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

شناسایی با شخصی ، تمرینی است که به ما کمک می کند تا آنها را عمیقا درک کنیم ، با آنها همدلی کنیم و به ما در غلبه بر بی اعتمادی و تعصب کمک می کنیم. و این حتی در شرایطی اتفاق می افتد که کسی ربات باشد. این پویایی های بین فردی با یک مطالعه تجربی که در گزارش های علمی منتشر شد ، تأیید شد . این تحقیق نتیجه همکاری علمی دانشمندان ایتالیایی و فرانسوی است.

یکی از نویسندگان آن ، Francesco Pavani ، استاد روانشناسی در مرکز علوم ذهن / مغز (CIMeC) و در گروه روانشناسی و علوم شناختی دانشگاه ترنتو ، اظهار داشت: "ما این کار را با" پرت کردن "یک شرکت کننده نشان داده ایم. به یک ربات می توانیم نگرش او نسبت به روبات را تغییر دهیم. "

پاوانی در مورد چگونگی دستیابی به این مسئله توضیح داد: "با" پرت شدن "، منظور ما این است كه ما به شركت كنندگان این توهم را می دادیم كه از طریق چشمان روبات نگاه می كنند ، سر آن را مانند سر خود می چرخانند ، به آینه نگاه می كنند و خود را مانند یكدیگر می بینند. ربات "

در نتیجه ، شرکت کنندگان انسانی با روبات ها هویت بیشتری پیدا کرده و با آنها همدلی می کنند: "بر خلاف تمریناتی که شرکت کنندگان نمی توانستند سر روبات را حرکت دهند یا این کار را به صورت هماهنگ با سایر حرکات بدن انجام دهند ، در مطالعه ما این تجربه را انجام می دهند. راه رفتن در کفش های روبات باعث شد تا شرکت کنندگان رفتار دوستانه تری اتخاذ کنند ، و آنها را از نظر اجتماعی نزدیکتر بدانند. "

این مطالعه به بهبود ارتباط با فناوری کمک می کند و به افراد کمک می کند تا ترس خود را از روبات بر طرف کنند. پاوانی تصریح کرد: این جنبه ها بسیار مهم هستند ، زیرا یکی از مشکلات روباتیک امروزه نحوه ساخت روبات ها برای انسانها قابل قبول تر است. من در حال فکر کردن در مورد وسایل کمکی خودکار به ویژه هستم که بطور خاص بیشتر مورد استفاده قرار خواهد گرفت. زندگی روزمره آنها ، به عنوان مثال در مورد افراد دارای تحرک کاهش یافته است. در مطالعه ما نشان داده است که تجربه چگونگی احساس داخل یک روبات باعث می شود که آنها را قبول کرده و با آنها ارتباط برقرار کنیم. "

 بیشتر بخوانید: فرستنده ترانسمیتر فشار چگونه کار می کند؟

انتظار می رود با افزایش بازار لوازم الکترونیکی مصرفی مانند تلفن های هوشمند ، تقاضا برای شتاب سنج افزایش یابد و برنامه های نظارت بر زیرساخت های اجتماعی در حال گسترش است. چنین شتاب سنج های کوچک و تولید انبوه معمولاً با استفاده از فناوری MEMS سیلیکون که فرایند ساخت به خوبی تثبیت شده است ، تولید می شوند.

در طراحی شتاب سنج ، بین کاهش اندازه و کاهش نویز ، معامله ای صورت می گیرد ، زیرا نویز مکانیکی تحت سلطه نویز براون نسبتاً معادل با جرم الکترود متحرک است که به عنوان جرم اثبات نامیده می شود. علاوه بر این ، شتاب سنج های خازنی از حساسیت به طور کلی متناسب با اندازه شتاب سنج برخوردار هستند ، بنابراین در بین کاهش اندازه و افزایش حساسیت نیز وجود دارد. از آنجا که شتاب سنج های با وضوح بالا نیاز به عملکرد نویز کم و حساسیت بالا دارند ، تشخیص شتاب سنج های MEMS مبتنی بر سیلیکون معمولی برای شناسایی شتاب ورودی سطح 1 میکروگرم دشوار بوده است.

شتاب سنج MEMS با سر و صدای کم و حساسیت بالا

این گروه تحقیقاتی متشکل از محققان شرکت فناوری اطلاعات پیشرفته توکیو Tech و NTT ، پیش از این روشی را برای کوچک کردن اندازه جرم اثبات شده شتاب سنج های MEMS به کمتر از یک دهم با استفاده از مواد طلایی پیشنهاد داده اند. در این کار ، به عنوان پسوند این دستاورد ، آنها از سازه های فلزی چند لایه در جرم های ضد انعطاف پذیر و اجزای فنر استفاده کرده و شتاب سنج MEMS با صدای کم و با حساسیت بالا را توسعه داده اند.

ترک کرد؛ عکس یک شتاب سنج MEMS چگونگی فشار شکن با حساسیت بالا را نشان می دهد. توده اثبات طلا روی قالب سیلیکون ساخته شد. شتاب سنج در بسته بندی سرامیکی و سیم باند پیاده سازی شده است. درست؛ تصاویر SEM نمای نزدیک از توده اثبات طلا و ساختار بهار را نشان می دهد. ساختار ضد جرم طلا با ضخامت 22 میکرون با موفقیت با به کارگیری لایه های M4 و M5 توسعه یافت. ساختار بهار مارپیچ از لایه های M3 و M4 ساخته شده است. چشمه ها و جلوی مارها در هر گوشه جرم اثبات قرار داده شدند. اعتبار: سنسورها و مواد ، Daisuke Yamane
همانطور که در شکل 1 نشان داده شده است ، آنها با افزایش جرم در هر منطقه با استفاده از چند لایه از طلا برای ساختار جرم اثبات ، نویز براون را که از نظر معکوس متناسب با جرم اثبات است ، کاهش دادند.

علاوه بر این ، آنها با کاهش صفحه جنگی جرم اثبات ، از کل سطح تراشه 4 میلی متر مربع استفاده کردند که به آنها این امکان را داد تا حساسیت خازنی شتاب سنج را افزایش دهند. شکل 2 یک عکس تراشه و تصاویر میکروسکوپ الکترونی روبشی از شتاب سنج MEMS توسعه یافته را نشان می دهد.

شتاب سنج جدید دارای حساسیت> 100 برابر نسبت به فناوری قبلی و یک دهم صدای کمتر در همان اندازه است ، همانطور که در شکل 3 نشان داده شده است. فرایند ساخت مستلزم فرآیندهای microfabrication نیمه هادی و آبکاری، و در نتیجه آن می تواند امکان برای اجرای MEMS ساختار توسعه یافته بر روی یک تراشه مدار مجتمع. بنابراین ، فناوری پیشنهادی برای افزایش وضوح شتاب سنجهای مینیاتوری برای مصارف عمومی مفید خواهد بود.

نمودار مقایسه ای از نویز براون (BN) در مقابل حساسیت خازن را نشان می دهد. به لطف چگالی بالای طلا ، BN بدست آمده در این کار بیش از یک ترتیب از قدر کمتر از دستگاه های معمولی است که با همان حساسیت مقایسه می شوند. علاوه بر این ، دستگاه ما با استفاده از میکروماشین سازی سطحی ساخته شده است که برای کوچک سازی مفید است. اعتبار: سنسورها و مواد
این شتاب سنج می تواند در فناوری پزشکی و بهداشت و درمان ، نظارت بر زیرساخت ها ، کنترل دقیق ربات های سبک وزن ، کنترل وسیله نقلیه موبایل ، سیستم های ناوبری در مکان هایی که GPS نمی توانند استفاده شوند ، انجام شود و اندازه گیری محیط فضایی که نیاز به سنجش شتاب فوق العاده کم دارد.

