در تلاش خود برای شناسایی جعلی ، ادوبی را سر و صدا کنید. آنها قدرت یادگیری ماشین را برای کشف خودکار هنگام دستکاری تصاویر چهره ها به طور خودکار رها کردند.

Adobe AI به کمک تلاش های تحقیقاتی به همراه دانشمندان دانشگاه UC Berkelie در حال کار با شرکت های تحقیقاتی است.

Ryan Whitwam ، ExtremeTech ، گفت این تیم از یک شبکه عصبی Convolutional استفاده کرده است.

تیم ارتباطات Adobe درباره تمرین تمرینی خود وبلاگ نوشتند.

"محققان مجموعه ای از تصاویر گسترده آموزش را با نوشتن فتوشاپ برای استفاده از Face Aware Liquify بر روی هزاران تصویر بریده شده از اینترنت ایجاد کردند. یک زیر مجموعه از این عکس ها به طور تصادفی برای آموزش انتخاب شد. علاوه بر این ، یک هنرمند برای تغییر تصاویر که استخدام شده بود استخدام شد. این عنصر خلاقیت انسانی دامنه تغییرات و تکنیکهای مورد استفاده برای تست را فراتر از تصاویر تولید شده مصنوعی گسترش داده است. "

در این وبلاگ آمده است: "این ابزار همچنین زمینه ها و روش های خاصی از پیچ و تاب صورت را مشخص کرده است. در آزمایش ، این ابزار برای محاسبه وضعیت اصلی خود ، تصاویر تغییر یافته را برگرداند ، با نتیجه ای که محققان را تحت تأثیر قرار داد."

پروفسور الکسی A. افروس ، UC Berkeley ، گفت که اگرچه ممکن است به نظر غیر ممکن برسد زیرا تغییرات زیادی در هندسه صورت وجود دارد ، "در این حالت ، زیرا یادگیری عمیق می تواند به ترکیبی از داده های سطح پایین مانند تار کردن نگاه کند. به نظر می رسد که مصنوعات و همچنین نشانه های سطح بالاتر مانند چیدمان کار می کنند. "

Whitwam: "این ابزار تشخیص برجسته مناطق از تصویر که به نظر می رسد اصلاح شود و می توان آن را یک گام بیشتر به از آنجا که آموزش در یک ابزار نرم افزار Adobe تاسیس شده است، هوش مصنوعی می توانید ویرایشهای برای تولید یک تقریب بسیار خوبی از اصل معکوس می باشد. عکس. "

چگونه کار می کند: Adobe دارای یک ابزار روان سازی چهره ، برای ایجاد ترفندهایی در چهره شخص در یک تصویر (جیمز وینسنت اظهار داشت که ابزار Liquify Photoshop معمولاً برای تنظیم شکل صورت و تغییر چهره صورت مورد استفاده قرار می گرفت). ابزار جدید می تواند تشخیص دهد که آیا Face Aware Liquify مورد استفاده قرار گرفته است یا خیر.

این یک تلاش است اما هیچ گلول جادویی نیست. گفتنی است The Verge گفت ، این لحظه فقط یک پروژه تحقیقاتی است . جیمز وینسنت گفت ادوبی با همکاری دانشمندان UC برکلی ، تحقیق جدید را به اشتراک گذاشته است.

ویت وام: "این ابزار قادر به تشخیص چیزی غیر از فیلتر مایع سازی چهره Photoshop نیست. در ساخت یک هوش مصنوعی که می تواند تمام یا حتی بیشتر تکنیک های دستکاری تصویر را انجام دهد ، کار بسیار بیشتری را می طلبد."

با این وجود ، این یک تحقیق پژوهشی است که ارزش تماشای آن را دارد.

تیم ارتباطات Adobe در وبلاگ گفت: "اگرچه هنوز در مراحل اولیه خود است ، این همکاری بین Adobe Research و UC برکلی گامی به سوی دموکراتیک کردن پزشکی قانونی تصویر است ، علم کشف و تجزیه و تحلیل تغییرات در تصاویر دیجیتالی ."

مقاله که شرح کار آنهاست ، روی arXiv است. مقاله ارائه شده در این ماه با عنوان "کشف چهره های فتوشاپ با نگارش فتوشاپ" توسط شنگ-یو وانگ ، الیور وانگ ، اندرو اونز ، ریچارد ژانگ و الکسی efros منتشر شده است.

محققان ادوبی به خوبی می دانند که ، به تعبیر خودشان ، "سفر دموکراتیک کردن پزشکی قانونی تصویر تازه آغاز شده است."

Vincent in The Verge گزارش داد که هیچ برنامه فوری برای تبدیل این اثر به محصولی در دست نیست. وینسنت به نقل از سخنگوی ، گفت كه این فقط یك تلاش بسیاری در سراسر Adobe برای شناسایی بهتر دستکاری ها است - از دستکاری های موجود در تصویر ، فیلم ، صدا و اسناد.

نتیجه آزمایش آنها چه بود؟ آنها دقت شبکه عصبی را در چیدن دستکاری ها آزمایش کردند. ویت وام گفت: "هوش مصنوعی آموزش دیده بر روی عکس های دستکاری شده قادر به جعلی بودن جعلی با دقت 99٪ بود." جالب توجه: وینسنت گفت ، هنگامی كه از شما خواسته شد نمونه ای از چهره های ویرایش شده را مشاهده كنید ، داوطلبان انسانی فقط 53 درصد از زمان جواب درست را می دادند.

بعلاوه ، Adobe Photoshop یک ابزار ویرایش تصویر استاندارد است و اغلب در دستکاری های مخرب عکس استفاده می شود. مقاله درباره روش این تیم برای کشف یک دستکاری بسیار مشهور در فتوشاپ war تاباندن تصویر روی چهره های انسان استفاده می کند ، "با استفاده از مدلی که کاملاً با استفاده از تصاویر جعلی آموزش داده شده است که به طور خودکار توسط خود اسکریپت فتوشاپ تولید می شوند."

چرا اهمیت تحقیق آنها: آنها نشان دادند كه (1) مدل آنها در تشخیص تصاویر دستكاری (1) از انسانها بهتر عمل كرده است (2) می تواند موقعیت خاص ویرایش ها را پیش بینی كند و (3) در بعضی موارد می توان برای "خنثیسازی" یك دستكاری برای بازسازی تصویر ناشناخته استفاده كرد. .

بیشتر بخوانید: پمپ وکیوم خلاء عملکرد

شهروندان جزیره آنییتوم در جمهوری وناتو با اساتید دانشگاه بینگامتون ، دانشگاه ایالتی نیویورک همکاری می کنند تا ارزش واقعی خود را به عنوان انسان آزمایش کنند.

یو چن ، استادیار مهندسی برق و کامپیوتر و J. Koji Lum ، استاد مردم شناسی و علوم بیولوژیکی ، از یک سیستم بانکی زمانی غیرمتمرکز (BlendTBS) با استفاده از blockchain (BlendTBS) استفاده می کنند تا ارزش انسانها را از نظر تعهدات اجتماعی و کمک به آنها اندازه گیری کنند. دیگران. بانکداری وقت یک سیستم تجارت کار مبتنی بر متقابل است که در آن ساعت ها به عنوان ارز استفاده می شود. مردم به جای پرداخت پولی سنتی ، مهارت های خود را در ازای ساعت ها ارائه می دهند.

