probing interval distribution) को सीखने के लिए कुछ समय तक नेटवर्क को सुनना पड़ता है, क्योंकि विभिन्न वातावरणों के अलग-अलग पैटर्न होते हैं। एक बार जब यह स्थानीय लय सीख ली जाती है, तो सिस्टम बिना किसी और प्रशिक्षण या जटिल मॉडल ट्यूनिंग के उपकरणों को सटीक रूप से गिन सकता है।

हालाँकि, उपकरणों को गिनने से लोगों को गिनने की ओर बढ़ने पर एक महत्वपूर्ण सूक्ष्मता है। चूंकि एक व्यक्ति कई उपकरण (जैसे फोन और घड़ी) रख सकता है, इसलिए केवल उपकरणों को गिनना यह जानने के लिए पर्याप्त नहीं है कि कितने इंसान हैं। इस अंतर को पाटने के लिए, सिस्टम एक मल्टीमॉडल कैलिब्रेशन स्कीम (बहु-मोडल अंशांकन योजना) का उपयोग करता है। इसमें एक विशिष्ट "कैलिब्रेशन क्षेत्र" (जैसे कैंपस एट्रियम) स्थापित करना शामिल है जहाँ वाई-फाई सेंसर अन्य तकनीकों, जैसे कैमरों के साथ मिलकर काम करते हैं, ताकि डिवाइस-टू-पर्सन रेश्यो (उपकरण-से-व्यक्ति अनुपात) का अनुमान लगाया जा सके। इस विशिष्ट क्षेत्र में वाई-फाई डिवाइस काउंट की तुलना कैमरा मानव गणना से करके, सिस्टम स्थानीय अनुपात (उदाहरण के लिए, प्रति व्यक्ति 1.14 डिवाइस) सीख जाता है। इस कैलिब्रेटेड अनुपात को फिर अन्य क्षेत्रों में लागू किया जाता है ताकि डिवाइस काउंट को सटीक मानव गणना में बदला जा सके।

टीम ने अपने सरल "टिमटिमाने की दर" वाले तरीके की तुलना भारी-भरकम मशीन लर्निंग सिस्टम और यहाँ तक कि कैमरों (जो आमतौर पर मानक माने जाते हैं) से की। परिणाम आश्चर्यजनक थे: RateCount जटिल मशीन लर्निंग सिस्टम जितना ही सटीक था, लेकिन इसके लिए कोई मशीन लर्निंग प्रशिक्षण डेटा नहीं और कोई निरंतर मॉडल रखरखाव नहीं चाहिए था। वास्तव में, जब उन्होंने लोगों को गिनने के लिए इसका उपयोग किया (वर्णित कैलिब्रेशन स्कीम का उपयोग करके), तो इसने पिछले वाई-फाई तरीकों की गणना त्रुटियों को भारी 66% तक कम कर दिया।

शोध पत्र हमें यह जानने के लिए भी एक उपकरण देता है कि हम कितने "निश्चित" हैं। उन्होंने एक "एरर मॉडल" बनाया है जो डेटा के लिए मौसम के पूर्वानुमान की तरह काम करता है। यह बताता है कि यदि आप लंबे समय (एक बड़े विंडो) तक गिनती करते हैं, तो आपका अनुमान अधिक सटीक हो जाता है, लेकिन यदि भीड़ बहुत तेज़ी से बदल रही है, तो आपको कार्रवाई को पकड़ने के लिए एक छोटा विंडो चाहिए होगा। उन्होंने पाया कि भीड़भाड़ वाले स्थानों में, यह विधि सापेक्ष रूप से अधिक सटीक है, जिसका अर्थ है कि जितनी बड़ी भीड़ होगी, त्रुटि का प्रतिशत उतना ही कम होगा।

संक्षेप में, RateCount साबित करता है कि कभी-कभी सबसे सरल उत्तर ही सबसे अच्छा होता है। डिजिटल भीड़ की लय को सुनकर, न कि प्रत्येक सदस्य की पहचान करने का प्रयास करके, हम महंगे मशीन लर्निंग सेटअप या किसी की गोपनीयता का उल्लंघन किए बिना, अपने आस-पास कितने लोग हैं, इसकी एक स्पष्ट और सटीक तस्वीर प्राप्त कर सकते हैं। यह पहचान की एक जटिल समस्या को गिनती के बीट्स की एक सरल समस्या में बदल देता है, जिससे न्यूनतम सेटअप और कम रखरखाव के साथ कहीं भी भीड़-गणना प्रणाली तैनात करना संभव हो जाता है।