با اولین جریمه های بزرگ برای نقض مقررات حفاظت از داده های عمومی اتحادیه اروپا (GDPR) برای ما ، و دولت انگلستان در مورد بازنگری دستورالعمل های GDPR ، محققان نشان داده اند که چگونه حتی می توان داده های ناشناس را می توان به افرادی که از یادگیری ماشین استفاده می کنند ، بازگرداند.

محققان می گویند مقاله آنها ، که امروز در ارتباطات Nature منتشر شده است ، نشان می دهد که اجازه استفاده از داده ها — برای مثال الگوریتم های هوش مصنوعی ، برای مثال - در حالی که حفظ حریم خصوصی افراد حفظ می شود ، نیاز به چیزی بیشتر از اضافه کردن سر و صدا ، نمونه گیری از مجموعه داده ها و سایر تکنیک های شناسایی ندارد. .

آنها همچنین یک ابزار نمایشی منتشر کرده اند که به افراد امکان می دهد درک کنند که چقدر احتمال ردیابی وجود دارد ، حتی اگر مجموعه اطلاعاتی که در آن قرار دارند ناشناس باشد و فقط بخش کوچکی از آن به اشتراک گذاشته شود.

آنها می گویند که یافته های آنها باید یک فراخوان بیداری برای سیاست گذاران در مورد لزوم تشدید قوانین برای آنچه که واقعاً داده های ناشناس است باشد .

شرکت ها و دولت ها هر دو به طور مرتب از داده های شخصی ما جمع آوری و استفاده می کنند . داده های ما و نحوه استفاده از آن تحت قوانین مربوطه مانند GDPR یا قانون حفظ حریم خصوصی مصرف کننده کالیفرنیا (CCPA) محافظت می شود.

داده ها نمونه برداری شده و ناشناس است ، که شامل سلب داده های شناسایی خصوصیات مانند نام ها و آدرس های ایمیل می شود ، بنابراین افراد به طور تئوری نمی توانند شناسایی شوند. پس از این فرآیند ، داده ها دیگر مشمول مقررات مربوط به محافظت از اطلاعات نیستند ، بنابراین می توان آنها را آزادانه به اشخاص ثالث مانند شرکت های تبلیغاتی و کارگزاران داده فروخت.

تحقیقات جدید نشان می دهد که یک بار داده ، با وجود تکنیک های ناشناس سازی ، می تواند با استفاده از یادگیری ماشین برای شناسایی مجدد افراد ، مهندسی معکوس شود.

این می تواند اطلاعات حساس را در مورد افراد مشخص شده در معرض دید افراد قرار دهد و به خریداران اجازه دهد پروفایل های شخصی به طور فزاینده ای از افراد ایجاد کنند.

این تحقیقات برای اولین بار نشان می دهد که چگونه این کار به راحتی و با دقت می تواند انجام شود - حتی با مجموعه داده های ناقص.

در این تحقیق ، 99.98 درصد آمریکایی ها به درستی در هر مجموعه داده "ناشناس" موجود با استفاده از 15 ویژگی ، از جمله سن ، جنس و وضعیت تأهل ، دوباره شناسایی شدند.

دکتر لوك روچر ، نویسنده اول از UCLouvain گفت: "در حالی كه ممكن است افراد زیادی كه در سی سالگی ، مرد و زندگی در شهر نیویورك زندگی می كنند ، زندگی كنند ، اما تعداد كمی از آنها نیز در 5 ژانویه متولد شده اند ، مشغول رانندگی در ورزش قرمز هستند. با دو کودک (هر دو دختر) و یک سگ زندگی کنید. "

برای اثبات این امر ، محققان یک مدل یادگیری ماشین تهیه کرده اند تا احتمال اینکه خصوصیات یک فرد به اندازه کافی دقیق باشد را برای ارزیابی فقط یک نفر در یک میلیارد میلیارد نفر ارزیابی کنند.

آنها همچنین یک ابزار آنلاین ایجاد کرده اند که داده را ذخیره نمی کند و فقط برای اهداف نمایش است ، تا به مردم کمک کند ببینند کدام ویژگی ها آنها را در مجموعه داده ها منحصر به فرد می کند.

این ابزار ابتدا از شما می خواهد که در قسمت اول کد (جنسیت) و تاریخ تولد آنها (UK) یا ZIP (US) ، جنسیت و تاریخ تولد آنها را قرار دهید ، قبل از اینکه به آنها احتمال دهید مشخصات آنها دوباره در هر مجموعه اطلاعاتی ناشناس شناخته شود ، قرار دهید .

سپس قبل از محاسبه مجدد از وضعیت تاهل شما ، تعداد وسایل نقلیه ، وضعیت مالکیت خانه و وضعیت اشتغال می پرسد. با افزودن مشخصات بیشتر ، احتمال صحت یک مسابقه به طرز چشمگیری افزایش می یابد.

بیشتر بخوانید: فناوری استخراج پمپ وکیوم خلاء حلقه آب

دکتر ایو اسکندر دی مونوشی ، نویسنده ارشد ، از دپارتمان محاسبات و مؤسسه داده اطلاعات امپریال ، گفت: "این اطلاعات کاملاً استانداردی است که شرکتها می توانند از آنها بخواهند. داده های مربوط به هر کس که بلافاصله ناشناس شود. تحقیقات ما نشان می دهد که افراد به راحتی و با چه دقت می توانند ردیابی شوند.

وی افزود: شرکت ها و دولت ها با بیان اینکه مجموعه داده های فروشی آنها همیشه ناقص هستند ، خطر شناسایی مجدد را پایین آورده اند.

"یافته های ما با این موضوع مغایرت دارد و نشان می دهد که یک مهاجم می تواند به راحتی و با دقت تخمین بزند که سابقه ای که آنها پیدا کردند متعلق به شخصی است که در جستجوی آن بودند."

شناسایی مجدد داده های ناشناس این است که چگونه روزنامه نگاران در ماه مه سال 2019 میلادی مالیات های دونالد ترامپ را در معرض بازده مالیاتی قرار دادند.

دکتر جولیان هندریکس از نویسندگان UCLouvain گفت: "ما اغلب اطمینان می دهیم که ناشناس ماندن اطلاعات شخصی ما را ایمن نگه می دارد. مقاله ما نشان می دهد که شناسایی هویت به هیچ وجه به اندازه کافی برای محافظت از اطلاعات شخصی افراد نیست."

محققان می گویند سیاست گذاران باید اقدامات بیشتری برای محافظت از افراد در برابر چنین حملاتی انجام دهند ، این امر می تواند پیامدهای جدی برای مشاغل و همچنین زندگی شخصی و مالی داشته باشد.

آنها را دیوانه بنامید ، اما مقطعی از زندگی بشر وجود دارد که نمی خواهند در گروه های چت اجتماعی ظاهر شوند مانند شکافهایی با بینی قرمز و گوشهای بانی. پسندیدن. همیشه.

آنها را بیهوده بنامید ، اما این مقطع می خواهد چهره هایشان از شخصیت هایی بیرون بیاید که ظاهراً موزون و موزون به نظر می رسند. برای دومی ، یک راه حل تسکین دهنده غرور در انتظار است.

" پرتره ها زیبایی بیرونی ، وضعیت اجتماعی را تفسیر می کنند ، و سپس از بدن و صورت ما فراتر می روند. یک پرتره به یک تحلیل روانشناختی و بازتاب عمیق در مورد وجود ما تبدیل می شود."