چن گفت: "بانکداری وقت ، فناوری blockchain را خاموش می کند ، برنامه ای که زمان تمام داده های لازم را به روشی مطمئن و شفاف ضبط می کند." "این یک رابطه قابل اعتماد ، جمعی را ترویج می کند و ارزش های مردم با توجه به مدت زمان قرار دادن آنها در فعالیت ها و کمک به خدمات به جامعه ارزیابی می شوند. این ارزش ها در سیستم بانکی زمانی (TBS) ثبت می شوند ، که پس از آن به افراد و سازمانها امکان می دهد. برای استفاده از مبادلات خدمات همتا به همسالان ، استفاده از زمان TBS برای انجام معامله. این سیستم ساکنان را ترغیب می کند تا در اجتماع محلی مشارکت کنند ، که در این صورت به تقویت پیوند بین اعضای جامعه کمک می کند . "

بخشی از برنامه تحقیق اجرای نمونه اولیه از سیستم BlendTBS در جزیره آنییتوم است. این منطقه در حال توسعه دارای آموزش رسمی محدود است اما به تلفن های همراه دسترسی دارد و آنها را به عنوان یک نقطه اصلی مطالعه میدانی برای رابط بصری و آیکون محور سیستم قرار می دهد. سیستم Vanuatu-BlendTBS دارای دو کارکرد اصلی است که به شرکت کنندگان امکان می دهد تا زمان کار را تعویض کنند ، و همچنین پاداش یا مجازات رفتارهای طرفدار و ضد اجتماعی را مجازات می کنند. داده ها با استفاده از فن آوری blockchain ضبط خواهند شد و محققان پیش بینی می كنند كه افراد شركت كننده بدون تغییر در زندگی روزمره خود می توانند داده های معنی دار ارائه كنند.

تحقیقات نشان می دهد که درگیری فعال در زندگی اجتماعی منجر به کیفیت بالاتر زندگی در افراد می شود و چن و لوم معتقدند که یک سیستم بانکی با تمرکز غیرمتمرکز می تواند پاسخی برای استفاده روز افزون از هوش مصنوعی (AI) باشد.

نمایی از ساحل روستای اصلی آنالوگلوات در آنییتوم. کاربران باید عکس را به کوجی لوم نسبت دهند. اعتبار: کوجی لوم
چن گفت: "هوش مصنوعی و یادگیری ماشین (ML) ارتباطات جهانی ، فعالیت های تجاری و روابط اجتماعی را در اقتصادهای صنعتی تغییر می دهند." "هوش مصنوعی می تواند از انسان بهتر عمل کند و آنها را در محیط کار جایگزین کند ، هزینه های تولید کنندگان را کاهش داده و شیوه ساماندهی اقتصاد و جامعه را تغییر دهد. این نگرانی ها راجع به ارزش انسان ها و اینکه چگونه می توانیم برای تحقق تعهدات اجتماعی خود تلاش کنیم ، ایجاد می کند. مسئله عدم انسجام اجتماعی ، باعث می شود افراد غریبه شوند و به یکدیگر اعتماد نکنند. "

به گفته محققان ، برای تعیین ارزش واقعی یک شخص ، می توان همه این مشکلات را کم کرد.

چن گفت: "این تحقیق نشان می دهد که ارزش یک انسان در انجام وظیفه ما نسبت به جامعه با خدمت به هموطنان خود نهفته است."

چن و لوم امیدوارند که این تحقیق مفهوم "کار" را در بین بشر بازتعریف کند و علاقه بیشتری به نقشهایی که فناوری blockchain می تواند در جامعه مدرن بازی کند ، القا کند.

چن گفت: "بر خلاف فعالیت های ذهنی یا جسمی برای دستیابی به مزایای ملموس ، اکثر مردم مشغول کارهایی هستند که نیازهای روانی ، عاطفی یا معنوی هموطنان را برآورده سازد." "تا آن زمان ، با ارزش ترین اعضای یک جامعه افرادی هستند که قادر به خدمت به افراد دیگر هستند."

مقاله "یک بانکداری با تمرکز غیرمترقبه با زمان Blockchain برای یک سیستم جدید با ارزش اجتماعی" در دومین کارگاه بین المللی توزیع لجر توزیع شده از چیزها (DLoT) که با کنفرانس IEEE 2019 در ارتباطات و امنیت شبکه (CNS) برگزار شد ، ارائه شد.

 بیشتر بخوانید: پمپ وکیوم خلاء در حمل و نقل روغن

یادگیری رمزگذاری شامل شناخت نحوه ساختن یک برنامه و چگونگی تکمیل آخرین جزئیات صحیح است. جای تعجبی نیست که می تواند بسیار ناامید کننده باشد.

برنامه جدید نوشتن برنامه هوش مصنوعی ، SketchAdapt ، راه حلی را ارائه می دهد. SketchAdapt که در ده ها هزار نمونه برنامه آموزش دیده است ، می آموزد که چگونه برنامه های کوتاه و سطح بالا را تهیه کند ، در حالی که به مجموعه دوم الگوریتم ها اجازه می دهد زیر برنامه های مناسب را برای پر کردن جزئیات پیدا کنند. برخلاف رویکردهای مشابه برای نوشتن برنامه خودکار ، SketchAdapt می داند چه موقع باید از الگوی آماری تطبیق به یک حالت استدلال کمتر کارآمد ، اما همه کاره تر ، سمبولیک برای پر کردن شکاف ها استفاده کند.

"Armando Solar-Lezama" ، استاد آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) می گوید: "شبکه های عصبی در به دست آوردن ساختار کاملاً مناسب هستند ، اما جزئیات آن بسیار خوب نیست." "با تقسیم کار - اجازه دادن به شبکه های عصبی ساختار سطح بالا و استفاده از یک استراتژی جستجو برای پر کردن شکاف ها - می توانیم برنامه های کارآمد بنویسیم که جواب درست را بدهند."

SketchAdapt همکاری بین Solar-Lezama و Josh Tenenbaum ، استاد مرکز CSAIL و مرکز مغز ، ذهن و ماشین MIT است. این اثر در کنفرانس بین المللی یادگیری ماشین در تاریخ 10-15 الی 15 ژوئن ارائه خواهد شد.

سنتز برنامه یا آموزش رایانه برای رمزگذاری ، مدتهاست که هدف پژوهشگران هوش مصنوعی بوده است. رایانه ای که بتواند خود برنامه ریزی کند ، احتمال دارد که زبان را سریعتر یاد بگیرد ، با روان صحبت کند و حتی الگوی شناخت انسان باشد. همه اینها خورشیدی لزاما را به عنوان دانش آموخته فارغ التحصیل به میدان آورد ، جایی که او پایه و اساس SketchAdapt را پایه گذاری کرد.

کار اولیه Solar-Lezama ، Sketch ، بر پایه این ایده است که اگر یک ساختار سطح بالا ارائه شود ، می توان جزئیات سطح پایین برنامه را بصورت مکانیکی یافت. از میان برنامه های دیگر ، Sketch الهام گرفته از اسپینوفرها بود تا به طور خودکار کارهای خانه را برنامه نویسی کنند و نمودارهای دستی را به کد تبدیل کنند. بعداً ، با افزایش محبوبیت شبکه های عصبی ، دانش آموزان آزمایشگاه علوم محاسباتی Tenenbaum همکاری را پیشنهاد کردند که از این طریق SketchAdapt شکل گرفت.

SketchAdapt به جای تکیه بر متخصصان برای تعریف ساختار برنامه ، آن را با استفاده از یادگیری عمیق تشخیص می دهد. محققان همچنین به این پیچیدگی اضافه كردند: وقتی شبكه های عصبی مطمئن نیستند كه كدی را در كجا قرار دهند ، برنامه SketchAdapt برنامه ریزی شده است تا نقاط خود را برای پر كردن الگوریتم های جستجو خالی كند.

ماکسول نی ، نویسنده ارشد این مطالعه ، می گوید: "این سیستم به خودی خود آنچه را که می داند و نمی داند تصمیم می گیرد." "هنگامی که گیر می کند و هیچ الگوی آشنایی برای ترسیم ندارد ، متغیرهایی را در کد قرار می دهد. سپس از یک استراتژی حدس و بررسی برای پر کردن سوراخ ها استفاده می کند."

محققان عملکرد SketchAdapt را با برنامه های مدل شده پس از نرم افزار اختصاصی RobustFill و DeepCoder مایکروسافت ، جانشینان ویژگی FlashFill Excel ، مقایسه کردند که سلول های مجاور را برای ارائه پیشنهادات در هنگام تایپ کردن ، تجزیه و تحلیل می کند. . RobustFill از یادگیری عمیق برای نوشتن برنامه های سطح بالا از مثال ها استفاده می کند ، در حالی که DeepCoder در یافتن و پر کردن جزئیات سطح پایین تخصص دارد.

