Γιατί είναι σημαντική η αναγνώριση εικόνας;

Περίπου το 80 τοις εκατό του περιεχομένου στο διαδίκτυο είναι οπτικό. Μπορείτε ήδη να αρχίσετε να καταλαβαίνετε γιατί η προσθήκη ετικετών σε εικόνα μπορεί να κατέχει τη θέση της ως ο βασιλιάς του πίνακα περιεχομένου. Είτε πρόκειται για ιδιώτες είτε για εταιρείες, η αναγνώριση εικόνων με τεχνητή νοημοσύνη κατέστησε δυνατή την αναγνώριση γραφικών στο διαδίκτυο με ελάχιστη φασαρία. Υπάρχουν περίπου 657 δισεκατομμύρια φωτογραφίες που δημοσιεύονται κάθε χρόνο ψηφιακά, με τις περισσότερες να εμφανίζονται στα μέσα κοινωνικής δικτύωσης. Ένα μεγάλο μέρος αυτών των εικόνων είναι άτομα που προωθούν προϊόντα, ακόμα κι αν το κάνουν άθελά τους. Το περιεχόμενο που δημιουργείται από χρήστες (UGC) στην πιο αγνή του μορφή είναι ένα εξαιρετικό εργαλείο για τις επωνυμίες, καθώς παρέχει το καλύτερο είδος προώθησης.
Υπάρχουν εργαλεία μάρκετινγκ για να ειδοποιούν τις εταιρείες όταν γίνεται αναφορά από τον καταναλωτή στα μέσα κοινωνικής δικτύωσης, αλλά τι γίνεται όταν η προώθηση επωνυμιών πραγματοποιείται χωρίς κανένας να επισημαίνει το όνομά τους στην ανάρτηση κοινωνικής δικτύωσης; Εδώ αποδεικνύει την αξία της η αναγνώριση εικόνας AI. Εάν η τεχνολογία τροφοδοτηθεί με τα σωστά σύνολα δεδομένων, η τεχνητή νοημοσύνη μπορεί να αναγνωρίσει μια εικόνα χωρίς συγκεκριμένες αναφορές ετικετών. Τα αποτελέσματα είναι ανεκτίμητα για τις επωνυμίες να παρακολουθούν και να εντοπίζουν τις κοινωνικές αναφορές τους.

Πώς λειτουργεί η αναγνώριση εικόνας;

Όπως γνωρίζουμε η τεχνητή νοημοσύνη μπορεί να πραγματοποιήσει αναζήτηση σε πλατφόρμες μέσων κοινωνικής δικτύωσης αναζητώντας φωτογραφίες και να τις συγκρίνει με εκτεταμένα σύνολα δεδομένων. Στη συνέχεια αποφασίζει σχετικά με την εικόνα που ταιριάζει με πολύ ταχύτερο ρυθμό από ό,τι μπορούν οι άνθρωποι. Οι επωνυμίες χρησιμοποιούν την αναγνώριση εικόνας για να βρουν περιεχόμενο παρόμοιο με το δικό τους στα μέσα κοινωνικής δικτύωσης. Αυτό σημαίνει τον προσδιορισμό του λογότυπου μιας μάρκας ή την αναγνώριση της οργανικής τοποθέτησης προϊόντων στους χρήστες των μέσων κοινωνικής δικτύωσης. Το να ζητάμε από τους ανθρώπους να περάσουν μέσα από τόσες πολλές πληροφορίες γίνεται εύκολα κουραστικό. Το AI δεν ανησυχεί για το ανθρώπινο λάθος και επιστρέφει ακριβή αποτελέσματα σε απαράμιλλα επίπεδα. Η αναγνώριση εικόνας AI παρακολουθεί τι λένε οι άνθρωποι για μια επωνυμία χωρίς να χρειάζεται κείμενο. Οι επωνυμίες που μπορούν να παρακολουθούν τις αναφορές τους στα κοινωνικά δίκτυα χωρίς οι χρήστες να χρειάζεται να πληκτρολογήσουν το όνομα της εταιρείας θα βρεθούν σε πλεονεκτική θέση. Η δυνατότητα να αξιοποιήσουν τη δική τους διαδικτυακή κάλυψη αποκλειστικά μέσω αναγνωρισμένων αναγνωριστικών με τεχνητή νοημοσύνη είναι τεράστια και προσφέρει απαράμιλλη κάλυψη.