این دعوتی است که می توانید هنگام ارسال عکس خود به محققان پرتره های آرس ارس چه چیزی اتفاق بیفتد ، رخ دهد. ابزار هوش مصنوعی آنها می تواند headshot شما را به چیزی تبدیل کند که مانند یک نقاشی عالی است.

TNW گفت: محققان در آزمایشگاه MIT-IBM Watson AI Lab ، AI Portraits Ars ساخته شده اند تا کار خود را بسازند و در 45000 پرتره آموزش داده شده است ، از سبک های مختلفی از دوره اولیه رنسانس تا دوره معاصر .

"AI پرتره آرس قادر به نقاشی پرتره در زمان واقعی با رزولوشن 4K است، گفت:" تیم .. "شما خود را در مقابل یک پیدا آینه و احساس هزاران رامبراند، کاراواجو، تیتان به تصویر کشیدن شما لحظه پس از لحظه ای است."

شما لازم نیست که انتخاب کنید که چه سبکی را می خواهید ، هر چند. جیمز وینسنت در The Verge گفت: هوش مصنوعی "تصمیم می گیرد كه كدام فرمت را بگیرد ، نه شما" ، بعضی از عناصر موجود در هر سلفی ممکن است الگوریتم را ترغیب كنند كه از یك سبك خاص استفاده كند .

تیم پشت این ابزار گفتند که آنها با استفاده از شبکه مخالف ژنراتور (GAN) خود بر روی 45000 تصویر پرتره ، پرتره های AI Ars را آموزش داده اند. آنها افزودند: " GAN از دو شبکه عصبی تشکیل شده است ، یکی یاد می گیرد که پرتره های افراد (تبعیض آمیز) را بشناسد ، و دیگری یاد می گیرد که آنها را تولید کند (ژنراتور)."

(کارن هائو در ژانویه به GANs در بررسی فناوری MIT اشاره کرد : "GAN ها ، یا شبکه های مخالف مولد ، ستاره الگوریتم های رسانه های اجتماعی الگوریتم های هوش مصنوعی هستند. آنها مسئول ایجاد اولین نقاشی هوش مصنوعی هستند که تا کنون در حراج هنری فروخته شده است ... آنها با ایجاد دو شبکه عصبی در برابر یکدیگر کار می کنند تا بر اساس آنچه تغذیه می شوند ، خروجی های واقع بینانه ایجاد کنند. ")

ناپیر لوپز ، TNW : "تصاویر ممکن است دقیقاً مانند منابع آنها به نظر نرسند - من نتوانستم تصویری را که به وضوح شبیه من بود ، ارائه دهم - اما نتیجه نهایی می تواند کسی را فریب دهد که فکر کند نقاشی های واقعی از یک نگاه با یک نگاه است. "

بدون شک پیروان جدی هنر می خواهند این نکته را بیان کنند که چنین ابزارهایی در واقع با مهارت و خلاقیت هنرمندان اصلی اشتباه نمی گیرند ، اما با این وجود این تمرین در شبه پرتره بسیار جالب است. و سازندگان آن توجه داشته اند که می تواند آموزنده نیز باشد. حداقل برای آنها آنها به بررسی روند پیش از خود و تاریخ هنر پرداختند.

مورد در مورد: انتظار زیادی از دندانها و برآمدگی ها را ندارید.

وی ادامه داد: استادان پرتره به ندرت افراد خندان را لبخند می زنند زیرا لبخند و خنده معمولاً با جنبه طنز تر نقاشی ژانر در ارتباط بودند و از آنجا که نمایش چنین عباراتی آشکار به عنوان لبخند به نظر می رسد چهره نشاط را تحریف می کند این عدم توانایی هوش مصنوعی است. تولید مثل لبخندهای ما چیزی را در مورد تاریخ هنر به ما یاد می دهد. "

بیشتر بخوانید: پمپ وکیوم خلاء بدون روغن در صنعت تولید پالپ افرا

محققان دانشگاه ایالتی کارولینای شمالی و دانشگاه الون تکنیکی را ایجاد کرده اند که به آنها امکان می دهد از راه دور حرکت روبات های نرم را کنترل کنند ، آنها را تا زمانی که لازم باشد در موقعیت خود قفل کنند و بعداً روبات ها را در شکل های جدید پیکربندی کنند. این تکنیک به زمینه های نور و مغناطیسی متکی است.

جو تریسی ، استاد علوم و مهندسی مواد در ایالت NC و نویسنده مربوطه در مورد این مقاله می گوید: "ما به خصوص از تنظیم مجدد بسیار هیجان زده هستیم." "با مهندسی کردن خصوصیات مواد ، می توان حرکت ربات نرم را از راه دور کنترل کرد ؛ می توانیم آن را نگه داریم تا شکل خاصی را در خود نگه دارد ؛ سپس می توانیم ربات را به شکل اصلی خود برگردانیم یا حرکت آن را تغییر دهیم." همه این موارد از نظر ابزار این فناوری در برنامه های کاربردی زیست پزشکی یا هوافضا بسیار با ارزش است. "

محققان برای این کار از روباتهای نرم ساخته شده از پلیمر تعبیه شده با میکرو ذرات آهن مغناطیسی استفاده کردند. در شرایط عادی ، ماده نسبتاً سفت است و شکل خود را حفظ می کند. با این حال ، محققان می توانند با استفاده از نور از یک دیود تابش نور (LED) ، این ماده را گرم کنند ، و این باعث می شود پلیمر قابل پایدار باشد. محققان پس از عملی شدن ، ثابت كردند كه می توانند با استفاده از یك میدان مغناطیسی ، شکل ربات را از راه دور كنترل كنند . محققان پس از شکل دادن به شکل مورد نظر ، می توانند چراغ LED را از بین ببرند ، به این روبات اجازه می دهد تا سختی اصلی خود را از سر بگیرد - به طور موثر شکل را در محل قفل کند.

محققان با استفاده از بار دوم و از بین بردن میدان مغناطیسی ، توانستند روبات های نرم را به حالت اولیه خود برگردانند. یا آنها می توانند مجدداً نور را به کار گیرند و میدان مغناطیسی را برای جابجایی روبات ها دستکاری کنند یا آنها را مجبور به گرفتن شکل های جدید کنند.

در آزمایش های تجربی ، محققان نشان دادند که می توان از روبات های نرم برای تشکیل "دستگیره" برای بلند کردن و حمل اشیاء استفاده کرد. از روبات های نرم نیز می توان به عنوان گلدان استفاده کرد ، یا با گلبرگهایی که در جهت های مختلف خم می شوند در گلها قرار می گیرند.

جسیکا لیو ، نویسنده اول مقاله و دکترا می گوید: "ما فقط به پیکربندی های باینری محدود نمی شویم ، مانند این که یک دستگیره باز یا بسته باشد". دانشجوی NC ایالت. "ما می توانیم نور را کنترل کنیم تا اطمینان حاصل شود که یک روبات در هر نقطه شکل خود را حفظ خواهد کرد."

علاوه بر این ، محققان یک مدل محاسباتی را تهیه کردند که می تواند برای ساده سازی روند طراحی روبات نرم استفاده شود. این مدل به آنها اجازه می دهد تا قبل از ساختن نمونه اولیه ، شکل یک ربات ، ضخامت پلیمر ، فراوانی ریز ذرات آهن در پلیمر و اندازه و جهت میدان مغناطیسی مورد نیاز را مرتب کنند.