محققان دریافتند که SketchAdapt در وظایف تخصصی مربوط به نسخه های تجدید شده RobustFill و DeepCoder بهتر عمل کرده است. SketchAdapt از برنامه شبیه RobustFill در تحولات رشته فراتر رفت. به عنوان مثال ، نوشتن برنامه ای برای خلاصه کردن شماره های تأمین اجتماعی به سه رقم و نام های اول با حرف اول آنها. SketchAdapt همچنین در نوشتن برنامه ها بهتر از برنامه مشابه DeepCoder عمل کرد تا لیستی از اعداد را تغییر دهد. فقط با نمونه هایی از برنامه های پردازش لیست سه خط ، SketchAdapt قادر به انتقال دانش خود به سناریوی جدید و نوشتن برنامه های چهار خط صحیح بود.

در یک کار دیگر ، SketchAdapt در تبدیل مشکلات ریاضی از انگلیسی به کد و محاسبه پاسخ از هر دو برنامه پیشی گرفت.

Rishabh Singh ، دانشجوی سابق فارغ التحصیل دانشگاه Solar-Lezama ، که اکنون محقق Google Brain است ، می گوید: موفقیت آن موفقیت امکان تغییر از تطبیق الگوی عصبی به یک جستجوی نمادین مبتنی بر قوانین است. "SketchAdapt می آموزد که چقدر به شناخت الگوی لازم برای نوشتن قسمت های آشنا از برنامه نیاز است ، و چقدر استدلال نمادین برای پر کردن جزئیات که ممکن است مفاهیم جدید یا پیچیده باشد ، لازم است."

SketchAdapt محدود به نوشتن برنامه های بسیار کوتاه است. هر چیزی بیشتر نیاز به محاسبه بیش از حد دارد. با این وجود ، محققان می گویند بیشتر هدف این است که برنامه نویسان را بجای جایگزین کردن آنها جایگزین کنیم. Nye می گوید: "تمرکز ما روی دادن ابزارهای برنامه نویسی به افرادی است که آنها را می خواهند." "آنها می توانند به کامپیوتر بگویند که چه کاری می خواهند انجام دهند ، و رایانه می تواند برنامه را بنویسد."

از همه گذشته ، برنامه نویسی همیشه تکامل یافته است. هنگامی که Fortran در دهه 50 معرفی شد ، منظور این بود که برنامه نویسان انسانی جایگزین شوند. Solar-Lezama می گوید: "نام کامل آن سیستم Fortran Automatic Coding System بود و هدف آن نوشتن برنامه ها و همچنین انسان ها بود اما بدون خطا." "آنچه واقعاً انجام داد این بود كه بیشتر كارهایی را انجام داد كه برنامه نویسان قبل از Fortran انجام می دادند. این ماهیت برنامه نویسی را تغییر داد."

 نویسنده: روش اندازه گیری پمپ وکیوم خلاء

محققان دانشگاه کاسینو و جنوبی لاتزیو در ایتالیا ، اخیراً یک معماری برش خورده را طراحی کرده اند که عملکرد یک روبات کمکی را از طریق رابط رایانه ای مغز مبتنی بر P300 (BCI) امکان پذیر می کند. این معماری ، که در مقاله ای که از قبل در ArXiv چاپ شده است ، ارائه شده است ، سرانجام می تواند به افراد دارای ناتوانی حرکتی شدید اجازه دهد وظایف دستکاری را انجام دهند ، بنابراین زندگی خود را ساده می کنند.

این سیستمی که توسط محققان ساخته شده است مبتنی بر یک دستگیرنده ربات سبک است. اساساً ، این مانیتور از طریق BCI بر اساس پارادایم P300 دستورات سطح بالایی را از کاربران دریافت می کند. در علوم اعصاب ، امواج P300 پاسخ هایی هستند که توسط مغز انسان در طی فرایند تصمیم گیری ایجاد می شود.

فیلیپو آریشیلو ، یکی از محققانی که این تحقیق را انجام داده است ، گفت: "هدف اصلی کار ما تحقق سیستمی بود که به کاربران امکان می دهد دستورالعمل های سطح بالایی را برای منبلترس های روباتیک از طریق رابط های رایانه ای مغز (BCI) تولید کنند." "این دستورالعمل ها سپس به دستورات حرکتی برای دست ساز رباتیک که بطور خودمختار به وظیفه تعیین شده دست می یابند ، ضمن اطمینان از ایمنی کاربر ، ترجمه می شوند."

معماری که توسط محققان ایجاد شده است دارای سه مؤلفه اصلی است: یک دستگاه P300 BCI ، یک ربات کمکی و یک سیستم ادراک. آریشیلیو و همکارانش این سه عنصر را در یک محیط ROS ، یک نرم افزار مشهور واسط برنامه های کاربردی رباتیک ، ادغام کردند.

اولین مؤلفه معماری ، دستگاه P300 BCI ، فعالیت الکتریکی موجود در مغز را از طریق الکتروانسفالوگرافی (EEG) اندازه گیری می کند. سپس این سیگنال های مغز را به دستوراتی ترجمه می کند که می توانند در کامپیوتر تغذیه شوند.

"پارادایم P300 برای BCI از واکنش مغز کاربر به محرکهای خارجی ، یعنی چشمک زدن به نمادها روی صفحه استفاده می کند تا کاربر بتواند با واکنش (مثلاً با شمارش) هر بار که نماد مورد نظر خود را انتخاب کند ، یک عنصر را روی صفحه انتخاب کند. فلش ، "آریشیلیو توضیح داد. "این به کاربر اجازه می دهد تا مجموعه ای از گزینه ها را در بین مجموعه ای از عناصر از پیش تعریف شده انجام دهد و پیام های سطح بالایی را برای روبات در رابطه با عملکرد ، مانند دستکاری یک شی ایجاد کند."

محققان برای انجام اقدامات مورد نظر کاربران ، از یک مانیتور روباتیک سبک به نام Kinova Jaco استفاده کردند . این نرم افزار کنترل ربات دستیاری دستورالعمل های سطح بالایی را ایجاد می کند که توسط کاربر از طریق BCI ایجاد شده و آنها را به دستورات حرکت تبدیل می کند. حرکت آن از طریق یک الگوریتم سینماتیک معکوس حلقه بسته کنترل می شود که می تواند همزمان وظایف مختلفی را مدیریت کند.

آریشیلیو گفت: "معماری کنترلی که ما توسعه دادیم به ربات اجازه می دهد تا به اهداف متعدد و اولویت دار برسد ، یعنی دستیابی به وظیفه دستکاری در حالی که از برخورد با کاربر و / یا موانع خارجی جلوگیری می کند ، و ضمن احترام به محدودیت هایی مانند محدودیت مکانیکی ربات".

مؤلفه نهایی معماری که توسط آریشیلیو و همکارانش ابداع شده است ، یک سیستم ادراک است که بر پایه یک سنسور RGB-D (یعنی Microsoft Kinect One) بنا شده است. این سیستم از سنسور Kinect One برای شناسایی و مکان یابی اشیایی که توسط ربات در فضای کار دستکاری می شوند ، استفاده می کند. این سنسور همچنین می تواند چهره کاربر را تشخیص داده ، وضعیت دهان خود را تخمین زده و موانع را تشخیص دهد.

آریشیلیو گفت: "پیامدهای عملی مطالعه ما کاملاً صریح و جاه طلب است." "هدف نهایی آن حرکت در جهت ایجاد یک مجموعه روباتیک قابل اعتماد و مؤثر است که در نهایت می تواند به کاربران دارای اختلالات شدید تحرک کمک کند تا کارهای روزمره را بطور خودمختار و بدون پشتیبانی مداوم از یک مراقب انجام دهند."

