Digital Camouflage เมื่อ AI มองคนแล้วกลับมองไม่เห็น
ลองนึกภาพกล้องหนึ่งตัวที่มองเห็นคนเดินอยู่ในเฟรมได้ตามปกติ ระบบ AI ตีกรอบคนหนึ่งว่าเป็น PERSON ตีกรอบอีกคนว่าเป็น PERSON แต่พอมาถึงคนที่ใส่เสื้อลายสีจัด ๆ กลับไม่มีกรอบเกิดขึ้นเหมือนคนอื่น
นี่คือแนวคิดเบื้องหลัง Digital Camouflage โปรเจกต์ของนักออกแบบชาวเยอรมัน Simon Weckert ที่ทดลองสร้างลวดลายบนเสื้อผ้าเพื่อรบกวนวิธีที่ระบบ AI Object Detection วิเคราะห์ภาพ
ประเด็นที่น่าสนใจคือ เสื้อไม่ได้ทำให้คนหายไปจากสายตามนุษย์ คนที่ยืนอยู่ตรงหน้าก็ยังเห็นได้ชัดเหมือนเดิม แถมลวดลายยังสีแรงจนเรียกว่าเด่นก็ไม่ผิด
สิ่งที่กำลังถูกท้าทายจึงไม่ใช่สายตาของเรา แต่คือคำถามว่า “สิ่งที่มนุษย์มองว่าเป็นคน ระบบ Computer Vision จะตีความเหมือนเราทุกครั้งหรือเปล่า?”
Key Takeaways
- Digital Camouflage เป็นโปรเจกต์ของ Simon Weckert ที่ทดลองออกแบบลวดลายบนเสื้อผ้า เพื่อทำให้ระบบ AI ที่กำลังวิเคราะห์ภาพ ไม่ตรวจผู้สวมใส่เป็นบุคคลในบางการทดสอบ
- แนวคิดเกี่ยวข้องกับ Adversarial Attack หรือการสร้างข้อมูลที่ทำให้โมเดล Machine Learning ตีความสิ่งที่เห็นผิดไปจากเดิม
- การสาธิตในโปรเจกต์ใช้ YOLO ซึ่งเป็นระบบ Object Detection แบบ Open-source ไม่ใช่หลักฐานว่าเสื้อสามารถหลบระบบ Surveillance ทุกประเภทได้
- ลวดลายมีสี Saturated และมองเห็นเด่นชัดมากสำหรับมนุษย์ จึงเป็น Camouflage ที่ไม่ได้ทำให้ผู้สวมใส่ “กลืนหาย” ไปจากสายตาคน
- ตัวผู้สร้างไม่ได้อ้างว่า Digital Camouflage สามารถหลบระบบ Surveillance ของรัฐบาลระบบใดระบบหนึ่งได้ และไม่ได้รับประกัน Anonymity
- Hackaday ตั้งข้อสังเกตด้วยว่า สิ่งที่ได้ผลกับ Algorithm วันนี้ อาจไม่ได้ผลตลอดไปเมื่อระบบตรวจจับถูกพัฒนาเพิ่มเติม
Digital Camouflage คืออะไร?