بیشتر بخوانید: توضیحاتی در مورد ترانسمیتر فشار

تریسی می گوید: "مراحل بعدی شامل بهینه سازی پلیمر برای برنامه های مختلف است." "برای مثال ، پلیمرهای مهندسی که به منظور پاسخگویی به نیازهای برنامه های خاص ، در دماهای مختلف پاسخ می دهند."

مقاله "بازسازی مجدد تنظیم شده توسط فوتوترمی و مغناطیسی کامپوزیت های پلیمری برای روباتیک نرم" ، در مجله Science Advances آمده است . اولین نویسنده مقاله جسیکا لیو ، دکترای دکتری است. دانشجوی NC ایالت. این مقاله توسط جاناتان گیلن ، دانشجوی سابق کارشناسی ارشد در ایالت NC ، تألیف شده است. Sumeet Mishra ، دانشجوی دکتری سابق. دانشجو در ایالت NC؛ و بنیامین ایوانز ، استادیار فیزیک در دانشگاه الون.

ایالات متحده می تواند هر ساله انرژی کافی را با مهار زباله - از محل دفع زباله از کود دامی گاو - برای تأمین نیرو در ایالات اورگان و واشنگتن ، تولید کند ، همه این در حالی است که معادل 37 میلیون کربن به ارزش خودرو کاهش می دهد.

براساس تحقیقات منتشر شده در Nature Energy از اکولوژیست صنعتی UCLA و اقتصاددان انرژی Deepak Rajagopal و نامزد دکترای برنامه ریزی شهری Bo Liu.

لیو گفت: "فایده استفاده از زباله این است که به هر حال ما زباله تولید می کنیم. این یک منبع باقیمانده است که ما معمولاً در مورد آن فکر نکرده ایم."

انواع زباله های مورد بررسی در کاغذ در زیر چتر بیوشیمیایی - منابع تجدید پذیر که از تبدیل مواد گیاهی و حیوانی به الکتریسیته ، سوخت های زیستی یا گرما به دست می آیند. لیو گفت در حالی که ایالات متحده در مقیاس وسیع انرژی زباله تولید نمی کند ، فرآیندهای بدست آوردن انرژی از مواد آلی به خوبی تثبیت شده اند. به عنوان مثال ، کارخانه های زباله به انرژی اروپایی ، براساس کنفدراسیون گیاهان زباله به انرژی اروپا ، در سال 2017 میلادی 106 میلیون تن زباله را پردازش کردند.

سوخت زیستی یکی از انواع محصولات زیستی است که به طور گسترده در ایالات متحده تولید می شود - تقریباً همه آن از محصولات کشاورزی حاصل می شود. براساس کتاب داده انرژی Biomass ، در سال 2011 ، 96٪ از اتانول تولید شده در ایالات متحده از ذرت حاصل شده است.

سیاست گذاران و منافع تجاری چندین دهه است که سوخت های زیستی را از محصولات زراعی ترویج می کنند. در سال 2005 ، کنگره معیارهایی را تصویب کرد که نیاز به ترکیب سوخت های تجدید پذیر در بنزین و سایر سوخت های حمل و نقل دارد. ایالات متحده همچنین برای 35 سال گذشته میلیاردها دلار به مالیات دهندگان یارانه ای از اتانول هزینه کرده است.

اما اتانول مبتنی بر محصول مشکلات دیگری ایجاد می کند ، از جمله افزایش قیمت مواد غذایی و آسیب های زیست محیطی از گسترش کشاورزی ، از جمله تخریب زیستگاه ، رواناب کود و استفاده از آب . این تأثیرات باعث شده است تا برخی از متخصصان خواستار کاهش مصرف آن شوند.

Rajagopal گفت: "ایالات متحده سوخت های زیستی را آزمایش کرده است و آنها مهم هستند زیرا ما به منابع تجدید پذیر بیشتری نیاز داریم ، اما ما به سوخت های زیستی بهتری نیاز داریم."

در عوض استفاده از زباله به عنوان منبع می تواند جایگزینی پایدار برای رشد صنعت آینده باشد. با این حال ، تمام سوخت های زیستی زباله به طور مساوی ایجاد نمی شوند. مزایا بسته به نوع زباله استفاده می شود ، نحوه پردازش آن ، محصولات نهایی و کجا تولید می شود. Rajagopal و Liu با استفاده از تجزیه و تحلیل چرخه زندگی ، و یا معاینه محصولات از ایجاد تا پایان عمر ، چهار نوع زباله را بررسی کردند: کشاورزی ، جنگلداری ، دفن زباله و کود گاو.

بیشتر بخوانید: فشار شکن چگونه کار می کند؟

این مطالعه شامل 15 فناوری تبدیل انرژی و 29 نوع زباله است. در تجزیه و تحلیل خود ، محققان داده های موجود از ادبیات مربوط به فن آوری های تبدیل زباله را با در دسترس بودن زباله های محلی از برآوردهای سال پایه و پرتفوی برق برای تعیین سود نسبی انرژی و کاهش تولید گازهای گلخانه ای ترکیب کردند .

از آنجا که سوختن محصولات زیستی خود تولید گازهای گلخانه ای را تولید می کند ، توانایی بیولوژیکی در کاهش کلی گازهای گلخانه ای با انرژی جایگزین گره خورده است و باعث می شود زمینه محلی مهم شود. برای مثال ، پس انداز گازهای گلخانه ای از استفاده از بیولوژیک برای تولید برق در مناطقی که برق از سوخت های مبتنی بر کربن مانند زغال سنگ حاصل می شود ، بیشتر است ، برخلاف مناطقی که انرژی خورشیدی و باد زیادی تولید می کنند.

به طور کلی ، این مطالعه نشان داد که ایالات متحده توانایی تولید 3.1 تا 3.8 اگزاول (اندازه گیری انرژی) انرژی تجدید پذیر هر ساله با استفاده از منابع زاید موجود را دارد. با مقایسه ، تمام ایالت های واشنگتن و اورگان در سال 2017 حدود 3.3 اگزاول انرژی مصرف کردند. این مطالعه همچنین به این نتیجه رسیده است که استفاده از فرآورده های زباله امکان جابجایی 103 تا 178 میلیون تن انتشار دی اکسید کربن را دارد - معادل معادل 37 میلیون وسیله نقلیه مسافربری که از جاده خارج می شوند براساس انتشار خودروهای معمولی مسافر از 4.6 تن دی اکسید کربن هرکدام. سال

یافته کلیدی این بود که هیچ روش تولید بیوژنیک افزایش حداکثر انرژی خالص ، افزایش انرژی تجدید پذیر و مزایای اقلیمی را به حداکثر نمی رساند. برخی از آنها انرژی تجدید پذیر بیشتری ایجاد می کنند ، اما برای این کار به انرژی بیشتری نیاز دارند و در نتیجه باعث کاهش صرفه جویی در انتشار گازهای گلخانه ای در کل می شوند. بنابراین ، شناسایی کاربرد بهینه بیولوژیکی در هر شرایطی به نتیجه مورد نظر بستگی دارد.

براساس این مطالعه ، سیاستهایی که صرفاً بر اساس اهداف انرژی تجدیدپذیر بنا شده باشند ، مانند نیاز کنگره به سوخت های زیستی در پمپ های بنزین ، ممکن است نتایج بهینه نداشته باشند. در عوض ، Rajagopal گفت ، سیاست گذاران باید برای روشن شدن منافع تلاش کنند. وی گفت که استفاده حداکثری از تجدید پذیر ممکن است استقلال انرژی را تقویت کند ، اما کاهش حداکثر میزان انتشار گازهای گلخانه ای راهی مؤثرتر برای مقابله با تغییرات آب و هوایی است.