هنگامی که محققان شروع به کار روی ساخت یک ربات دستیاری توسط BCI کردند ، ابتدا آنها با سیستمی متشکل از یک دستگیرنده پایه ثابت که اشیاء را از طریق نشانگرها و با یک رابط کاربری از پیش تنظیم شده ، تشخیص می دهد ، آزمایش کردند. آنها اکنون این معماری را به طرز چشمگیری پیشرفت کرده اند ، تا جایی که به کاربران امکان می دهند سیستم های روباتیک پیچیده تری مانند ربات های متحرک با اسلحه دوتایی را کنترل کنند.

آریشیلو توضیح داد: "ما همچنین ماژول ادراک را بهبود بخشیده ایم که هم اکنون می تواند اشیاء را بر اساس شکل های آنها بشناسد و بومی سازی کند." وی ادامه داد: سرانجام ، ما بر روی تعامل بین ماژول ادراک و رابط کاربری گرافیکی (GUI) کار کردیم تا دینامیک GUI مطابق با تشخیص ماژول ادراک ایجاد شود (به عنوان مثال رابط کاربری بر اساس تعداد و نوع اشیاء شناخته شده به روز می شود. روی یک جدول توسط ماژول درک) ""

برای ارزیابی عملکرد و اثربخشی معماری آنها ، آریشیلیو و همکارانش با دستیابی به نتایج بسیار امیدوارکننده ، یک سری آزمایشات اولیه را انجام دادند. در آینده ، سیستم آنها می تواند زندگی افراد تحت تأثیر ناتوانی های حرکتی و جراحات جسمی را تغییر دهد و به آنها اجازه دهد انواع مختلفی از کارهای دستکاری را انجام دهند.

آریشیلیلو گفت: "تحقیقات آینده در درجه اول با هدف تقویت استحکام و قابلیت اطمینان در معماری ، فراتر از افزایش دامنه کاربرد سیستم ، انجام خواهد شد." "علاوه بر این ، ما پارادایم های مختلف BCI را آزمایش خواهیم کرد ، یعنی روش متفاوتی برای استفاده از BCI به عنوان نمونه های مبتنی بر تصاویر موتور ، تا بتوانیم مناسب ترین آن را برای برنامه های دوربرد شناسایی کنیم ، جایی که کاربر ممکن است با استفاده از BCI ربات را به عنوان نوعی کنترل کند. جوی استیک ، بدون محدود کردن فرمان حرکت برای روبات ها به یک مجموعه از پیش تعریف شده غیرقابل محدود کردن. "

بیشتر بخوانید: پمپ وکیوم خلاء پیچ خشک در تحویل مایعات

دانشمندان Geospatial با ضربه زدن به تصاویر Google Street View ، برنامه جدیدی را برای نظارت بر علائم خیابانی که نیاز به تعویض یا تعمیر دارند ، تهیه کرده اند.

این سیستم کاملاً خودکار با استفاده از تشخیص شیء با هوش مصنوعی آموزش داده می شود تا علائم خیابانی را در تصاویر آزادانه در دسترس قرار دهد.

در حال حاضر مقامات شهرداری مقادیر زیادی از وقت و هزینه را صرف نظارت و ثبت موقعیت جغرافیایی زیرساخت های راهنمایی و رانندگی می کنند ، کاری که کارگران را نیز در معرض خطرات ترافیکی غیرضروری قرار می دهد.

نتایج اخیراً در ژورنال رایانه ها ، محیط و سیستم های شهری منتشر شده نشان می دهد که سیستم علائم را با دقت نزدیک به 96٪ تشخیص می دهد ، نوع آنها را با دقت نزدیک به 98٪ شناسایی می کند و می تواند موقعیت جغرافیایی دقیق آنها را از تصاویر 2 بعدی ثبت کند.

اندرو کمپبل ، نویسنده اصلی مطالعه و دانشجوی Geospatial Science Geospatial University افتخارات دانشگاه RMIT ، گفت که مدل اثبات مفهوم برای دیدن علائم "توقف" و "راه دادن" (عملکرد) آموزش داده شده است ، اما می تواند برای شناسایی بسیاری از ورودی های دیگر آموزش ببیند. به راحتی قابل استفاده برای دولت های محلی و مقامات راهنمایی و رانندگی.

کمبل گفت: "(مقامات شهرداری) برای نظارت بر این زیرساخت ها شرایط لازم را دارند ، اما در حال حاضر هیچ روش ارزان یا کارآمد برای انجام این کار وجود ندارد."

"با استفاده از ابزارهای منبع آزاد و منبع باز ، اکنون ما یک سیستم کاملاً خودکار را برای انجام آن کار و انجام دقیق تر آن ایجاد کرده ایم."

این تیم در طول بررسی ها دریافتند که داده های مکان اجباری GPS در پایگاه های داده های نشانه های خیابانی موجود اغلب نادرست است ، گاهی اوقات تا 10 متر خاموش.

"ردیابی این علائم به صورت دستی توسط افرادی که ممکن است زمین شناس نباشند خطا را به پایگاه داده وارد می کند. سیستم ما ، پس از راه اندازی ، می تواند توسط هر تحلیلگر مکانی استفاده شود. شما فقط به سیستم می گویید منطقه را که می خواهید کنترل کنید و به نظر می رسد. کمپل گفت. "

کمپبل مفهوم اولیه این پروژه را به مربی صنعت خود در شورای آلپ شایر و دوره علمی علوم RMIT Geospatial ، Barrett Higman اختصاص داد.

دکتر Chayn Sun ، دانشمند و مدیر پروژه جغرافیایی RMIT ، گفت كه این واقعیت كه بعضی از شوراها قبلاً برای جمع آوری فیلم های خیابانی ، دوربین هایی را بر روی كامیون های زباله وصل كرده بودند ، نشان می داد كه داده های بصری با ارزش چگونه در حال تبدیل شدن هستند.

سان گفت: "این تصاویر برای دولت های محلی در نظارت و مدیریت دارایی ها بسیار مهم است و با رونق بسیار زیاد برنامه های جغرافیایی ، این اطلاعات تنها با ارزش تر می شوند."

"ما یکی از چندین برنامه اولیه برای رفع نیازهای خاص صنعت است ، اما در سالهای آینده تعداد بسیار بیشتری ظاهر می شود."

سان گفت فیلم هایی از منابع دیگر ، مانند دوربین های کامیون زباله یا هر تصویر جغرافیایی دیگری که از شبکه جاده جمع آوری شده توسط مسئولان شهرداری جمع آوری شده است ، نیز می توانند در سیستم تغذیه شوند.

وی گفت: "جایی که فیلم ها از قبل جمع آوری شده اند ، تحقیقات ما می تواند یک ابزار اقتصادی برای شوراها برای هدایت بینش و داده های مربوط به این منبع موجود در شوراها فراهم کند."

 نویسنده: پمپ وکیوم خلاء در تولید کود

NVIDIA و ARM یک قدرت مشترک را برای ابر رایانه ایجاد می کنند. انویدیا اعلام کرده است که تراشه های آن با پردازنده های ARM کار خواهند کرد. ناظران خارجی در اوایل این هفته مشغول ارزیابی این موضوع بودند که چرا این امر برای توانمندسازی هر دو شرکت بزرگ بوده است و تلاش برای توضیح اصلاً دشوار نبود.

پل لیلی ، HotHardware ، این برد برتر برای NVIDIA و ARM را پیدا کرد. وی ادامه داد: "همانطور که به حالت سابق مربوط می شود ، پس از اتمام بهینه سازی پشته ، این شرکت می تواند برای هر پلتفرم اصلی پردازنده از جمله ARM ، IBM Power و البته x86 پشتیبانی کند. و برای ARM ، دسترسی به پشته CUDA NVIDIA یک افزایش اساسی در اسب بخار GPU ، و یک نقطه فروش برای مشتریان. "

تیموتی پرتیست مورگان در برنامه بعدی گفت: ARM در تعدادی از مراكز HPC به تنگنا رسیده است ، بنابراین اقدام NVIDIA برای پذیرایی از این معماری پردازنده تعجب آور نبود .

لهجه می تواند بر روی کلمه کامل باشد. انبوه کامل نرم افزارهای AI و HPC انویدیا در دسترس اکوسیستم ARM است. روشی که تیموتی پرایست مورگان آن را دید ، یک نرم افزار محاسباتی GPU به اندازه سیستم عامل به ARM پیچیده است .

