Acadêmicos da Universidade de Cornell concluíram que o aprendizado de máquina poderia ser potencialmente usado para aplicações como sistemas de checkout automatizados após um experimento usando a tecnologia para identificar quais alimentos e bebidas os frequentadores da Oktoberfest preferiam.
Os conjuntos de dados publicados revelaram que 1.100 imagens foram analisadas como parte da pesquisa. As imagens foram capturadas durante 11 dias usando uma câmera de vídeo instalada acima de uma caixa em uma barraca de cerveja durante o maior festival de cerveja do mundo em Munique, Alemanha.

Porém, apenas uma pequena quantidade de dados disponíveis foi analisada, disseram os acadêmicos, observando que analisar todos os dados seria “muito trabalhoso”.
Em vez disso, eles sugeriram que uma maneira possível de contornar isso seria usar o auto-treinamento ou “pseudo-rotulagem”.
Como parte da pesquisa, os acadêmicos também avaliaram o impacto de sistemas de aprendizado de máquina usando imagens apenas diurnas para examinar imagens noturnas com baixa saturação e descobriram que o desempenho caiu “substancialmente”.

Para examinar melhor o desempenho dos modelos de aprendizado de máquina, os pesquisadores extraíram 85 imagens de teste que apresentavam casos difíceis, como imagens em que muitos objetos estão próximos um do outro, há uma grande obstrução por garçons ou desfoque de movimento.
Os pesquisadores também usaram dados dos últimos dois dias do evento para avaliar os modelos que foram treinados com dados dos primeiros nove dias.
Como parte da liberação dos conjuntos de dados, os acadêmicos também disponibilizaram os restantes 600 GB de dados que não foram analisados.
Os acadêmicos disseram que, embora o aprendizado profundo seja adequado para a detecção de objetos, é fundamental que os resultados da detecção sejam estáveis para serviços de checkout automatizados.