V zadnjih letih so veliko pozornost na področju strojnega učenja pritegnili realni klasifikacijski problemi, pri katerih se spopadamo z neuravnoteženimi podatki ali pa visoko ceno napačne klasifikacije. Primer takšnega aplikacijskega področja je tudi medicina, kjer imamo na razpolago le majhen delež primerov s proučevano diagnozo (boleznijo), napačno uvrščanje bolnega subjekta med zdrave pa ima lahko tudi življenjsko kritične posledice. Klasičnih pristopov, ki se pri klasifikaciji običajno (v primerih, kadar je zastopanje razredov približno enako in kadar sta ceni pravilne/napačne klasifikacije enaki) uporabljajo za povečanje točnosti napovednega sistema, v tem primeru ni možno uporabiti, ker je njihov cilj povečanje klasifikacijske točnosti, zaradi česar bi te metode manjšinski razred obravnavale le kot šum v ostalih podatkih večinskega razreda. Namesto tega pa želimo poleg doseganja visoke skupne klasifikacijske točnosti zmanjšati tudi število napačno klasificiranih manjšinskih primerov oz. jih ne obravnavati ko šum. Za te potrebe so se razvile specifične cenovno bčutljive metode, ki pripisujejo različnim razredom in primerom različne kazni napačne klasifikacije, se usmerjajo na drugačno obravnavo manj zastopanih primerov ali pa s pristopi podvzorčenja večinskega razreda/nadvzorčenja manjšinskega razreda spreminjajo učne podatke. V literaturi je v zadnjem času možno zaslediti tudi vse več hibridnih pristopov od naštetih.

V svetu smo priča naraščajočim zahtevam po dvigu kakovosti življenja slepim in slabovidnim osebam z uporabo sodobnih tehnologij. Čeprav so vsakodnevne aktivnosti, kot so iskanje želene destinacije, uporaba raznih predmetov, varna navigacija po kompleksnih poteh, razpoznavanje in zavedanje okolice, za zdrave osebe trivialne, so te naloge zahtevne ali celo nerešljive za slepe in slabovidne osebe. Sistemi, ki se spopadajo z ambicijo reševanja teh težav, temeljijo na uporabi GPS sistemov v kombinaciji s senzorji gibanja in kamerami. Pri tem se soočamo s problemi, ki jih navajamo v nadaljevanju. Zaradi odbojev signala delajo sistemi GPS napako pri določanju lokacije, kar je posebej izrazito v urbanih okoljih, v bližini zgradb. To bi lahko pomenilo, da bi slepa oseba, ki bi za navigacijo uporabljala GPS, lahko na podlagi prejetih podatkov mislila, da se nahaja na pločniku, dejansko pa bi stala na voznem pasu. Obstajajo utemeljene predpostavke, da je ta problem možno rešiti z dodatno uporabo senzorjev gibanja, pri tem pa je še vedno potrebno identificirati majhen delež primerov, ki sta problematična pri obeh sistemih hkrati in jih obravnavati (ta problem se torej prevede na klasifikacijo neuravnoteženih primerov). Čeprav je kognitivno dojemanje okolice, prepoznavanje objektov in izogibanje preprekam možno uspešno reševati s kombinacijo kamer, vizualnih markerjev ali RFID senzorjev in WiFi sprejemnikov, je uporaba tudi teh sistemov dokaj omejena izven okolij, ki so kontrolirana in poznana. Osnovna težava vseh informacijskih storitev, ki jih uporabljajo slepi in slabovidni, je informacijska kompleksnost neznanih okolij, v katerih bi bilo možno uporabniku ponuditi le omejen nabor koristnih informacij glede na trenutni položaj, orientacijo in aktivnost, ki jo oseba želi izvesti (npr. hoja po prehodu za pešce). Enako kot prejšnji je tudi ta problem možno prevesti na problem učenja iz neuravnoteženih podatkov, kar motivira k testiranju obstoječih in razvoju novih algoritmov za nadzorovano in nenadzorovano učenje za tovrstno domeno. Slednje je še posebej aktualno, če se v informacijski sistem vključijo še podatki iz Geografskih informacijskih sistemov (GIS), saj z njihovo uporabo lahko opozorimo na pomembnejše objekte na znani poti (npr. restavracija, knjižnica, trgovina ipd.) ali pa v neznani okolici, v kateri poznamo le začetno in ciljno točko. Na podlagi navedenega lahko pričakujemo, da bo uporaba metod strojnega učenja (t.j. nadzorovanega in nenadzorovanega učenja) na neuravnoteženih podatkih v kombinaciji s sistemom GPS,

senzorji gibanja, kamerami in sistemom za generiranje/razpoznavanje zvoka lahko obrodila pozitivne rezultate pri reševanju problemov obstoječih sistemov za pomoč pri gibanju slepih in slabovidnih oseb.

Cilj projekta je razvoj ustreznih algoritmov strojnega učenja, ki bi bil osnova za nadaljnji razvoj modularnega mobilnega navigacijskega sistema, ki bo slepim in slabovidnim osebam omogočal samostojno, varno in natančno gibanje v znanih in neznanih okoljih. Osnovne zahteve za takšen sistem so delo v realnem času, delovanje v dinamičnih okoljih brez vnaprej pripravljene eksterne informacijske infrastrukture in visoka stopnja zanesljivosti. Na ta način se bosta slepim in slabovidnim osebam omogočila boljše vključevanje v družbo in dvig kakovosti življenja. Zaradi interdisciplinarnosti projekta, ki združuje področji strojnega učenja in kognitivnega modeliranja ter biomehaniko gibanja, v okviru predlaganega projekta združujemo sodelovanje Laboratorija za kognitivno modeliranje na Fakulteti za računalništvo in informatiko Univerze v Ljubljani in Laboratorija za biomehaniko, avtomatiko in sisteme Fakultete za elektrotehniko, strojništvo in ladjedelništvo Univerze v Splitu (kjer več kot 15 let deluje hrvaška raziskovalna skupina na projektih te domene, trenutni nosi naziv "Biomehanika človeških kretenj, upravljanje in rehabilitacija").