این شامل چه مواردی است؟ (1) کلیه کتابخانه های CUDA X AI و HPC ، (2) چارچوب های AI با سرعت GPU و 3 ابزار توسعه نرم افزار (به عنوان مثال ، کامپایلرهای PGI با پشتیبانی OpenACC).

انویدیا گفت که پشته نرم افزار AI و HPC با تسریع بیش از 600 برنامه HPC و کلیه چارچوب های هوش مصنوعی ، تا پایان سال در دسترس است .

CUDA مخفف معماری دستگاه محاسبه شده واحد است. Chris Mellor در The Register نوشت: "برای افراد ناآگاه ، CUDA یک رابط برنامه نویسی برای تبدیل پردازنده های گرافیکی Nvidia به شتاب دهنده های ریاضی برای برنامه های شبکه عصبی ، شبیه سازی ها و دیگر نرم افزارهای بردار بردار است ."

گرت هالاچری در مورد بیت فناوری در مورد آن صحبت کرد . آن را برای اهداف عمومی و به طور معمول غیر گرافیکی اجازه می دهد تا حجم کار بر روی یک پردازنده گرافیکی NVIDIA اعدام می شود، و برای وظایف سنگین که موازی خوب، او گفت: "این می تواند در افزایش چشمگیر به عملکرد منجر شود."

وی افزود ، CUDA قبلاً از ARM پشتیبانی می کرد ، اما تفاوت در این است که اکنون "انویدیا تأیید کرده است که کل نرم افزار AI و کارایی بالا با محاسبه محاسباتی را تا پایان سال به Arm منتقل خواهد کرد."

در خبرنامه انویدیا نیز تأیید شد كه دو شركت با بیش از 10 سال همکاری ، هیچكدام از كارگران در زمینه پشتیبانی از سیستمهای HPC غریبه نبودند. بنابراین ، هنگام ثبت عناوین خود ، ممکن است ثبت نام به دلیل خمیازه کشیده شود. "انویدیا CUDA را به آغوش می کشد" - ترجمه: ما هنوز کارهایی را انجام می دهیم که قبلاً انجام داده ایم اما اکنون کارهای بیشتری را انجام می دهیم. "

HotHardware گفت ، انویدیا دارای سابقه طولانی در همکاری با ARM است ، بنابراین این اطلاعیه حتی اگر "کمی دیر نشده" تعجب آور نباشد.

Mellor گفت: "هرکسی که یکی از تابلوهای توسعه اتومبیل و اینترنت اشیاء Nvidia را استفاده کرده است ، چیپس های اسپرت سیستم که دارای ترکیبی از هسته های CPU Arm Cortex و موتورهای GPU مبتنی بر Nv CUDA هستند ، خواهند دانست. Nvidia از قبل کتابخانه ها و ابزارهای سازگار با CUDA سازگار با Arm را توسعه داده و توزیع می کند. "

در همین حال ، استفان نلیس ، رویترز ، خاطرنشان كرد كه چگونه جدیدترین اقدام می تواند فشار NVIDIA را به سیستمهایی كه برای مدل سازی موضوعاتی از قبیل پیش بینی تغییرات آب و هوا استفاده می شود ، عمیق تر كند. وی گفت ، "محققان هم اکنون از تراشه های آن در داخل مراکز داده استفاده می کنند تا کار محاسبات هوش مصنوعی مانند آموزش رایانه ها برای تشخیص تصاویر را تسریع کنند ."

Halfacree گفت که انویدیا تأیید کرده است که می تواند پشته کامل CUDA را در ARM در دسترس قرار دهد "تا از علاقه صنعت برای استفاده از تراشه های کم مصرف در سیستم های اشیاء بعدی استفاده کند."

نلیس خاطرنشان کرد: این اقدام برای همکاری با ARM در ابر رایانه ها به دنبال توافق برای خرید شرکت اسرائیلی Mellanox Technologies است. "Mellanox تراشه های شبکه ای با سرعت بالا را ایجاد می کند که کمک می کند تا بسیاری از رایانه های کوچکتر به یک بزرگتر جمع شوند و در برخی از ابر رایانه های قدرتمند جهان یافت شود."

 بیشتر بخوانید: خرید اینترنتی پمپ وکیوم

از سال های نخست زندگی خود ، انسان توانایی ذاتی یادگیری مداوم و ساختن الگوهای ذهنی جهان را دارد ، صرفاً با مشاهده و تعامل با چیزها یا افراد اطراف خود. مطالعات روانشناسی شناختی نشان می دهد كه انسان از این دانش قبلاً به دست آمده ، بخصوص هنگام مواجهه با موقعیت های جدید یا هنگام تصمیم گیری ، استفاده گسترده ای می كند.

با وجود پیشرفت های چشمگیر اخیر در زمینه هوش مصنوعی (AI) ، بسیاری از عوامل مجازی هنوز هم برای دستیابی به عملکرد در سطح بشر در چندین کار ، صدها ساعت آموزش لازم دارند ، در حالی که انسان می تواند نحوه انجام این کارها را در چند ساعت یا کمتر یاد بگیرد. . مطالعات اخیر دو عامل مهم در توانایی انسان در دستیابی به دانش را به سرعت برجسته کرده است - یعنی فیزیک بصری و روانشناسی شهودی.

این مدل های شهودی ، که از مراحل اولیه رشد در انسان مشاهده شده اند ، ممکن است اصلی ترین عامل یادگیری آینده باشند. براساس این ایده ، محققان موسسه علوم و فناوری پیشرفته کره (KAIST) اخیراً روشی عادی سازی پاداش ذاتی را تهیه کرده اند که به عوامل هوش مصنوعی اجازه می دهد اقداماتی را انتخاب کنند که بیشترین مدل های شهودی آنها را بهبود می بخشد. محققان در مقاله خود ، که قبلاً در سایت arXiv منتشر شده است ، بطور خاص یک شبکه فیزیک گرافیکی را که با یادگیری تقویت عمیق با الهام از رفتار یادگیری مشاهده شده در نوزادان انسانی ایجاد شده ، پیشنهاد داده است.

محققان در مقاله خود توضیح می دهند: "نوزادان انسانی را در اتاقی با اسباب بازی هایی که در فاصله دور از دسترس قرار دارند تصور کنید." وی ادامه داد: "آنها دائماً در حال گرفتن ، پرتاب و انجام اعمال بر روی اشیاء هستند ؛ بعضی اوقات ، عواقب اعمال خود را مشاهده می کنند ، اما گاهی اوقات ، آنها علاقه خود را از دست می دهند و به سمت یک شی دیگر حرکت می کنند ." دیدگاه کودک به عنوان یک دانشمند نشان می دهد که نوزادان انسان هستند. با انگیزه ذاتی برای انجام آزمایشات خود ، کشف اطلاعات بیشتر و در نهایت یادگیری تمایز اشیاء مختلف و ایجاد بازنمایی داخلی غنی تر از آنها. "

مطالعات روانشناسی نشان می دهد که انسانها در سالهای اول زندگی خود به طور مداوم در حال آزمایش با محیط اطراف خود هستند و این به آنها امکان می دهد تا درک کلیدی از جهان داشته باشند. علاوه بر این ، هنگامی که کودکان نتیجه هایی را که انتظارات قبلی خود را برآورده نمی کنند ، مشاهده می کنند ، که به عنوان نقض انتظار شناخته می شود ، اغلب برای دستیابی به درک بهتر از وضعیتی که در آن قرار دارند ، ترغیب می شوند که بیشتر آزمایش کنند.

تیم محققان KAIST سعی کردند با استفاده از یک رویکرد یادگیری تقویت کننده ، این رفتارها را در عوامل هوش مصنوعی تولید مثل کنند. در مطالعه خود ، آنها ابتدا یک شبکه فیزیک گرافیکی را معرفی کردند که می تواند روابط فیزیکی بین اشیاء را استخراج کرده و رفتارهای بعدی آنها را در یک محیط 3 بعدی پیش بینی کند. پس از آن ، آنها این شبکه را با یک مدل یادگیری تقویت عمیق ادغام کردند و یک تکنیک عادی سازی پاداش ذاتی را معرفی کردند که یک عامل هوش مصنوعی را ترغیب به کشف و شناسایی اقداماتی می کند که به طور مداوم مدل شهودی آن را بهبود می بخشد.