Ακολουθούν ορισμένες τυπικές εργασίες αναγνώρισης εικόνας:

Αρχικά πρέπει να προσδιορίσουμε εάν τα δεδομένα εικόνας περιέχουν κάποιο συγκεκριμένο αντικείμενο, χαρακτηριστικό ή δραστηριότητα. Αυτή η εργασία μπορεί κανονικά να επιλυθεί σθεναρά και χωρίς προσπάθεια από έναν άνθρωπο, αλλά εξακολουθεί να μην επιλύεται ικανοποιητικά στην όραση υπολογιστή για τη γενική περίπτωση: αυθαίρετα αντικείμενα σε αυθαίρετες καταστάσεις. Οι υπάρχουσες μέθοδοι για την αντιμετώπιση αυτού του προβλήματος μπορούν να επιλυθούν καλύτερα μόνο για συγκεκριμένα αντικείμενα, όπως απλά γεωμετρικά αντικείμενα (π.χ. πολύεδρα), ανθρώπινα πρόσωπα, έντυπους ή χειρόγραφους χαρακτήρες ή οχήματα και σε συγκεκριμένες καταστάσεις, που συνήθως περιγράφονται με όρους καλά καθορισμένου φωτισμού, φόντου και πόζας του αντικειμένου σε σχέση με την κάμερα. Στη βιβλιογραφία περιγράφονται διάφορες ποικιλίες του προβλήματος της αναγνώρισης:

• Αναγνώριση αντικειμένων

Ένα ή περισσότερα προκαθορισμένα ή μαθημένα αντικείμενα ή κατηγορίες αντικειμένων μπορούν να αναγνωριστούν, συνήθως μαζί με τις δισδιάστατες θέσεις τους στην εικόνα ή τις τρισδιάστατες θέσεις τους στη σκηνή.

• Ταυτοποίηση
Αναγνωρίζεται ένα μεμονωμένο παράδειγμα ενός αντικειμένου. Παραδείγματα είναι η αναγνώριση του προσώπου ή του δακτυλικού αποτυπώματος ενός συγκεκριμένου ατόμου ή η ταυτότητα ενός συγκεκριμένου οχήματος.

• Ανίχνευση
Τα δεδομένα εικόνας σαρώνονται για μια συγκεκριμένη κατάσταση. Παραδείγματα είναι η ανίχνευση πιθανών μη φυσιολογικών κυττάρων ή ιστών σε ιατρικές εικόνες ή η ανίχνευση ενός οχήματος σε ένα αυτόματο σύστημα διοδίων. Η ανίχνευση που βασίζεται σε σχετικά απλούς και γρήγορους υπολογισμούς χρησιμοποιείται μερικές φορές για την εύρεση μικρότερων περιοχών με ενδιαφέροντα δεδομένα εικόνας, τα οποία μπορούν να αναλυθούν περαιτέρω με πιο απαιτητικές υπολογιστικά τεχνικές για την παραγωγή μιας σωστής ερμηνείας.

Υπάρχουν αρκετές εξειδικευμένες εργασίες που βασίζονται στην αναγνώριση, όπως:

• Ανάκτηση εικόνας βάσει περιεχομένου
Εδώ βρίσκουμε όλες τις εικόνες σε ένα μεγαλύτερο σύνολο εικόνων που έχουν συγκεκριμένο περιεχόμενο. Το περιεχόμενο μπορεί να καθοριστεί με διαφορετικούς τρόπους, για παράδειγμα ως προς την ομοιότητα σε σχέση με μια εικόνα-στόχο (δώστε μου όλες τις εικόνες παρόμοιες με την εικόνα X) ή ως προς τα κριτήρια αναζήτησης υψηλού επιπέδου που δίνονται ως εισαγωγή κειμένου (δώστε μου όλες τις εικόνες που περιέχουν πολλά σπίτια, καταλαμβάνονται κατά τη διάρκεια του χειμώνα και δεν έχουν αυτοκίνητα).

• Εκτίμηση πόζας
πρέπει να εκτιμήσουμε τη θέση ή τον προσανατολισμό ενός συγκεκριμένου αντικειμένου σε σχέση με την κάμερα. Ένα παράδειγμα εφαρμογής για αυτήν την τεχνική θα ήταν να βοηθήσει ένα ρομπότ να ανασύρει αντικείμενα από έναν μεταφορικό ιμάντα σε μια κατάσταση γραμμής συναρμολόγησης.