راگاگوپال گفت ، سوخت های زیستی نباید به هیچ یک از برنامه ها محدود شوند ، زیرا برنامه های حمل و نقل احتمالی از اتومبیل و کامیون گرفته تا هواپیماها و کشتی ها شامل می شوند. تنوع مهم است.

اشکال دیگر انرژی تجدید پذیر مانند خورشیدی و باد گزینه هایی را برای تولید برق فراهم می کند ، اما بخش حمل و نقل در مقیاس بزرگ هنوز هم برای آینده قابل پیش بینی به سوخت های قابل احتراق احتیاج دارد.

شرکت های هواپیمایی در حال حاضر شروع به کشف گزینه های سوخت های زیستی کرده اند. در سال 2016 ، شرکت هواپیمایی هواپیمایی یونایتد و شرکت جت سوخت AltAir با استفاده از ترکیبی از جت های جایگزین و سوخت های معمولی ، از استقرار تجاری سوخت های زیستی زباله برای حمل و نقل هوایی استفاده کردند.

مطالعات نشان داده اند که حمل و نقل هوایی ، حمل و نقل و حمل بار حدود 8٪ از انتشار کربن را در سطح جهان تشکیل می دهد. راگاگوپال گفت ، در این صنایع ، یک دستورالعمل ساده که نیاز به ادغام سوخت های زیستی در مخلوط های سوخت دارد می تواند مؤثر باشد زیرا این امر باعث توسعه بیشتر فن آوری های سوخت های زیستی در مقیاس بزرگ می شود .

راجاگوپال گفت: "در همه این کاربردها ، فناوری وسیله نقلیه الکتریکی هنوز وجود ندارد. باتری های برقی هنوز وجود ندارند." "بنابراین ما هنوز به نفت گزینه های دیگری نیاز داریم. فکر می کنم اگر درست کار کنید ، سوخت های زیستی در آنجا نقش دارند."

مدل جدیدی که در MIT ایجاد شده است می تواند با پیش بینی نمرات آزمون شناختی خود تا آینده در آینده ، پیش بینی کند که آیا بیماران در معرض خطر بیماری آلزایمر کاهش شناختی بالینی را در اثر بیماری تجربه می کنند.

این مدل می تواند مورد استفاده قرار گیرد برای بهبود انتخاب داروهای نامزد و گروه های شرکت کننده برای کارآزمایی های بالینی ، که تاکنون به طور ناامیدی نا موفق بوده اند. همچنین به بیماران این امکان را می دهد که ممکن است در ماهها و سالهای آینده کاهش شناختی سریع را تجربه کنند ، بنابراین آنها و عزیزانشان می توانند آماده شوند.

شرکت های داروسازی طی دو دهه گذشته صدها میلیارد دلار در تحقیقات آلزایمر تزریق کرده اند. با این وجود این زمینه با شکست روبرو شده است: براساس گزارش سال 2018 از تحقیقات دارویی و تولید کنندگان آمریكا ، بین سالهای 1998 و 2017 ، 146 تلاش ناموفق برای تولید دارو برای معالجه یا پیشگیری از بیماری وجود داشته است. در آن زمان فقط چهار داروی جدید تصویب می شد و فقط برای درمان علائم استفاده می شد. در حال حاضر بیش از 90 نامزد مواد مخدر در حال توسعه هستند.

مطالعات نشان می دهد که موفقیت بیشتر در ورود دارو به بازار می تواند به استخدام داوطلبانی که در مراحل اولیه این بیماری هستند ، قبل از اینکه علائم مشهود باشد ، کاهش یابد ، این همان زمانی است که درمان مؤثر است. در مقاله ای که هفته آینده در کنفرانس Machine Learning for Health Health ارائه خواهد شد ، محققان آزمایشگاه MIT Media یک الگوی یادگیری ماشینی را توصیف می کنند که می تواند به پزشکان کمک کند تا در آن قشر خاص شرکت کنندگان به صفر برسند.

آنها ابتدا یک مدل "جمعیت" را در کل مجموعه داده ها قرار دادند که شامل نمرات آزمون شناختی بالینی قابل توجه و سایر داده های بیومتریک از بیماران آلزایمر و همچنین افراد سالم بود که بین ویزیت های پزشک دوسالانه جمع آوری شدند. از داده ها ، مدل الگوهایی را یاد می گیرد که می تواند به پیش بینی چگونگی امتیاز دهی بیماران در تست های شناختی که بین ویزیت ها انجام می شود کمک کند. در شرکت کنندگان جدید ، مدل دوم ، شخصی برای هر بیمار ، پیش بینی نمره را به طور مداوم بر اساس داده های تازه ضبط شده ، مانند اطلاعات جمع آوری شده در طی آخرین بازدیدها ، به روز می کند.

آزمایشات نشان می دهد که پیش بینی های دقیق می توان به دنبال شش ، 12 ، 18 و 24 ماه آینده انجام داد. بنابراین پزشکان می توانند از این مدل برای انتخاب مشارکت کنندگان در معرض خطر برای کارآزمایی بالینی ، که احتمالاً حتی قبل از ظهور سایر علائم بالینی ، نشان دهنده کاهش سریع شناختی است ، استفاده کنند. درمان زودهنگام چنین بیماران ممکن است به پزشکان کمک کند تا بهتر تشخیص دهند که داروهای ضددردی چه کاربردی دارند و کار نمی کنند.

بیشتر بخوانید: حلقه پمپ وکیوم خلاء حلقه مایع

اوگی رودوویچ ، محقق رسانه آزمایشگاه می گوید: "پیش بینی دقیق از کاهش شناختی از شش تا 24 ماه برای طراحی آزمایشات بالینی بسیار مهم است." وی ادامه داد: "توانایی پیش بینی دقیق تغییرات شناختی آینده می تواند تعداد بازدیدهایی را که شرکت کننده انجام می دهد ، کاهش دهد و این می تواند گران و پرهزینه باشد. گذشته از کمک به تولید یک داروی مفید ، هدف این است که به کاهش هزینه های آزمایشات بالینی کمک کنیم. آنها را مقرون به صرفه تر کرده و در مقیاس های بزرگتر انجام دهید. "

پیوستن به رودوویچ روی کاغذ عبارتند از: یوریا اوتسومی ، دانشجوی کارشناسی ارشد ، و کلی پترسون ، دانشجوی فارغ التحصیل ، هر دو در گروه مهندسی برق و علوم کامپیوتر. ریکاردو گورو و دانیل روکرت ، هر دو از امپریال کالج لندن. و Rosalind Picard ، استاد هنر و علوم رسانه ای و مدیر تحقیقات محاسبات عاطفی در آزمایشگاه رسانه.

جمعیت به شخصی سازی

محققان برای انجام کار خود بزرگترین مجموعه داده آزمایش کارآزمایی بالینی بیماری آلزایمر جهان را تحت عنوان ابتکار عمل Neuroimaging Alzheimer در جهان (ADNI) استفاده کردند. این مجموعه داده حاوی داده های مربوط به حدود 1700 شرکت کننده ، با و بدون آلزایمر ، در طول مراجعه به پزشک نیمساله بیش از 10 سال است که ثبت شده است.

داده ها شامل نمرات زیر مقیاس شناختی (ADAS-Assessment Scale) ، مقیاس شناختی زیر (مقیاس ADAS-Cog13) است ، که بیشترین معیار شناختی است که به طور گسترده مورد استفاده برای آزمایشات بالینی داروهای بیماری آلزایمر است. این آزمون حافظه ، زبان و جهت گیری را در مقیاس افزایش شدت تا 85 امتیاز ارزیابی می کند. مجموعه داده ها شامل اسکن های MRI ، اطلاعات جمعیتی و ژنتیکی و اندازه گیری مایعات مغزی نیز می باشد.

