通過機場安檢通常是一種痛苦的經歷。儘管交通運輸系統緩慢而具有侵略性，但它在捕捉威脅方面並沒有很好的記錄。在Kaggle數據科學社區的幫助下，國土安全部(DHS)正在舉辦一場在線競賽，以建立機器學習驅動的工具，可以使整個系統更加精確和高效。
今年早些時候被谷歌收購的Kaggle定期舉辦在線競賽，數據科學家通過開發複雜機器學習問題的新方法來爭奪獎金。今天，旨在提高威脅識別算法的競爭將是Kaggle今年第三次推出的超過一百萬美元獎金的競賽。
在最高獎金50萬美元和150萬美元的獎勵下，參賽選手將努力準確地預測威脅對象在身體上的位置。美國運輸安全管理局正將其數據組提供給參賽選手，以便他們可以根據攜帶武器的人的圖像進行訓練。重要的是，這些將是由TSA而不是真實世界的例子所創建的圖像——這是確保隱私的必要舉措。
計算機視覺初創公司Matroid的創始人兼首席執行官Reza Zadeh告訴我:“競賽的結果將是一個好的指示器，說明我們能多好地期待這樣的系統工作。”“至少，我們應該有這樣一個系統來增加現有的保安人員，以確保他們不會錯過危險物品。”
當然，TSA面臨的問題不只是機器學習問題。升級昂貴的物理機器是複雜的，而且沒有在現代數據中心中發現的複雜的gpu的特徵。值得慶幸的是，谷歌、Facebook和其他公司都大量投資於較輕版本的機器學習框架，可以被優化在本地運行。
這意味著，一些提交到這個競賽的文件可能會在實際的掃描機器上使用——這只是預先訓練和優化受約束條件的問題。國土安全部承諾與獲獎者密切合作，探索潛在的現實應用。
另一個讓人擔心的是，Kaggle和TSA要考慮的是影響自動威脅檢測過程的風險——這對旅行者來說是一個潛在的噩夢，可能會因為任意的因素而被不恰當的隔離。為了緩解這一問題，美國運輸安全管理局特別努力創建了一組圖像數據，這些圖像最終將被用來訓練探測器。
“TSA在這方面做得很好，”Goldbloom強調說。“他們招募志願者，但確保他們有相當數量的多樣性，所以模型不會在某一類型的人身上失敗。”
谷歌計劃在不久的將來為參賽選手提供GCP。儘管谷歌擁有Kaggle，但慶幸的是，它並沒有強迫人們使用TensorFlow，它自己的開源框架。競賽將在12月結束。
相關推薦