محققان با استفاده از یک موتور فیزیک 3 بعدی ، نشان دادند که شبکه فیزیک گرافیکی آنها می تواند به طور موثری موقعیت ها و سرعت اجسام مختلف را استنباط کند. آنها همچنین دریافتند که رویکرد آنها به شبکه یادگیری تقویتی عمیق اجازه می دهد تا به طور مداوم مدل شهودی خود را بهبود ببخشد و آن را ترغیب به تعامل با اشیاء صرفاً بر اساس انگیزه ذاتی کند.

در یک سری ارزیابی ها ، تکنیک جدید ابداع شده توسط این تیم از محققان با دقت قابل ملاحظه ای روبرو شده است ، به طوری که عامل هوش مصنوعی تعداد بیشتری از اقدامات اکتشافی مختلف را انجام می دهد. در آینده ، این می تواند توسعه ابزارهای یادگیری ماشینی را که می توانند از تجربیات گذشته خود سریعتر و مؤثرتر یاد بگیرند آگاه سازند.

محققان در مقاله خود توضیح می دهند: "ما شبکه خود را بر روی هر دو حالت ثابت و غیر ثابت در صحنه های مختلف با اشیاء کروی با جرم و شعاع مختلف آزمایش کرده ایم." "امید ما این است که این مدلهای شهودی از قبل آموزش دیده بعداً به عنوان دانش قبلی برای سایر کارهای هدف گرا مانند بازی های ATARI یا پیش بینی فیلم استفاده شوند."

مطلب پیشنهادی: روند توسعه پمپ وکیوم خلاء پیچ

دستگاه های بلوتوث می توانند موقعیت مکانی شما را نشان دهند. این همان چیزی است که محققان دانشگاه بوستون در کاوشهای خود ، که به تفصیل در مقاله آنها "ردیابی دستگاههای بلوتوث ناشناس" توسط یوهانس بکر ، دیوید لی و دیوید استاروبینسکی ، در مجموعه مقالات مربوط به فن آوری های تقویت حریم خصوصی کشف کردند .

نویسندگان گزارش دادند كه آنها علیرغم محافظ داخلی ، روشی را برای ردیابی دستگاههای بلوتوث ابداع كرده اند.

آنها در سمپوزیوم Advanced Enhancing Technologies در استکهلم حضور داشتند و کار خود را اعلام کردند: یک الگوریتم شخص ثالث می تواند مکان برخی از دستگاه های بلوتوث را ردیابی کند.

سایت Brink ، سایتی که در تحقیقات دانشگاه بوستون متمرکز است ، درمورد یافته های این تیم در 17 ژوئیه بحث کرد. از اعضای تیم به بکر پرسیده شد که چه چیزی باعث شده آنها این موضوع را تعقیب کنند. بکر به Brink گفت: "ما به طور کلی به دنبال پروتکل های مختلف IoT می گشتیم و سعی می کردیم با این محصولات مسائل مربوط به حریم خصوصی را پیدا کنیم ." "اساساً همه در حال حاضر حدوداً بلوتوث را به شکلی ، شکل یا فرم حمل می کنند و این موضوع را بسیار مهم می کند."

در آستانه گفت که از زمان به روز رسانی اطلاعات محموله در یک نرخ متفاوت از اطلاعات مربوط به آدرس، ارتباط اکوهای بین دستگاه های بلوتوث رنگ یک الگوی مشخص می شود. محققان پس از کشف این آسیب پذیری ، تصمیم گرفتند که چقدر می توانند توسط شخص ثالث برای ردیابی دستگاه های فردی استفاده شوند.

PCMag India : وقتی دو وسیله را از طریق بلوتوث متصل می کنید ، یکی از آنها به عنوان قسمت اصلی اتصال و دیگری محیطی عمل می کند ، داده های مرتبط با اتصال از جمله یک آدرس تصادفی را ارسال می کند ، که مانند آدرس IP در لپ تاپ شماست یا کامپیوتر ، به دستگاه اصلی.

برای رمزگشایی تصادفی می توان از یک الگوریتم خرابکار استفاده کرد. آدرس حتی اگر این آدرس تصادفی مرتبا پیکربندی شود.

"اگرچه این اطلاعات شخصی را فاش نمی کند ، می تواند به اشخاص ثالث امکان یافتن دستگاههای بلوتوث فعال را پیدا کند و از این طریق افرادی که از آن دستگاه ها استفاده می کنند را پیدا کنند. از لحاظ تئوری ، این موضوع برای ردیابی مکان هر دستگاه دارای بلوتوث ممکن است به وجود بیاید. تلفن ، باند هوشمند یا هدفون ، "گفت PCMag هند .

همچنین بحث در مورد این تحقیق بلوتوث بود Ravie لاکشمانان در TNW :

برای آسان تر کردن جفت شدن دستگاه ، BLE (مخفف Bluetooth Low Energy) از کانال های تبلیغاتی غیر رمزگذاری شده عمومی برای اعلام حضور در دستگاه های مجاور استفاده می کند. این پروتکل در ابتدا نگرانی های مربوط به حریم خصوصی را برای پخش آدرس های دائمی Bluetooth MAC (کنترل دسترسی رسانه ها) دستگاه ها - شناسه منحصر به فرد 48 بیتی در این کانال ها به وجود آورده است.

با این حال ، BLE سعی کرد با اجازه دادن به تولید کنندگان دستگاه ، به جای یک آدرس MAC دائمی ، از یک آدرس تصادفی در حال تغییر و به صورت دوره ای استفاده کند ، این مشکل را حل کند.

بنابراین ، دستگاه ها ممکن است از یک آدرس تصادفی در حال تغییر و مرتب استفاده کنند و نه از آدرس کنترل دائمی دسترسی به رسانه (MAC) آنها. و مالش وجود دارد: نویسندگان نشان دادند كه چه تعداد دستگاه هایی كه چنین اقدامات ناشناس سازی را انجام می دهند در واقع می توانند در برابر ردیابی غیرفعال آسیب پذیر باشند.

iLounge در پرت مستقر در روز جمعه ترجمه این معنی را می دهد: "نقص اخیر در فناوری بلوتوث به افراد اجازه می دهد تا اپل ساعت ، مک ، آی پد و آیفون را ردیابی کنند. دستگاهها بی تأثیر هستند. "

مشخص شد که اندروید از این همه بی تأثیر نیست. محققان در مقاله خود اظهار داشتند: "ما آسیب پذیری ردیابی را توصیف می کنیم که بر روی دستگاه های ویندوز 10 ، iOS و MacOS تا زمانی که به طور مداوم توسط طرف مقابل مشاهده شود تأثیر می گذارد." به نظر نمی رسد که دستگاه های Android در برابر الگوریتم تکان دهنده منفعل آسیب پذیر باشند ، زیرا به طور معمول پیام های تبلیغاتی حاوی علائم شناسایی مناسب ارسال نمی کنند. "

چه کار کنیم؟

Samantha Wiley در iLounge گفت که راه حل پیچیده نیست ، فقط اگر نگران ردیابی بلوتوث خود هستید خاموش و روشن کنید. این کار را می توان از طریق تنظیمات System در نوار منوی macOS یا در تنظیمات آیفون خود انجام داد. "" به همین ترتیب ، Brink خنثی کردن این شکاف امنیتی "می تواند به سادگی خاموش و برگشت اتصال بلوتوث دستگاه شما ، حداقل در مورد ویندوز 10 و دستگاه های iOS باشد".

 بیشتر بخوانید: درک فشار شکن چگونگی محافظت از آب ما

به زودی در بعضی از خانه ها ، پدر و مادر جدیدی از تماشای گوشی هوشمند لذت می برند زیرا اولین بار مادرانی که پیام هایی مانند پوشک کلر را می خوانند خشک است. 46 دقیقه قبل بطری 1 ساعت 22 دقیقه بخوابید.