به طور کلی ، محققان مدل خود را بر روی زیر گروهی از 100 شرکت کننده ، که بیش از 10 بازدید داشته اند و کمتر از 85 درصد داده مفقودالاثر ، هر کدام با بیش از 600 ویژگی محاسبه شده ، آموزش داده و آزمایش کردند . از بین این شرکت کنندگان ، 48 نفر به بیماری آلزایمر مبتلا بودند. اما داده ها پراکنده هستند و ترکیب های مختلفی از ویژگی ها برای اکثر شرکت کنندگان وجود ندارد.

برای حل این مسئله ، محققان از این داده ها برای آموزش یک مدل جمعیتی استفاده شده از یک چارچوب احتمال "غیرپارامتری" به نام Gaussian Proces (GPs) استفاده کردند که دارای پارامترهای انعطاف پذیر برای تناسب توزیع های مختلف احتمال و پردازش عدم قطعیت در داده ها است. این تکنیک شباهت بین متغیرها ، مانند نقاط داده های بیمار را اندازه گیری می کند تا یک مقدار برای یک نقطه داده غایی مانند یک نمره شناختی پیش بینی کند. خروجی همچنین شامل تخمینی برای میزان اطمینان آن در مورد پیش بینی است. این مدل حتی در هنگام تجزیه و تحلیل داده های با مقادیر گمشده یا سر و صدای زیادی از قالب های مختلف جمع آوری داده به طور محکم کار می کند.

اما محققان در ارزیابی مدل از بیماران جدید از بخش معین شرکت کنندگان ، پیش بینی مدل را به اندازه دقیق ممکن نبودند. بنابراین ، آنها الگوی جمعیت را برای هر بیمار جدید شخصی کردند. سپس سیستم به تدریج شکاف های داده را با هر مراجعه بیمار جدید پر می کند و براساس آن پیش بینی نمره ADAS-Cog13 را با به روزرسانی مداوم توزیع های ناشناخته GP ها به روز می کند. پس از حدود چهار بازدید ، مدلهای شخصی سازی شده میزان خطا را در پیش بینی ها به میزان قابل توجهی کاهش می دهند. این روش همچنین از روشهای مختلف یادگیری ماشین سنتی که برای داده های بالینی استفاده می شود ، بهتر عمل کرد .

یادگیری نحوه یادگیری

اما محققان دریافتند که نتایج مدلهای شخصی هنوز غیرقابل حد است. برای برطرف کردن این مسئله ، آنها یک طرح جدید "metalearning" اختراع کردند که می آموزد به طور خودکار انتخاب کند که کدام نوع از مدل ، جمعیت یا شخصی سازی شده باشد ، بسته به داده های در حال تجزیه و تحلیل ، برای هر یک از شرکت کنندگان معین در هر زمان معین بهتر کار می کند. Metalearning قبلاً برای دیدن مهارت های رایانه ای و کارهای ترجمه ماشینی مورد استفاده قرار گرفته است تا مهارت های جدیدی یاد گرفته و یا با چند مثال آموزشی به سرعت با محیط های جدید سازگار شود. رودوویچ می گوید ، اما این اولین بار است که برای ردیابی کاهش شناختی از بیماران آلزایمر ، جایی که داده های محدود یک چالش اصلی است ، اعمال می شود.

این طرح در اصل چگونگی عملکرد مدل های مختلف را برای یک کار معین - مثل پیش بینی نمره ADAS-Cog13- شبیه سازی می کند و بهترین تناسب را می آموزد. در طول هر مراجعه بیمار جدید ، این طرح بر اساس داده های قبلی ، مدل مناسبی را اختصاص می دهد. به عنوان مثال ، در بیمارانی که داده های پر سروصدا و پر سر و صدایی در حین مراجعه اولیه ندارند ، پیش بینی های دقیق تری انجام می شود. هنگامی که بیماران با داده های بیشتری شروع می کنند یا تعداد بیشتری از طریق ویزیت های بعدی جمع آوری می کنند ، با این حال ، مدل های شخصی عملکرد بهتری دارند.

این امر به کاهش 50٪ خطای پیش بینی کمک می کند. رودوویچ می گوید: "ما نتوانستیم یک مدل واحد یا ترکیب ثابت مدل پیدا کنیم که بتواند بهترین پیش بینی را به ما بدهد." "بنابراین ، ما می خواستیم یاد بگیریم که چگونه با این طرح متالارنینگ یاد بگیریم. این مانند یک مدل در بالای یک مدل است که به عنوان یک انتخاب کننده عمل می کند ، و با استفاده از metaknowledge آموزش داده است تا تصمیم بگیرد که کدام مدل بهتر است استفاده کند."

در مرحله بعد ، محققان امیدوارند که برای پیاده سازی مدل آزمایشات بالینی آلزایمر در دنیای واقعی با شرکتهای داروسازی همکاری کنند. رودوویچ گفت: این مدل همچنین می تواند برای پیش بینی اندازه گیری های مختلف برای آلزایمر و سایر بیماری ها تعمیم یابد.

عبارت "تقویت مثبت" ، موضوعی است که بیشتر در مقاله ای درباره پرورش فرزند نسبت به مواردی درباره هوش مصنوعی می شنوید. اما به گفته آلیس پارکر ، استاد مهندسی برق در گروه مهندسی برق و کامپیوتر مینگ هسیه ، تقویت کمی مثبت فقط چیزی است که ماشینهای هوش مصنوعی ما به آن نیاز دارند. پارکر بیش از یک دهه است که در حال ساخت مدارهای الکترونیکی است تا بتواند مغز انسان را مهندسی معکوس کند تا بتواند نحوه عملکرد خود را بهتر بشناسد و در نهایت سیستمهای مصنوعی بسازد که از آن تقلید کند. جدیدترین مقاله او ، با همکاری دکترای مشترک. دانشجو کون یو و همکارانش از UC Riverside به تازگی در مجله Science Advances منتشر شده اند و گامی مهم در جهت رسیدن به آن هدف نهایی برمی دارند.

هوش مصنوعی که ما امروز به آن اعتماد داریم و در مورد آن می خوانیم ، بر روی رایانه های سنتی مدل شده است. این جهان را از طریق لنزهای صفرهای باینری و موارد دیگر می بیند. این برای محاسبات پیچیده خوب است ، اما طبق گفته های پارکر و یو ، ما به سرعت به اندازه و پیچیدگی مشکلی که می توانیم با سیستم عامل هایی که هوش مصنوعی ما در آن وجود دارد ، حل می کنیم نزدیک می شویم. یو می گوید: "از زمان انقلاب یادگیری عمیق ، اهداف و پیشرفت هوش مصنوعی مبتنی بر یادگیری عمیق همانطور که می دانیم بسیار کند بوده است." برای دستیابی به پتانسیل کامل خود ، هوش مصنوعی به راحتی نمی تواند بهتر فکر کند - باید در زمان واقعی واکنش نشان دهد و به خود بیاموزد . برای اینکه این اتفاق بیفتد ، باید تغییر عظیمی در نحوه ساخت AI در وهله اول ایجاد شود.

