Nie każdy pamięta, ale 16 lat temu świat wyglądał trochę inaczej. Smartfony dopiero zaczynały zdobywać popularność, a GPS w telefonach był luksusem, a nie standardem. O sztucznej inteligencji mówiło się głównie na uczelniach i w laboratoriach badawczych.
Już wtedy widziałem potencjał uczenia maszynowego i postanowiłem sprawdzić, czy można lokalizować telefony bez wbudowanego GPS – wykorzystując tylko dane z sieci komórkowej (moc sygnału). Pomysł wydawał się trochę dziwaczny, bo dominowały wtedy klasyczne metody jak triangulacja sygnału z masztów GSM. Matematyczny układ równań, który nie uwzględniał przeszkód dla sygnału GSM w mieście.
Myślenie na przekór schematom
W 2009 roku powszechnie zakładano, że dokładna lokalizacja wymaga dodatkowego sprzętu. Ja postawiłem na inteligentne oprogramowanie, które mogło działać na zwykłym telefonie, bez ingerencji w infrastrukturę operatorów. Wystarczy stworzoną sieć neuronową karmić informacjami o sile sygnałów z stacji bazowych, a ta będzie podawać współrzędne telefonu.
Żeby sprawdzić, czy to w ogóle ma sens, przeprowadziłem ponad 3000 pomiarów (sygnał/współrzędne). Dzięki temu miałem czym uczyć sieć neuronową geolokalizować. Testowałem różne architektury sieci neuronowych, algorytmy uczenia i dane wejściowe. I co się okazało?
Moje rozwiązanie potrafiło lokalizować telefon z dużą dokładnością – a w warunkach miejskich często przewyższało ówczesne GPS. Co więcej, działało wewnątrz budynków, gdzie system GPS miał (i nadal ma) problemy.
Krok przed rynkiem
Teraz, w 2025 roku, uczenie maszynowe to standard w analizie danych, ale w 2009 roku? Sieci neuronowe wciąż kojarzyły się bardziej z eksperymentami niż z realnymi zastosowaniami. Większość firm telekomunikacyjnych wolała trzymać się deterministycznych algorytmów i klasycznych metod lokalizacji.
2009 – podejście rynkowe | 2009 – moje podejście |
---|---|
Triangulacja + GPS | Samouczące się sieci neuronowe |
Dodatkowy sprzęt | Wykorzystanie istniejącej infrastruktury GSM |
Patrząc na to z perspektywy czasu, mój pomysł przewidział wiele późniejszych trendów:
- Nawigację wewnątrz budynków (dziś kluczową dla lotnisk, galerii handlowych czy magazynów),
- Wykorzystanie AI do przetwarzania danych sensorycznych,
- Demokratyzację technologii lokalizacji – czyli dokładne pozycjonowanie bez potrzeby drogich urządzeń.
Co z tego wynikło?
Moja praca powstała jeszcze przed erą Deep Learningu, Big Data i IoT, ale pomysły w niej zawarte nadal są aktualne. Niektóre z nich znalazły później zastosowanie w nowoczesnych technologiach lokalizacji, choć wtedy mało kto traktował takie podejście poważnie.
Jaki z tego wniosek? Czasem warto iść pod prąd.