پیام های تلفنی فقط بخشی از یک سیستم کامل از طرف Pampers است. Pampers به ​​جای اینکه فقط از پوشک در ردیابی ادرار استفاده کند ، قصد دارد تا یک سیستم مراقبت متصل به نام Lumi را برای شما به ارمغان آورد . این گفتگوی فنی برای گفتن به والدین است که کودک پوشک را خیس کرده و اطلاعات دیگری را نیز به همراه دارد.

اکنون در قفسه ها نیست. سایت Pampers از بازدید کنندگان برای ثبت نام در لیست انتظار دعوت می کند. این سامانه برای این پاییز برنامه ریزی شده است.

چطور Lumi کار می کند: "این سنسور نوار مرطوب کننده آبی را در خارج از پوشک نگه می دارد تا مشخص کند چقدر خیس شده است ... برای استفاده از سنسور ، باید از پوشک های بهینه Lumi خریداری کنید ، زیرا آنها بزرگتر هستند و نوار رطوبت بیشتر قابل مشاهده است، گفت: "Devindra Hardewar در کالا .

اما صبر کنید، بیشتر وجود دارد. ماری باکا در واشنگتن پست گفت: پمپرز قصد دارد بارهای بیداری و خواب کودک و زمان تغذیه را برای کاربر ارسال کند.

از این گذشته ، یک پوشک هوشمند که فقط ادرار را اعلام می کند ، باعث می شود مصرف کنندگان گربه ها را بیرون بیاورند. شماره هاردووار اظهار داشت كه پمپرز "در حال دستیابی به چیزی كاملاً گسترده تر است. سیستم Lumi برای كاهش سال اول كودك برای والدین با ارائه اطلاعات هر چه بیشتر" است.

( به گفته سایت Pampers ، مانیتور HD با زاویه دید 1080 پیکسل دارای دید در شب و صدا دو طرفه است. دمای هوا و رطوبت اتاق را ردیابی می کند .)

برای درک این موضوع که چرا Pampers می خواهد به داخل پوشک هوشمند گسترش یابد ، تجزیه و تحلیل دنبال پول در ماه مه در Vox ظاهر شد . پمپرز به سختی بازیکن "تنها" جنگ گسترده ای از فناوری پوشک است .

مایکل واترز ، نویسنده ، به نقل از علی دیباج ، که صنعت کالاهای شخصی را برای گروه مدیریت سرمایه گذاری سانفورد سی برنشتاین ردیابی می کند. وی گفت: "این واقعیت که میزان زاد و ولد در ایالات متحده بسیار کم است ، علاقه زیادی را برای تلاش برای مصرف کننده برای صرف هزینه های بیشتر ایجاد کرده است." "تنها راهی که آنها می توانند تجارت خود را افزایش دهند ، عرضه محصولات بهتر به بازار است. تمام امید آنها ایجاد محصولاتی است که پایه مصرف کننده هزینه بیشتری را برای آن بپردازد."

سیستمی که Pampers در آن دارد دارای چندین مؤلفه است: (1) سنسور فعالیت ، (2) برنامه اطلاع رسانی ، برای Android و iPhone و (3) مانیتور ویدیویی. Engadget گفت که یک دوربین Logitech وارد مانیتور کودک Wi-Fi شده است.

هر دو Verily و Logitech با پمپرس روی سیستم کار می کردند. در واقع با سیستم عامل های نرم افزاری درگیر است که می تواند به جمع آوری اطلاعات مراقبت های بهداشتی کمک کند. دکتر جسیکا مگا ، رئیس ارشد پزشکی و علمی Verily گفت: این شرکت از تخصص گذشته خود در زمینه سنسورها و نرم افزارها برای این محصول استفاده کرده است.

پمپرز با Logitech برای توسعه دوربین خود همکاری کرد. این دوربین همچنین به عنوان مرکزی برای سنسور فعالیت عمل می کند و به هل دادن اطلاعات آن به حساب Pampers کمک می کند. Engrget گفت ، Engadget گفت ، وقتی امنیت به سیستم امنیتی ویدیو رمزگذاری شده Logitech تکیه کرده است ، صحبت از امنیت است .

بعد چی؟ پمپرز هنوز بهای سیستم لومی را اعلام نکرده است اما گزارش ها حاکی از آن است که این پاییز امسال به بازار عرضه می شود ، و سایت درخواست می کند که افراد علاقمند برای لیست انتظار ثبت نام کنند. سیستم Lumi شامل دو بسته پوشک است و Pampers جایگزینی را با اشتراک و در برخی فروشگاه ها ارائه می دهد.

Rebekah Tuchscherer در ایالات متحده امروز توضیح داد که مشتری آنلاین چه چیزی بدست خواهد آورد:

وی ادامه داد: یک جعبه به رنگ اشک متوسط ​​و با استفاده از مانیتور ویدئویی با زاویه دید 1080p با ضخامت 1080p ، دو سنسور فعالیت و دو بسته پوشک مخصوص با لکه های velcro مانند در قسمت جلو ، جایی که سنسورها قرار دارند وارد می شوند. هنوز در دسترس نیست. "

وی افزود: شما یکی از سنسورها را روشن کرده و آن را روی پچ پوشک مشخص شده قرار می دهید. این سنسور به طور خودکار ردیابهای مرطوب و الگوهای خواب کودک را ردیابی می کند و اطلاعات را به برنامه Lumi تلفن شما ارسال می کند. والدین همچنین می توانند زمان تغذیه و نقاط عطف را ترسیم کنند تا دامنه کامل تری از نحوه تکامل روال فرزند خود را با گذشت زمان مشاهده کنند. "

Cincinatti Business Courie r: سیستم Lumi by Pampers برای نوزادان از نوزادی تا 12 ماهگی طراحی شده است و پوشک در اندازه های صفر تا 4 در دسترس خواهد بود .

در تصویر بزرگتر ، فناوری کودک چقدر قریب الوقوع است؟ راهی که Baca آن را می بیند ، قطار در حال حاضر در ایستگاه است.

"شرکت ها راه اندازی bassinets متصل ، چراغ های هوشمند شب و پستانک ، بطری هایی که ردیابی خوراک و حتی برنامه ها را برای تکرار صدای والدین می گویند ،" Shush. "

در ابتدای سال جاری ، این کلمه وجود داشته است که شرکت راه اندازی کره ای Monit از 'پوشک هوشمند' در CES رونمایی کرده است ، که در آن سنسور به قسمت بیرونی پوشک کودک متصل شده است و همچنین می تواند حس کند هنگام پوشک پوشیدن است. CNET اظهار داشت: این مانیتور پوشک هوشمند Monit در اواخر سال 2018 در کره و ژاپن راه اندازی شد و این شرکت با کیمبرلی کلارک (Huggies اهل کیمبرلی-کلارک) همکاری می کند تا فناوری Monit را به Huggies وارد کند. در همین حال ، گزارش ماه مه در Vox گزارش داد كه سخنگوی كیمبرلی كلارك گفت این شركت در نظر دارد راه اندازی ایالات متحده را آغاز كند.

 بیشتر بخوانید: عملکرد یک ترانسمیتر فشار چیست؟

مدل های یادگیری ماشینی که می توانند احساسات انسانی را بشناسند و پیش بینی کنند ، طی چند سال گذشته به طور فزاینده ای رایج شده اند. به منظور عملکرد بیشتر این تکنیک ها ، داده های مورد استفاده برای آموزش آنها ابتدا توسط افراد انسانی حاشیه نویسی می شوند. علاوه بر این ، احساسات به طور مداوم در طول زمان تغییر می کنند ، که حاشیه نویسی فیلم ها یا ضبط صدا را به ویژه چالش برانگیز می کند ، و اغلب منجر به اختلاف بین برچسب ها و ضبط ها می شود.