• Οπτική αναγνώριση χαρακτήρων
OCR που είναι αναγνωριστικοί χαρακτήρες σε εικόνες έντυπου ή χειρόγραφου κειμένου, συνήθως με σκοπό την κωδικοποίηση του κειμένου σε μορφή περισσότερο και τη δυνατότητα επεξεργασίας ή ευρετηρίασης του Τμήματος Επιστήμης και Μηχανικών Υπολογιστών, Πολιτειακό Πανεπιστήμιο του Μίσιγκαν. «Το Εργαστήριο Αναγνώρισης Προτύπων και Επεξεργασίας Εικόνας (PRIP) και οι φοιτητές ερευνούν τη χρήση μηχανών για την αναγνώριση μοτίβων ή αντικειμένων. Αναπτύσσονται μέθοδοι για την ανίχνευση αντικειμένων, για να ανακαλύψουν ποια από τα χαρακτηριστικά τους τα διακρίνουν από άλλα και για να σχεδιάσουν αλγόριθμους που μπορούν να χρησιμοποιηθούν από μια μηχανή για την ταξινόμηση. Σημαντικές εφαρμογές περιλαμβάνουν την αναγνώριση προσώπου, την αναγνώριση δακτυλικών αποτυπωμάτων, την ανάλυση εικόνας εγγράφων, την κατασκευή τρισδιάστατου μοντέλου αντικειμένου, την πλοήγηση ρομπότ και την απεικόνιση/εξερεύνηση τρισδιάστατων ογκομετρικών δεδομένων. Τα τρέχοντα ερευνητικά προβλήματα περιλαμβάνουν βιομετρικό έλεγχο ταυτότητας, αυτόματη επιτήρηση και παρακολούθηση, HCI χωρίς χειρισμό, μοντελοποίηση προσώπων, ψηφιακή υδατοσήμανση και ανάλυση δομής διαδικτυακών εγγράφων. Οι πρόσφατοι απόφοιτοι του εργαστηρίου έχουν εργαστεί στην αναγνώριση χειρογράφου, την επαλήθευση υπογραφών, την οπτική μάθηση και την ανάκτηση εικόνων».

⦁ Αναγνώριση Προσώπου
Γνωρίζουμε ότι τα συστήματα αναγνώρισης προσώπου γίνονται σταδιακά δημοφιλή ως μέσα εξαγωγής βιομετρικών πληροφοριών. Η αναγνώριση προσώπου έχει κρίσιμο ρόλο στα βιομετρικά συστήματα και είναι ελκυστική για πολλές εφαρμογές, συμπεριλαμβανομένης της οπτικής επιτήρησης και της ασφάλειας. Λόγω της αποδοχής από το ευρύ κοινό των εικόνων προσώπων σε διάφορα έγγραφα, η αναγνώριση προσώπου έχει μεγάλες δυνατότητες να γίνει η βιομετρική τεχνολογία επόμενης γενιάς της επιλογής.

Συστήματα Αναγνώρισης Εικόνας

⦁ Ανάλυση κίνησης
Αρκετές εργασίες σχετίζονται με την εκτίμηση κίνησης, όπου μια ακολουθία εικόνας υποβάλλεται σε επεξεργασία για να παραχθεί μια εκτίμηση της ταχύτητας είτε σε κάθε σημείο της εικόνας είτε στην τρισδιάστατη σκηνή, είτε ακόμη και της κάμερας που παράγει τις εικόνες. Παραδείγματα τέτοιων εργασιών είναι:

⦁  Κίνηση εγώ
Προσδιορισμός της τρισδιάστατης άκαμπτης κίνησης (περιστροφή και μετάφραση) της κάμερας από μια ακολουθία εικόνας που παράγεται από την κάμερα.

⦁ Παρακολούθηση
Η παρακολούθηση ακολουθεί τις κινήσεις ενός (συνήθως) μικρότερου συνόλου σημείων ενδιαφέροντος ή αντικειμένων (π.χ. οχήματα ή άνθρωποι) στη σειρά εικόνων.