Digital Camouflage เป็นโปรเจกต์ของ Simon Weckert ที่นำคำว่า “Camouflage” หรือการพรางตัว มาตีความใหม่ในยุคที่ผู้มองไม่ได้มีแค่มนุษย์ แต่รวมถึง Machine Learning Model ที่กำลังวิเคราะห์ภาพจากกล้องด้วย
แทนที่จะออกแบบเสื้อให้สีใกล้กับกำแพง พื้นป่า หรือฉากหลังแบบลายพรางดั้งเดิม โปรเจกต์นี้กลับใช้ลวดลายสีสดและสะดุดตา โดยเป้าหมายอยู่ที่การสร้าง Pattern ที่มีผลต่อการประมวลผลของระบบ Object Recognition
ผลที่ Simon นำมาแสดงคือ ในบางการสาธิต ระบบตรวจจับบุคคลอื่นในภาพได้ตามปกติ แต่ไม่สร้างการตรวจจับแบบเดียวกันกับผู้สวม Digital Camouflage
จุดสำคัญ: คำว่า Digital Camouflage ในโปรเจกต์นี้ ไม่ได้หมายความว่าคนจะหายไปจากภาพ และไม่ได้หมายความว่ากล้องมองไม่เห็นผู้สวมใส่ สิ่งที่ถูกทดลองคือ การตีความของ Algorithm ที่วิเคราะห์ภาพ
จากกล้องวงจรปิดสู่ AI ที่มองภาพตลอดเวลา
Hackaday เปิดประเด็นของเรื่องนี้จากความเปลี่ยนแปลงของโลก Surveillance
กล้องในพื้นที่สาธารณะไม่ใช่เรื่องใหม่ หลายเมืองมี CCTV อยู่มานานแล้ว แต่สิ่งที่เปลี่ยนคือ ภาพจากกล้องไม่จำเป็นต้องรอให้มนุษย์นั่งจ้องหน้าจอเพียงอย่างเดียวอีกต่อไป
เมื่อ AI และ Computer Vision ถูกนำมาใช้กับภาพ ระบบสามารถช่วยตรวจหา Object และจำแนกสิ่งต่าง ๆ ที่ปรากฏอยู่ในเฟรมได้อย่างต่อเนื่อง
จากเดิมที่การ “ถูกเห็น” อาจขึ้นอยู่กับว่าคนกำลังเฝ้าจอมองทันหรือไม่ การประมวลผลด้วย Algorithm ทำให้การวิเคราะห์ภาพสามารถเกิดขึ้นอย่างต่อเนื่องมากขึ้น
Digital Camouflage จึงตั้งคำถามกลับอีกด้านว่า:
ถ้า Algorithm ถูกสร้างมาเพื่อมองหาเรา เราสามารถออกแบบสิ่งที่เราใส่ เพื่อทำให้ Algorithm ตีความภาพผิดได้หรือไม่?
โปรเจกต์นี้ทดลองอะไร Step-by-Step
จากข้อมูลที่ Simon Weckert และ Hackaday แสดงไว้ แนวคิดของโปรเจกต์สามารถเรียงให้เข้าใจง่ายได้ประมาณนี้
เริ่มจากระบบ AI ที่ต้องตรวจหาบุคคลในภาพ
Computer Vision รับภาพจากกล้อง แล้ว Object Detection Model พยายามค้นหาว่าบริเวณใดของภาพเป็น Object ที่โมเดลรู้จัก เช่นการตรวจว่า Object นั้นเป็น person
ออกแบบ Pattern ที่ไม่ได้มุ่งหลอกสายตามนุษย์
Digital Camouflage ใช้ลวดลายที่มีสีสดและโดดเด่น เป้าหมายไม่ใช่การทำให้ผู้สวมใส่กลืนไปกับฉากหลัง แต่เป็นการสร้างข้อมูลในภาพ ที่ส่งผลต่อการวิเคราะห์ของโมเดล
นำ Pattern ไปอยู่บนเสื้อผ้า
เมื่อลวดลายถูกนำมาใช้กับเสื้อผ้า Pattern ก็กลายเป็นส่วนหนึ่งของภาพคน ที่ระบบ Object Detection กำลังวิเคราะห์
ให้ YOLO วิเคราะห์ภาพ
ในการสาธิตของโปรเจกต์ มีการใช้ YOLO ซึ่งเป็น Generic Open-source Object Detection System เพื่อดูว่าระบบตรวจจับบุคคลในภาพอย่างไร
เปรียบเทียบการตรวจจับ
ภาพทดสอบที่ Simon แสดงให้เห็นว่า ระบบสามารถตีกรอบคนอื่นเป็น person ขณะที่ผู้สวม Digital Camouflage ไม่ได้ถูกตรวจในลักษณะเดียวกันในบาง Demo
ตั้งคำถามต่อว่ามันจะได้ผลนานแค่ไหน
Hackaday เองไม่ได้จบด้วยการประกาศว่า “เท่านี้ก็ชนะ AI แล้ว” แต่กลับตั้งข้อสังเกตว่า Algorithm สามารถถูกพัฒนาเพื่อรับมือกับ Attack ลักษณะนี้ต่อได้
Adversarial Attack คืออะไร?