برای رفع این مشکل ، پارکر و همکارانش به دنبال دستیابی به موفقیت آمیزترین سیستم یادگیری هستند که تاکنون ایجاد کرده اند: مغز انسان . این جایی است که تقویت مثبت بازی می شود. مغزها بر خلاف رایانه ها ، یادگیرندگان آنالوگ هستند و حافظه بیولوژیکی پایداری دارد. سیگنال های آنالوگ می توانند حالت های مختلفی داشته باشند (دقیقاً مانند انسان). در حالی که یک هوش مصنوعی باینری که با انواع مشابهی از فناوریهای نانو برای دستیابی به حافظه طولانی مدت ساخته شده است ، می تواند چیزی را خوب یا بد درک کند ، یک مغز آنالوگ می تواند عمیق تر درک کند که یک وضعیت ممکن است "بسیار خوب" ، "فقط خوب" باشد. بد "یا" خیلی بد " این زمینه محاسبات عصبی نامیده می شود و ممکن است فقط آینده هوش مصنوعی را نشان دهد.

وقتی انسان در معرض چیزهای جدید و بالقوه مفیدی قرار بگیرد ، سلولهای عصبی ما دوپامین را افزایش می دهند و اتصالات اطراف این سلولهای عصبی تقویت می شود. پارکر می گوید: "به یک نوزاد که در یک صندلی بلند نشسته است ، فکر کنید." وی گفت: "او ممکن است دستهای خود را به طرز وحشیانه تکان دهد زیرا نورون های توسعه نیافته او فقط به طور تصادفی شلیک می شوند." سرانجام یکی از این حرکات وحشی منجر به نتیجه مثبتی می شود - مثلاً فنجان خود را بکوبید و آشفتگی کنید. به طور ناگهانی ، نورونهایی که باعث حرکت آن شده اند واکنش نشان می دهند و تقویت می شوند. مغز کودک به طور منظم انجام می شود ، مغز کودک شروع به پیوند آن سنبله با چیزی می کند که ارزش درونی کردن آن را دارد. و درست مثل همین ، کودک کوچک ما یاد گرفته است که حرکت بازو باعث نتیجه سرگرم کننده می شود و یادگیری با گذشت زمان ادامه می یابد. این دقیقاً همان کاری است که محاسبات عصبی مورب سعی در انجام آن دارد:

برای این کار ، پارکر و یو مدارهای عصبی خود را طراحی کرده و آنها را با نانودکشن هایی به نام Magnetic Domain Wall Analog Memristors (MAM) ترکیب کرده اند. آنها سپس شبیه سازی ها را اجرا می کنند تا نشان دهند که مدارهای عصبی آنها مانند مغز می آموزند. این دستگاه MAM آنقدر پیچیده است که می توان یک مقاله کامل را روی آن نوشت. اما در حال حاضر ، مهمترین چیزی که باید بدانید این است که این دستگاه بسیار کوچک است که کمک می کند تا به طور نامحدود به یاد داشته باشید "سنبله" تقویت کننده مثبت است که نورونهای مصنوعی دریافت می کنند. می توانید مدارهای عصبی مایع پارکر را که دقیقاً شبیه مغز کودک کوچک است ترکیب کنید. به این معنا ، پارکر و یو مانند پدر و مادر کودک AI هوش مصنوعی هستند ... چیزهای جدید را به آن آموزش می دهند و وقتی کار صحیحی انجام دهند ، آن را تقویت می کنند.

بیشتر بخوانید: مواد پمپ های وکیوم خلاء حلقه مایع

فعلاً ، آنچه ما داریم کمی شبیه مغز یک کودک واقعی است . توسعه نیافته و قطعاً آماده تصمیم گیری به تنهایی نیست. اما ، بسیار شبیه به یک کودک واقعی ، با کار ، سرمایه گذاری و عشق کافی از محققان ، این فناوری روش کار AI را در دنیای واقعی تغییر خواهد داد.

البته کار پارکر هرگز به پایان نمی رسد. پارکر می گوید: "مرحله بعدی ما ، همکاری با دارپا ، آموزش سیستم ما برای یادگیری چیزهای جدید بدون فراموش کردن دروس قبلی است." کار آنها ممکن است یک گام کوچک به سمت هدف نهایی هوش مصنوعی عصبی باشد اما پارکر مانند هر محقق یا والدینی خوب از اهمیت مراحل کودک قدردانی می کند.

یادگیری ماشینی ، که 70 سال پیش معرفی شده است ، براساس شواهدی از پویایی یادگیری در مغز است. با استفاده از سرعت رایانه های مدرن و مجموعه داده های بزرگ ، الگوریتم های یادگیری عمیق اخیراً نتایج قابل مقایسه با آن را از متخصصان انسانی در زمینه های مختلف کاربردی تولید کرده اند ، اما با ویژگی های مختلفی که از دانش فعلی یادگیری در علوم اعصاب فاصله دارد.

با استفاده از آزمایش های پیشرفته در فرهنگ های عصبی و شبیه سازی های در مقیاس بزرگ ، گروهی از دانشمندان در دانشگاه بار ایلان در اسرائیل نوع جدیدی از الگوریتم های هوش مصنوعی ultrafast - براساس پویایی بسیار کند مغز - را نشان داده اند که نسبت به نرخ یادگیری به دست آمده توسط ایالتی فراتر است. الگوریتم های یادگیری از هنر

در مقاله ای که امروز در ژورنال Science Reports منتشر شده است ، محققان پلی بین علوم اعصاب و الگوریتم های هوش مصنوعی پیشرفته را بازسازی می کنند که تقریباً 70 سال است که تقریباً بی فایده مانده اند.

پروفسور ایوود کانتر ، رئیس دانشکده فیزیک و باران ایلان ، دانشکده فیزیک و گوندا (Goldschmied) ، مرکز تحقیقات مغز گفت: " دیدگاه علمی و فناوری فعلی این است که نوروبیولوژی و یادگیری ماشینی دو رشته مجزا هستند که به طور مستقل پیشرفت می کنند." . "عدم وجود تأثیر متقابل انتظار می رود گیج کننده باشد."

وی ادامه داد: تعداد نورون های مغز از تعداد بیت های اندازه دیسک معمولی رایانه های شخصی مدرن کمتر است و سرعت محاسباتی مغز مانند دست دوم در یک ساعت است ، حتی کندتر از اولین رایانه ای که بیش از 70 اختراع کرده است. سالها پیش ، "او ادامه داد. پروفسور کانتر که تیم تحقیقاتی وی شامل هروت اوزان ، شیرا ساردی ، امیر گلدنتال و رونی وردی است ، افزود: "علاوه بر این ، قوانین یادگیری مغز بسیار پیچیده و از اصول مراحل یادگیری در الگوریتم های هوش مصنوعی کنونی فاصله دارد."

بیشتر بخوانید: ترانسمیتر فشار چیست؟

دینامیک مغز با یک ساعت هماهنگ شده هماهنگ برای همه سلولهای عصبی مطابقت ندارد ، از آنجا که با توجه به اینکه واقعیت بدنی شکل می گیرد ، برنامه بیولوژیکی باید با ورودی های ناهمزمان مقابله کند. پروفسور کانتر گفت: "هنگامی که به جلو نگاه می کنیم ، بلافاصله یک قاب را با اشیاء متعدد مشاهده می کنید. به عنوان مثال ، در هنگام رانندگی خودروها ، معابر پیاده و علائم راهنمایی و رانندگی را مشاهده می کنید و به راحتی می تواند ترتیب زمانی و موقعیت های نسبی آنها را مشخص کند." "سخت افزار بیولوژیکی (قوانین یادگیری) برای مقابله با ورودی های ناهمزمان و پالایش اطلاعات نسبی آنها طراحی شده است." در مقابل ، الگوریتم های هوش مصنوعی سنتی مبتنی بر ورودی های همزمان هستند ، از این رو زمان بندی نسبی ورودی های مختلف تشکیل دهنده همان قاب به طور معمول نادیده گرفته می شود.