⦁ Οπτική ροή
Αυτό γίνεται για να προσδιοριστεί, για κάθε σημείο της εικόνας, πώς κινείται αυτό το σημείο σε σχέση με το επίπεδο της εικόνας, δηλ., τη φαινόμενη κίνησή του. Αυτή η κίνηση είναι αποτέλεσμα τόσο του τρόπου με τον οποίο κινείται το αντίστοιχο σημείο 3D στη σκηνή όσο και του τρόπου με τον οποίο κινείται η κάμερα σε σχέση με τη σκηνή.

⦁ Ανακατασκευή σκηνής
Με δεδομένη μία ή (συνήθως) περισσότερες εικόνες μιας σκηνής ή ενός βίντεο, η ανακατασκευή σκηνής στοχεύει στον υπολογισμό ενός τρισδιάστατου μοντέλου της σκηνής. Στην απλούστερη περίπτωση το μοντέλο μπορεί να είναι ένα σύνολο τρισδιάστατων σημείων. Οι πιο εξελιγμένες μέθοδοι παράγουν ένα πλήρες μοντέλο 3D επιφάνειας

⦁ Επαναφορά εικόνας
Ο στόχος της αποκατάστασης εικόνας είναι η αφαίρεση του θορύβου (θόρυβος αισθητήρα, θόρυβο κίνησης κ.λπ.) από τις εικόνες. Η απλούστερη δυνατή προσέγγιση για την αφαίρεση θορύβου είναι διάφοροι τύποι φίλτρων, όπως φίλτρα χαμηλής διέλευσης ή φίλτρα διάμεσης τιμής. Οι πιο εξελιγμένες μέθοδοι υποθέτουν ένα μοντέλο για το πώς φαίνονται οι τοπικές δομές εικόνας, ένα μοντέλο που τις διακρίνει από τον θόρυβο. Αναλύοντας πρώτα τα δεδομένα εικόνας ως προς τις τοπικές δομές εικόνας, όπως γραμμές ή άκρες, και στη συνέχεια ελέγχοντας το φιλτράρισμα με βάση τοπικές πληροφορίες από το βήμα ανάλυσης, συνήθως επιτυγχάνεται καλύτερο επίπεδο αφαίρεσης θορύβου σε σύγκριση με τις απλούστερες προσεγγίσεις. Παράδειγμα σε αυτόν τον τομέα είναι η ζωγραφική τους. Ορισμένα συστήματα είναι αυτόνομες εφαρμογές που λύνουν ένα συγκεκριμένο πρόβλημα μέτρησης ή ανίχνευσης, ενώ άλλα αποτελούν ένα υποσύστημα μεγαλύτερου σχεδιασμού το οποίο, για παράδειγμα, περιέχει επίσης υποσυστήματα για έλεγχο μηχανικών ενεργοποιητών, σχεδιασμό, βάσεις δεδομένων πληροφοριών, διεπαφές μηχανών, κ.λπ. Η συγκεκριμένη υλοποίηση ενός συστήματος υπολογιστικής όρασης εξαρτάται επίσης από το εάν η λειτουργικότητά του είναι προκαθορισμένη ή εάν κάποιο μέρος του μπορεί να μάθει ή να τροποποιηθεί κατά τη λειτουργία. Υπάρχουν, ωστόσο, τυπικές λειτουργίες που βρίσκονται σε πολλά συστήματα υπολογιστικής όρασης.

 