คำสำคัญของเรื่องนี้คือ Adversarial Attack
ถ้าอธิบายแบบ Beginner-friendly แนวคิดก็คือการสร้างหรือปรับข้อมูลบางอย่าง เพื่อทำให้ Machine Learning Model ตีความ Input ผิดจากสิ่งที่เราคาดหวัง
สำหรับ Digital Camouflage สิ่งที่มนุษย์มองเห็นยังเป็น “คนใส่เสื้อ” เหมือนเดิม
แต่โจทย์ของโปรเจกต์คือ สามารถออกแบบรายละเอียดในภาพ ให้ Object Detection Model ไม่ตอบสนองต่อคนคนนั้นแบบเดิมได้หรือไม่
มุม Maker ที่น่าสนใจ: Machine Learning ไม่ได้ “มอง” โลกแบบเดียวกับมนุษย์ โมเดลกำลังประมวลผลข้อมูลที่อยู่ในภาพ และใช้ Pattern ที่มันเรียนรู้มาในการตัดสินใจ
ทำไมคำว่า YOLO สำคัญกับการอ่านผลทดลอง?
เวลามองภาพ Demo ของ Digital Camouflage สิ่งที่ต้องระวังคือ อย่าข้ามจาก “ระบบที่ใช้ทดสอบตรวจไม่เจอ” ไปเป็น “AI ทุกระบบตรวจไม่เจอ”
Simon ระบุว่าการสาธิตใช้ YOLO ซึ่งเป็น Generic Open-source Object Detection System
เพราะฉะนั้น สิ่งที่ Demo บอกเราได้คือ Pattern สามารถมีผลกับการตรวจจับ ภายใต้ระบบและเงื่อนไขที่ถูกนำมาทดลอง
แต่สิ่งที่มันไม่ได้พิสูจน์คือ:
- ระบบ Surveillance ทุกยี่ห้อจะตอบสนองเหมือนกัน
- โมเดล Object Detection ทุกเวอร์ชันจะตรวจพลาด
- กล้องทุกมุมและทุกสภาพแสงจะให้ผลเดียวกัน
- ระบบในอนาคตจะยังตอบสนองแบบเดิม
- ผู้สวมใส่จะไม่ถูกระบุตัวด้วยวิธีอื่น
อย่าอ่าน Demo เกินขอบเขตของ Source: Simon Weckert ไม่ได้อ้างว่าเสื้อตัวนี้ สามารถหลบระบบ Surveillance ของรัฐบาลระบบใดระบบหนึ่งได้ และไม่ได้รับประกันว่า Pattern จะเอาชนะ Object Detection ทุกชนิดในทุกสถานการณ์
มนุษย์ยังเห็นคน แล้วทำไม AI ถึงพลาดได้?