برای پرداختن به این محدودیت ، محققان دانشگاه میشیگان اخیراً یک شبکه عصبی کانونشنال جدید را توسعه داده اند که می تواند همزمان با آن یادداشتهای احساسی را به روشی انتهایی و هماهنگ پیش بینی کند. آنها تکنیک خود را با نام شبکه همگام سازی چند تأخیری (MDS) در مقاله ای منتشر شده در IEEE Transactions on Computing Computing ارائه دادند .

"احساسات به طور مداوم در زمان تغییر می کند ؛ در گفتگوهای ما جاری می شود و جریان می یابد." Emily Mower Provost ، یکی از محققانی که این تحقیق را انجام داده است ، به TechXplore گفت. "در مهندسی ، ما اغلب توصیفهای مداوم از احساسات را برای سنجش میزان احساسات استفاده می کنیم. هدف ما پیش بینی این اقدامات مداوم از گفتار می شود. اما یک نتیجه گیری وجود دارد. یکی از بزرگترین چالش ها در کار با توصیف های مداوم از احساسات این است که این کار توسط تیم های حاشیه نویسان انسانی انجام می شود. اما مردم دستگاه نیستند. "

همانطور که توضیحات Mower Provost ادامه می دهد ، حاشیه نویسان بشر گاهی می توانند به نشانه های عاطفی خاصی توجه داشته باشند (مثلاً خنده) ، اما معنای پشت نشانه های دیگر را از دست می دهند (مثلاً آه ای عجیب). علاوه بر این ، انسان می تواند مدتی را برای پردازش یک ضبط طول بکشد ، و بنابراین ، واکنش آنها نسبت به نشانه های عاطفی گاهی به تأخیر می افتد. در نتیجه ، برچسب های احساسات مداوم می توانند تغییرات زیادی را ارائه دهند و گاه با گفتار در داده ها نادرست می شوند.

در مطالعه خود ، مورو ولایت و همكارانش به طور مستقیم به این چالش ها پرداختند و با تمرکز بر دو اقدام مداوم احساسات: مثبت بودن (استعداد) و انرژی (فعال سازی / برانگیختگی). آنها شبکه همگام سازی چند تاخیری را معرفی کردند ، روشی جدید برای کنترل غلط بین گفتار و حاشیه نویسی های مداوم که به انواع مختلفی از نشانه های صوتی واکنش نشان می دهد.

سهیل خرم ، یکی دیگر از محققان درگیر در مطالعه ، به TechXplore گفت: "توضیحات بعدی بطور مداوم از احساسات (به عنوان مثال برانگیختگی ، استعداد) اطلاعات مفصلی را در مورد تغییرات کوتاه مدت و روند طولانی مدت در بیان احساسات ارائه می دهد. "هدف اصلی مطالعه ما ایجاد سیستم تشخیص خودکار احساسات است که بتواند احساسات بعدی بعدی را از سیگنالهای گفتار تخمین بزند. این سیستم می تواند تعدادی از برنامه های دنیای واقعی را در زمینه های مختلف از جمله تعامل انسان و کامپیوتر داشته باشد ، آموزش الکترونیکی ، بازاریابی ، مراقبت های بهداشتی ، سرگرمی و قانون. "

شبکه مشروطه که توسط Mower Provost ، خرم و همکارانشان ایجاد شده است ، دو مؤلفه مهم دارد ، یکی برای پیش بینی احساسات و دیگری برای تراز کردن. مؤلفه پیش بینی احساسات یک معماری پیچیده متداول است که برای شناسایی ارتباط بین ویژگی های صوتی و برچسب های احساسات آموزش دیده است.

از طرف دیگر مؤلفه تراز ، لایه جدیدی است که توسط محققان معرفی شده است (یعنی لایه همگام سازی با تأخیر) ، که یک تغییر زمان قابل یادگیری را برای سیگنال آکوستیک اعمال می کند. محققان با درج چندین مورد از این لایه ها ، تغییرات تاخیر را جبران کردند.

خرم توضیح داد: "یک چالش مهم در ایجاد سیستم های خودکار برای پیش بینی برچسب های احساسی مداوم از زمان گفتار این است که این برچسب ها معمولاً با گفتار ورودی هماهنگ نمی شوند." وی گفت: "این عمدتا به دلیل تاخیرهای ناشی از زمان واکنش است که ذاتی در ارزیابی های انسان است. برخلاف رویکردهای دیگر ، شبکه عصبی کانونی ما قادر است همزمان برچسب ها را به صورت انتهایی تا انتها تنظیم کند. شبکه همگام سازی مفاهیم پردازش سیگنال سنتی (یعنی فیلتر همگام سازی) را در معماری یادگیری عمیق مدرن برای مقابله با مشکل تأخیر در واکنش نشان می دهد. "

محققان تکنیک خود را در یک سری آزمایش با استفاده از دو مجموعه داده در دسترس عمومی ، یعنی مجموعه داده های RECOLA و SEWA ارزیابی کردند. آنها دریافتند که جبران تأخیر در واکنش نشانگرها در هنگام آموزش مدل تشخیص احساسات ، منجر به پیشرفتهای چشمگیر در دقت تشخیص احساس می شود.

آنها همچنین مشاهده کردند که تأخیرهای واکنش حاشیه نویسان هنگام تعریف برچسبهای احساسی مداوم ، معمولاً از 7.5 ثانیه تجاوز نمی کنند. سرانجام ، یافته های آنها حاکی از آن است که بخش هایی از گفتار که شامل خنده است ، در مقایسه با مواردی که توسط دیگر نشانه های عاطفی مشخص شده اند ، به اجزای تأخیر کوچکتر نیاز دارند . به عبارت دیگر ، غالباً برای حاشیه نویسان تعریف برچسب های احساسات در بخش های گفتار که شامل خنده است ، آسان تر است.

مورو ولایت گفت: "احساسات در همه جا وجود دارد و برای ارتباطات ما اساسی است." وی گفت: "ما در حال ایجاد سیستم های قدرتمند و قابل تشخیص برای تشخیص احساسات هستیم تا افراد بتوانند به راحتی به این اطلاعات دسترسی پیدا کرده و از آنها استفاده کنند. بخشی از این هدف با ایجاد الگوریتم هایی انجام می شود که می توانند از منابع داده های خارجی خارجی بزرگ ، چه دارای برچسب و چه غیرفعال استفاده کنند و با استفاده از الگوی طبیعی دینامیک بخشی از نحوه برقراری ارتباط عاطفی است. بخش دیگر با درک همه از پیچیدگی هایی که ذات خود برچسب ها است ، انجام می شود. "

اگرچه Mower Provost ، خرم و همکارانشان از تکنیک خود برای انجام وظایف شناخت احساسات استفاده می کنند ، اما می توان از آن برای تقویت سایر برنامه های یادگیری ماشین نیز استفاده کرد که در آن ورودی ها و خروجی ها کاملاً مطابقت ندارند. در آینده کار محققان قصد دارند به تحقیق در مورد روش هایی که برچسب های احساسات تولید شده توسط حاشیه نویسان انسانی می توانند به طور موثر در داده ها ادغام شوند ، ادامه دهند.

خرم گفت: "ما از تقریبی عملکرد Delta Dirac و جبران تأخیرها ، از یک فیلتر همگام سازی استفاده کرده ایم. با این وجود ، به جای هسته همگام سازی ، سایر عملکردها مانند گاوسی و مثلثی نیز می توانند استفاده شوند." "آینده کار ما تأثیر استفاده از انواع مختلف هسته را که می تواند عملکرد دلتا دیراک را تقریبی کند مورد بررسی قرار می دهد. علاوه بر این ، در این مقاله ما بر روی حالت گفتار متمرکز شده ایم تا پیش بینی های مداوم احساسات را پیش بینی کنیم ، در حالی که شبکه همگام سازی چند تاخیری پیشنهادی منطقی است. یک روش آینده برای ارزیابی عملکرد شبکه پیشنهادی نسبت به سایر روشهای فیزیولوژیکی و رفتاری مانند: فیلم ، زبان بدن و EEG است. "

بیشتر بخوانید: محاسبات اندازه پمپ وکیوم خلاء