Βαθύτερη εκμάθηση με αναγνώριση εικόνας

Η αναγνώριση εικόνας υπήρχε πριν από την τεχνητή νοημοσύνη. Ωστόσο, ο παράγοντας μηχανικής μάθησης φέρνει επανάσταση στις μεθόδους αναγνώρισης ενός αντικειμένου ή προσώπου. Ωστόσο, η μηχανική εκμάθηση είναι αποτελεσματική μόνο όταν υπάρχουν δεδομένα για να την τροφοδοτήσουν. Για όλη την αυτοματοποίηση της τεχνητής νοημοσύνης, η ανάθεση της στον εντοπισμό εικόνων δεν είναι ένα απλό αίτημα. Η κατανόησή μας για τα οπτικά είναι δεύτερη φύση. είναι κάτι που έχουμε προγραμματίσει να κάνουμε από μικροί. Το να ζητάς το ίδιο από ένα μηχάνημα δεν είναι μια απλή διαδικασία. Για το λόγο αυτό, μία από τις πιο δημοφιλείς μορφές αναγνώρισης AI είναι τα συνελικτικά νευρωνικά δίκτυα (CNN). Το CNN είναι μια μέθοδος που εστιάζει σε pixel που βρίσκονται το ένα δίπλα στο άλλο. Οι κοντινές εικόνες είναι πιο πιθανό να σχετίζονται, πράγμα που σημαίνει ότι ένα αντικείμενο ή ένα πρόσωπο αντιστοιχίζεται σε μια εικόνα με μεγαλύτερη διαφάνεια.
Ενώ οι επωνυμίες που θέλουν να δημιουργήσουν έσοδα από τα μέσα κοινωνικής δικτύωσης μέσω της αναγνώρισης εικόνας AI έχουν σαφή οφέλη, οι περιπτώσεις χρήσης της είναι πολύ βαθύτερες. Τα αυτοοδηγούμενα αυτοκίνητα πρόκειται να γίνουν το επόμενο μεγάλο πράγμα στον κόσμο του αυτοκινήτου και η τεχνολογία αναγνώρισης εικόνας AI βοηθά στην τροφοδοσία τους. Ένα αυτο-οδηγούμενο αυτοκίνητο που μπορεί να ανιχνεύσει αντικείμενα και ανθρώπους στο δρόμο, ώστε να μην τους χτυπήσει, δεν συμβαίνει αυτόματα. Πρέπει να αναγνωρίζει τις εικόνες για να λάβει τεκμηριωμένες αποφάσεις. Κάθε αυτοοδηγούμενο αυτοκίνητο είναι εξοπλισμένο με πολλούς αισθητήρες ώστε να μπορεί να αναγνωρίσει άλλα κινούμενα οχήματα, ποδηλάτες, ανθρώπους – βασικά οτιδήποτε μπορεί να αποτελέσει κίνδυνο. Ένα αυτοματοποιημένο αυτοκίνητο πρέπει να επεξεργάζεται τους κινδύνους του δρόμου με τον ίδιο τρόπο που κάνει ένας έμπειρος οδηγός. Υπάρχουν ακόμα μερικές πτυχές που πρέπει να ξεκαθαρίσουμε πριν βγουν στο δρόμο τα αυτόνομα αυτοκίνητα το 2020. Αλλά όταν ο αυτοματισμός του οχήματος ξεκινήσει, η αναγνώριση εικόνας AI θα είναι ένας από τους κύριους οδηγούς που θα λειτουργήσουν με ασφάλεια.
⦁ Απόκτηση εικόνας
Μια ψηφιακή εικόνα παράγεται από έναν ή περισσότερους αισθητήρες εικόνας, οι οποίοι, εκτός από διάφορους τύπους φωτοευαίσθητων καμερών, περιλαμβάνουν αισθητήρες εμβέλειας, συσκευές τομογραφίας, ραντάρ, κάμερες υπερήχων κ.λπ. Ανάλογα με τον τύπο του αισθητήρα, τα δεδομένα εικόνας που προκύπτουν είναι μια συνηθισμένη εικόνα 2D, ένας όγκος 3D ή μια ακολουθία εικόνων. Οι τιμές των εικονοστοιχείων αντιστοιχούν συνήθως στην ένταση φωτός σε μία ή περισσότερες φασματικές ζώνες (γκρίζες εικόνες ή έγχρωμες εικόνες), αλλά μπορούν επίσης να σχετίζονται με διάφορα φυσικά μέτρα, όπως βάθος, απορρόφηση ή ανάκλαση ηχητικών ή ηλεκτρομαγνητικών κυμάτων ή πυρηνικό μαγνητικό συντονισμό.
⦁ Προεπεξεργασία:
Προτού μπορέσει να εφαρμοστεί μια μέθοδος όρασης υπολογιστή σε δεδομένα εικόνας για την εξαγωγή κάποιου συγκεκριμένου τμήματος πληροφοριών, είναι συνήθως απαραίτητο να επεξεργαστούμε τα δεδομένα προκειμένου να διασφαλίσουμε ότι ικανοποιούν ορισμένες υποθέσεις που υπονοούνται από τη μέθοδο. Παραδείγματα είναι
1. Επανάληψη δειγματοληψίας για να βεβαιωθείτε ότι το σύστημα συντεταγμένων εικόνας είναι σωστό.
2. Μείωση θορύβου για να διασφαλιστεί ότι ο θόρυβος του αισθητήρα δεν εισάγει ψευδείς πληροφορίες.
3. Βελτίωση αντίθεσης για να διασφαλιστεί ότι μπορούν να εντοπιστούν σχετικές πληροφορίες.
4. Αναπαράσταση κλίμακας-χώρου για βελτίωση δομών εικόνας σε τοπικά κατάλληλες κλίμακες.
⦁ Εξαγωγή χαρακτηριστικών:
Τα χαρακτηριστικά εικόνας σε διάφορα επίπεδα πολυπλοκότητας εξάγονται από τα δεδομένα της εικόνας. Τυπικά παραδείγματα τέτοιων χαρακτηριστικών είναι οι γραμμές, οι ακμές και οι κορυφογραμμές
Τοπικά σημεία ενδιαφέροντος, όπως γωνίες, σταγόνες ή σημεία. Πιο πολύπλοκα χαρακτηριστικά μπορεί να σχετίζονται με την υφή, το σχήμα ή την κίνηση.
⦁ Ανίχνευση/τμηματοποίηση:
Σε κάποιο σημείο της επεξεργασίας λαμβάνεται μια απόφαση σχετικά με τα σημεία ή τις περιοχές της εικόνας σχετικά με την περαιτέρω επεξεργασία. Παραδείγματα είναι
1. Επιλογή συγκεκριμένου συνόλου σημείων ενδιαφέροντος
2. Τμηματοποίηση μιας ή πολλαπλών περιοχών εικόνας που περιέχουν ένα συγκεκριμένο αντικείμενο ενδιαφέροντος.
⦁ Επεξεργασία υψηλού επιπέδου:
Σε αυτό το βήμα η είσοδος είναι συνήθως ένα μικρό σύνολο δεδομένων, για παράδειγμα ένα σύνολο σημείων ή περιοχή εικόνας που θεωρείται ότι περιέχει ένα συγκεκριμένο αντικείμενο. Η υπόλοιπη επεξεργασία αφορά, για παράδειγμα:
1. Επαλήθευση ότι τα δεδομένα ικανοποιούν υποθέσεις βάσει μοντέλου και εφαρμογής.
2. Εκτίμηση συγκεκριμένων παραμέτρων εφαρμογής, όπως θέση αντικειμένου ή μέγεθος αντικειμένου.
3. Ταξινόμηση ενός ανιχνευμένου αντικειμένου σε διαφορετικές κατηγορίες. Έτσι, η επεξεργασία εικόνας βοηθά την τεχνητή νοημοσύνη να αναγνωρίσει την εικόνα και να ανταποκριθεί σύμφωνα με την αναγνώριση της εικόνας.