นี่น่าจะเป็นส่วนที่ทำให้ Digital Camouflage ดูแปลกที่สุดสำหรับคนที่ไม่ได้อยู่สาย Computer Vision
ในภาพ Demo เราไม่ได้ต้องเพ่งหา Simon ไม่ได้มีควันปิดตัว ไม่ได้มีผ้าสีเดียวกับกำแพง และไม่ได้มี Effect ทำให้ร่างกายหายไป
มนุษย์ยังมองเห็นว่า “ตรงนั้นมีคนอยู่” ได้ชัดเจน
แต่ Object Detection Model ไม่ได้เริ่มจากความเข้าใจโลกแบบเดียวกับเรา มันประมวลผลข้อมูลในภาพ แล้วพยายามจับ Pattern ที่สอดคล้องกับ Object ที่ถูกฝึกให้รู้จัก
Digital Camouflage จึงไม่ได้พยายามทำให้คนดูไม่เหมือนคนสำหรับเรา แต่ทดลองทำให้ข้อมูลที่โมเดลได้รับ ส่งผลต่อการตัดสินใจของโมเดล
ลายพรางที่ไม่ได้พรางจากสายตามนุษย์
ถ้าคำว่า Camouflage ทำให้นึกถึงเขียว ขาว ดำ น้ำตาล หรือสีที่ออกแบบให้กลืนกับฉาก Digital Camouflage จะดูตรงข้ามทันที
Hackaday ถึงกับอธิบายผลลัพธ์ประมาณว่า มันเป็นลวดลายที่ “loud” เพราะเต็มไปด้วยสี Saturated และมองเห็นโดดเด่นมาก
ในเชิงสายตามนุษย์ ผู้ใส่อาจจะเด่นกว่าคนรอบข้างเสียอีก
นี่ทำให้คำว่า Camouflage ของโปรเจกต์นี้น่าสนใจขึ้น เพราะมันไม่ได้ถามว่า “จะทำอย่างไรไม่ให้มนุษย์สังเกตเห็น?”
แต่มันถามว่า “จะทำอย่างไรให้ Algorithm ตีความเราแตกต่างออกไป?”
ข้อจำกัด: ใช้ได้ใน Demo ไม่ได้แปลว่าใช้ได้ทุกระบบ
ส่วนนี้สำคัญที่สุดหากจะเล่า Digital Camouflage แบบไม่หลุดไปเป็น Clickbait
การทดลองที่แสดงออกมาดูน่าสนใจ และ Hackaday เองก็มองว่าผลทดสอบที่นำมาแสดง ดูเหมือนจะทำงาน
แต่ในเวลาเดียวกัน Hackaday ก็ตั้งคำถามชัดว่า มันจะยังได้ผลอีกนานแค่ไหน?
เพราะการพัฒนาไม่ได้เกิดขึ้นแค่ฝั่งคนสร้าง Adversarial Pattern ฝั่งผู้พัฒนา Object Detection ก็สามารถปรับโมเดลและสร้างวิธีรับมือ กับเทคนิคที่เคยทำให้ระบบผิดพลาดได้เช่นกัน
Simon เองก็ไม่ได้วาง Digital Camouflage เป็นเครื่องมือรับประกันความเป็น Anonymous หรือเป็นคำตอบสำเร็จรูปสำหรับการหลบ Surveillance
สรุปแบบไม่ขายฝัน: Digital Camouflage เป็นการทดลองที่แสดงให้เห็นว่า Visual Pattern สามารถมีผลต่อ AI Object Detection ภายใต้การทดสอบบางแบบ ไม่ใช่เสื้อที่รับประกันว่า “ใส่แล้ว AI ทุกตัวจะมองไม่เห็น”
Digital Camouflage ทำอะไร และไม่ได้ทำอะไร?
| ประเด็น | ข้อมูลจากโปรเจกต์ |
|---|---|
| เป้าหมาย | ทดลองใช้ลวดลายบนเสื้อผ้าเพื่อรบกวน AI Object Recognition / Object Detection |
| แนวคิด | Adversarial Attack |
| ระบบที่ใช้ Demo | YOLO ซึ่งเป็น Generic Open-source Object Detection System |
| มนุษย์มองเห็นผู้สวมใส่หรือไม่ | ยังมองเห็นได้ตามปกติ และ Pattern มีสีค่อนข้างโดดเด่น |
| รับประกันว่าหลบ AI ทุกระบบหรือไม่ | ไม่รับประกัน |
| รับประกัน Anonymity หรือไม่ | ไม่ใช่สิ่งที่ผู้สร้างรับประกัน |
| จะได้ผลตลอดไปหรือไม่ | ไม่มีการรับประกัน และ Algorithm สามารถถูกพัฒนาต่อได้ |
เกมแมวไล่จับหนูระหว่าง AI กับ Adversarial Design
Hackaday มอง Digital Camouflage ว่าเป็นเพียงหนึ่งจังหวะในเกมที่น่าจะดำเนินต่อไปอีกนาน
ฝั่งหนึ่งสร้าง Algorithm ที่พยายามตรวจจับและเข้าใจสิ่งที่อยู่ในภาพให้แม่นขึ้น
อีกฝั่งหนึ่งศึกษา Algorithm แล้วพยายามหาว่า Input แบบใด สามารถทำให้ระบบตัดสินใจผิดได้
เมื่อวิธีหนึ่งถูกค้นพบ Model รุ่นถัดไปอาจถูกปรับให้รับมือกับมัน แล้วก็เกิดวิธีใหม่ขึ้นอีก
Digital Camouflage จึงไม่ใช่ตัวอย่างแรกของการพยายามสร้างสิ่งที่ Machine Learning จะตีความแตกต่างจากมนุษย์
Hackaday ยังเชื่อมไปถึง Glaze ซึ่งเป็นอีก Use Case หนึ่ง ที่เกี่ยวข้องกับการปรับงานศิลปะ เพื่อรบกวนกระบวนการที่ AI Image Model ใช้ดึง Feature จากภาพ
Digital Camouflage กับ Glaze ไม่ใช่เทคโนโลยีเดียวกัน: Hackaday ยก Glaze ขึ้นมาเป็นอีกตัวอย่างของแนวคิด “ทำข้อมูลให้ AI ตีความยากขึ้น” แต่ Use Case และระบบที่กำลังถูกท้าทายแตกต่างกัน
Maker ได้อะไรจาก Digital Camouflage?
ต่อให้เราไม่ได้จะทำเสื้อ Digital Camouflage โปรเจกต์นี้ก็ยังเปิดประเด็นที่น่าสนใจมากสำหรับสาย Maker, AI และ Computer Vision
1. Output ของ AI ไม่ได้เท่ากับความจริงเสมอไป
Bounding Box ที่เราเห็นบนจอ เป็นผลจาก Model ที่วิเคราะห์ Input ไม่ใช่สิ่งที่เกิดขึ้นโดยธรรมชาติในโลกจริง
ถ้า Input เปลี่ยน การตัดสินใจของ Model ก็สามารถเปลี่ยนตามได้
2. การทดลอง AI ไม่ได้มีแค่ Train Model
Maker หลายคนเริ่ม AI Project ด้วยการถามว่า “โมเดลตรวจอะไรได้บ้าง?”
Digital Camouflage ทำให้เกิดคำถามอีกด้านว่า “แล้วโมเดลตรวจอะไรพลาดได้บ้าง?”