Ένα απρόσκοπτο μέλλον εικόνων

Καθώς η τεχνολογία βελτιώνεται, η αναγνώριση εικόνας θα αποφέρει ακόμα μεγαλύτερα αποτελέσματα. Ο επικεφαλής της Μηχανικής Μάθησης στο Lobster, Vladimir Pavlov, λέει, «Η μαθηματική βάση για την αναγνώριση αντικειμένων υπάρχει εδώ και πολύ καιρό, αλλά πρόσφατα εμφανίστηκαν τεχνολογικές δυνατότητες χρήσης αλγορίθμων όρασης υπολογιστή. Ήδη, τα νευρωνικά δίκτυα επιτρέπουν την κατασκευή τέλειων ανιχνευτών που είναι ικανοί να λειτουργούν καλύτερα από τους ανθρώπους. Ένα μεγάλο τράνταγμα εμποδίζει την παρουσία επισημασμένων συνόλων δεδομένων εικόνων για εκπαίδευση, αλλά στο εγγύς μέλλον, αυτό δεν θα είναι πρόβλημα. Οι μηχανικοί όρασης υπολογιστών εργάζονται ενεργά σε αλγόριθμους αυτοεκμάθησης». Με ένα μέλλον τόσο έντονα επηρεασμένο από την οπτική επικοινωνία, η αναγνώριση εικόνας θα είναι ο βασικός παράγοντας πίσω από πολλές από τις εικόνες που βλέπουμε. Τόσο στην πραγματική ζωή όσο και στο διαδίκτυο.