3. Computer Vision ต้องอ่านผลแบบมี Context
การที่ Model หนึ่งตรวจพลาดใน Demo ไม่ได้แปลว่า Model ทุกตัว จะตอบเหมือนกัน
ชื่อ Model, เวอร์ชัน, Input, Camera, มุมมอง และเงื่อนไขการทดลอง ล้วนเป็น Context ที่สำคัญต่อการอ่านผล
4. Design กับ Technology สามารถอยู่ในโปรเจกต์เดียวกันได้
Digital Camouflage ไม่ได้เป็นแค่เรื่อง Fashion และไม่ได้เป็นเพียงเรื่อง AI
มันเป็นงานที่นำ Design, Visual Pattern, Computer Vision และประเด็นเกี่ยวกับการตรวจจับ มาชนกันในโปรเจกต์เดียว
อยากทดลอง Computer Vision หรือ AI Project ของตัวเอง? ถ้ากำลังเริ่มโปรเจกต์เกี่ยวกับ AI, Embedded System, บอร์ดพัฒนา หรือเซนเซอร์ สามารถสอบถามทีม Globalbyte ผ่าน LINE OA เพื่อช่วยดูว่าอุปกรณ์ประเภทไหนเหมาะกับโจทย์ทดลองของคุณได้
ดูภาพและวิดีโอ Digital Camouflage เพิ่มเติม
เพื่อไม่ให้หน้า Blog โหลดภาพและวิดีโอจำนวนมากตั้งแต่เปิดหน้า ด้านบนจึงแสดงเฉพาะ Hero Image ส่วนสื่อเพิ่มเติมทั้งหมดถูกซ่อนไว้ใน View more ด้านล่าง
วิดีโอ Digital Camouflage
วิดีโอสาธิต Digital Camouflage สำหรับดูแนวคิดและการแสดงผลของระบบ Object Detection เมื่อผู้สวมลวดลายอยู่ในภาพ
ตัวอย่างเสื้อ Digital Camouflage
การสาธิต Object Detection
Pattern ของ Digital Camouflage ในการทดลอง
วิดีโอ DIGITAL CAMOUFLAGE
วิดีโอเพิ่มเติมจากชุดข้อมูลอ้างอิงของโปรเจกต์ สำหรับดู Digital Camouflage ในรูปแบบวิดีโอ
Concept Visualization ของ Digital Camouflage
หมายเหตุเรื่องภาพ: ภาพในส่วนนี้มาจากหน้าโปรเจกต์ของ Simon Weckert และเว็บไซต์ต้นฉบับระบุภาพชุดนี้ว่าเป็นภาพ AI-generated จึงควรอ่านเป็น Concept Visualization ไม่ใช่ Documentation ของการทดสอบจริง
อยากเข้าใจงานนี้จริง แนะนำให้ดูต้นฉบับด้วย
Digital Camouflage มีทั้งบริบทด้าน Design, AI Object Detection และแนวคิด Adversarial Attack การอ่านบทความสรุปเพียงอย่างเดียว จึงอาจทำให้รายละเอียดบางอย่างหายไป
แนะนำให้อ่าน Source ของผู้สร้างโดยตรง: หากต้องการดูภาพ, Documentation และคำอธิบายของ Simon Weckert สามารถ เปิดหน้าโปรเจกต์ Digital Camouflage ของ Simon Weckert เพื่ออ่านบริบทจากต้นฉบับก่อนนำข้อมูลไปอ้างอิงหรือทดลองต่อ
อ่านต่อ: ไม่ใช่แค่เสื้อที่ถูกออกแบบมาเพื่อกวน AI
Digital Camouflage ไม่ใช่ครั้งแรกที่มีคนทดลองเปลี่ยน Input เพื่อให้ระบบ AI ตีความข้อมูลต่างออกไป
Hackaday เคยนำเสนอ Glaze ซึ่งเป็นอีกแนวคิดหนึ่ง ที่ปรับงานศิลปะเพื่อรบกวน Feature ที่ระบบสร้างภาพด้วย AI ใช้ในการวิเคราะห์ Style ของงาน
แม้ Digital Camouflage กับ Glaze จะทำงานกับคนละ Use Case แต่ทั้งสองเรื่องชวนให้เห็นภาพเดียวกันว่า:
เมื่อ AI เริ่มอ่านโลกของเรามากขึ้น คนก็เริ่มออกแบบสิ่งต่าง ๆ โดยคำนึงถึงว่า “เครื่องจะมองมันอย่างไร” ไม่ได้คิดแค่ว่า “คนจะมองมันอย่างไร”
FAQ: Digital Camouflage
Digital Camouflage ทำให้คนหายไปจากกล้องหรือไม่?
ไม่ใช่ ผู้สวมใส่ยังปรากฏอยู่ในภาพตามปกติ สิ่งที่โปรเจกต์ทดลองคือ การทำให้ AI Object Detection ไม่ตรวจผู้สวมใส่เป็นบุคคลในบางการทดสอบ
เสื้อตัวนี้ทำให้มนุษย์มองไม่เห็นหรือไม่?
ไม่ ลวดลายมีสี Saturated และค่อนข้างโดดเด่น คนทั่วไปยังมองเห็นผู้สวมใส่ได้ตามปกติ
Digital Camouflage ใช้กับ AI ทุกระบบได้ไหม?
ไม่มีข้อมูลจากต้นฉบับที่รองรับการอ้างแบบนั้น Demo ของโปรเจกต์ใช้ YOLO ซึ่งเป็น Generic Open-source Object Detection System และไม่มีการรับประกันว่าจะได้ผลกับระบบทุกประเภท
YOLO คือระบบ Surveillance ของรัฐบาลหรือไม่?
ในบริบทของโปรเจกต์นี้ YOLO ถูกใช้เป็นระบบ Object Detection แบบ Open-source สำหรับการสาธิต ผู้สร้างไม่ได้อ้างว่าเป็นการทดสอบกับระบบ Surveillance ของรัฐบาลระบบใดระบบหนึ่ง
Digital Camouflage รับประกันความเป็น Anonymous หรือไม่?
ไม่ ผู้สร้างไม่ได้วางโปรเจกต์นี้ เป็นเครื่องมือที่รับประกัน Anonymity หรือรับประกันว่าจะไม่สามารถถูกตรวจพบด้วยระบบอื่น
ถ้าวันนี้ AI ตรวจไม่เจอ แปลว่าจะใช้ได้ตลอดไปไหม?
ไม่สามารถสรุปแบบนั้นได้ Hackaday เองตั้งข้อสังเกตว่า Algorithm สามารถถูกปรับปรุง เพื่อรับมือกับ Attack ลักษณะนี้ในอนาคตได้
บทความนี้มี Code สำหรับสร้าง Pattern หรือรัน YOLO ไหม?
ไม่มี เนื่องจากแหล่งข้อมูลที่ใช้ในบทความนี้ ไม่ได้ให้ Code Snippet สำหรับนำมาคัดลอกเป็นส่วนหนึ่งของบทความ จึงไม่มีการสร้าง Source Code เพิ่มขึ้นเอง
สุดท้ายแล้ว Digital Camouflage กำลังพรางอะไร?
ถ้ามองเพียงภาพเสื้อสีสด Digital Camouflage อาจดูเหมือนโปรเจกต์ Fashion แปลก ๆ ชิ้นหนึ่ง
แต่สิ่งที่ทำให้งานนี้น่าสนใจ คือมันกำลังเล่นกับช่องว่างระหว่าง สิ่งที่มนุษย์เห็น กับ สิ่งที่ Machine Learning Model ตีความ
คนยังอยู่ตรงนั้น กล้องยังถ่ายภาพเขาได้ เสื้อไม่ได้ทำให้ร่างกายล่องหน
สิ่งที่ถูกทดลองคือ เราสามารถเปลี่ยนรายละเอียดบางอย่างของภาพ จนระบบที่ควรบอกว่า “นี่คือคน” กลับไม่ตอบแบบเดิมได้หรือไม่
และนั่นอาจเป็นบทเรียนที่น่าสนใจกว่า การเรียกมันว่า “เสื้อหลบ AI” เสียอีก
เพราะในโลกที่ Algorithm เริ่มมีหน้าที่มองและตีความสิ่งรอบตัวมากขึ้น การเข้าใจว่า AI มองผิดได้อย่างไร ก็สำคัญไม่แพ้การพยายามทำให้มันมองถูก
References / แหล่งข้อมูลต้นฉบับ
จากดู Demo AI ไปสู่การลองทำโปรเจกต์ของตัวเอง
ถ้าสนใจลองทำ Computer Vision, AI, Embedded Project หรือกำลังหาบอร์ดพัฒนาและเซนเซอร์สำหรับงาน Maker สามารถเข้ามาดูสินค้า พูดคุยใน Community หรือส่งโจทย์มาสอบถามทีม Globalbyte ได้