مطالعه جدید نشان می دهد که میزان یادگیری ultrafast به طور شگفت آور برای شبکه های کوچک و بزرگ یکسان است. از این رو ، محققان می گویند ، "ضرر طرح یادگیری پیچیده مغز در واقع یک مزیت است." یافته مهم دیگر این است که یادگیری می تواند بدون انجام مراحل یادگیری از طریق خود سازگاری با توجه به ورودی های ناهمزمان رخ دهد. این نوع یادگیری بدون یادگیری در دندریت ها ، چندین پایانه از هر نورون اتفاق می افتد ، همانطور که اخیراً به طور تجربی مشاهده شد. علاوه بر این ، پویایی شبکه تحت یادگیری دندریتیک توسط وزنهای ضعیف که قبلاً ناچیز تلقی می شدند اداره می شود.

ایده الگوریتم های یادگیری عمیق کارآمد مبتنی بر پویایی بسیار کند مغز فرصتی را برای پیاده سازی کلاس جدیدی از هوش مصنوعی پیشرفته مبتنی بر رایانه های سریع فراهم می کند. این امر خواستار تقویت مجدد این پل از عصب شناسی به هوش مصنوعی است و همانطور که گروه تحقیق نتیجه می گیرد ، "بینش اصول اساسی مغز ما باید یک بار دیگر در مرکز هوش مصنوعی آینده باشد."

با هدایت هوش مصنوعی و با استفاده از یک سکوی رباتیک ، سیستمی که توسط محققان MIT ساخته شده است قدم به اتوماتیک تولید مولکولهای کوچکی که می تواند در پزشکی ، انرژی خورشیدی و شیمی پلیمر استفاده شود ، نزدیکتر می شود.

این سیستم که در شماره 8 اوت علوم شرح داده شده است ، می تواند شیمیدانان را از انواع کارهای روزمره و وقت گیر آزاد کند ، و ممکن است امکاناتی را برای نحوه ساخت ترکیبات جدید مولکولی پیشنهاد کند. جنسن ، استاد وارن K. لوئیس ، استاد مهندسی شیمی ، و تیموتی اف. جیمیسون ، استاد روبرت تیلور ، شیمی و اساتید وابسته در MIT.

جنسن می گوید ، این فناوری "نوید بخش کمک به مردم برای قطع کردن تمام قسمتهای خسته کننده ساختمان مولکولها" ، از جمله جستجوی مسیرهای واکنش بالقوه و ساخت اجزای یک خط مونتاژ مولکولی هر بار که یک مولکول جدید تولید می شود ، می باشد.

وی می افزاید: "و به عنوان شیمیدان ، ممکن است الهام بخش واکنشهای جدیدی باشد که قبلاً در مورد آنها فکر نکرده بودید."

سایر نویسندگان MIT در مقاله Science عبارتند از: کانر دبلیو کولی ، دیل A. توماس سوم ، جاستین ام لومدام ، جاناتان ن. جاورسکی ، کریستوفر پی. برین ، ویکتور شولتز ، تراویس هارت ، جوشوا S. فیشمن ، لوک راجرز ، هانیو گائو ، رابرت دبلیو هیکلین ، پیتر پی پلیرس ، جوشوا بیینگتون ، جان اس پیوتی ، ویلیام اچ. گرین و A. جان هارت.

از الهام گرفته تا دستور العمل تا محصول نهایی

سیستم جدید شامل سه مرحله اصلی است. ابتدا نرم افزارهایی که با هوش مصنوعی هدایت می شوند مسیری را برای سنتز یک مولکول پیشنهاد می کنند ، سپس شیمی دانان متخصص این مسیر را مرور کرده و آن را در یک "دستور العمل شیمیایی" تصفیه می کنند و در آخر این دستور العمل به یک سکوی رباتیک ارسال می شود که به طور خودکار سخت افزار را مونتاژ می کند و واکنش ها را انجام می دهد. که مولکول را می سازند.

کولی و همکارانش بیش از سه سال در تلاش هستند تا مجموعه نرم افزارهای منبع باز را ارائه دهند که مسیرهای سنتز احتمالی را پیشنهاد و اولویت بندی می کند. در قلب این نرم افزار چندین مدل شبکه عصبی وجود دارد که محققان میلیون ها واکنش شیمیایی که قبلاً منتشر شده از پایگاه داده های Reaxys و ثبت اختراعات و ثبت اختراع ایالات متحده آمریكا را آموزش داده اند. این نرم افزار از این داده ها برای شناسایی تحولات و شرایطی که به نظر می رسد برای ساخت یک ترکیب جدید مناسب است ، استفاده می کند.

کولی می گوید: "این امر به تصمیم گیری های سطح بالا در مورد انواع واسطه ها و مواد اولیه برای استفاده ، و سپس تجزیه و تحلیل های کمی دقیق تر در مورد شرایطی که ممکن است بخواهید استفاده کنید و اگر احتمالاً این واکنش ها موفقیت آمیز هستند ، کمک می کند."

وی خاطرنشان می کند: "یکی از انگیزه های اصلی طراحی نرم افزار این است که فقط مولکولی را که می دانیم یا واکنش هایی که درباره آنها می شناسیم پیشنهاد نمی دهد." "این می تواند مولکول های جدیدی را که هرگز ساخته نشده است تعمیم دهد."

شیمی دانان سپس مسیرهای سنتز پیشنهادی تولید شده توسط نرم افزار را بررسی می کنند تا یک دستور العمل کامل تر برای مولکول هدف تهیه کنند. شیمی دانان گاهی اوقات نیاز به انجام آزمایشگاه یا آزمایشگاه آزمایشگاهی با غلظت معرف و دمای واکنش ، از جمله تغییرات دیگر دارند.

سیستم جدید شامل سه مرحله اصلی است. ابتدا نرم افزارهایی که با هوش مصنوعی هدایت می شوند مسیری را برای سنتز یک مولکول پیشنهاد می کنند ، سپس شیمی دانان متخصص این مسیر را مرور کرده و آن را در یک "دستور العمل شیمیایی" تصفیه می کنند و در آخر این دستور العمل به یک سکوی رباتیک ارسال می شود که به طور خودکار سخت افزار را مونتاژ می کند و واکنش ها را انجام می دهد. که مولکول را می سازند. اعتبار: کانر کولی ، فلیس فرانکل
جمیسون می گوید: "آنها بعضی از الهامات را از هوش مصنوعی می گیرند و آن را به پرونده ی دستور العمل های اجرایی تبدیل می کنند ، به این دلیل که ادبیات شیمیایی در حال حاضر اطلاعات کافی برای انتقال مستقیم از الهام به اعدام بر روی یک سیستم خودکار ندارند."

دستورالعمل نهایی سپس روی سکویی بارگذاری می شود که یک بازوی روباتیک راکتورهای مدولار ، جداکننده ها و سایر واحدهای پردازشی را در یک مسیر جریان مداوم مونتاژ می کند و پمپ ها و خطوطی را که در اجزای مولکولی ایجاد می کنند ، متصل می کند.

توماس می گوید: "شما دستور العمل را بارگذاری می کنید - این همان چیزی است که سکوی رباتیک را کنترل می کند. شما رجنتس ها را بارگیری می کنید ، فشار می دهید و به شما امکان می دهد مولکول مورد علاقه را تولید کنید." "و سپس پس از اتمام ، سیستم آن را شاراب می کند و می توانید مجموعه بعدی معرفها و دستور العمل ها را بارگیری کرده و اجازه دهید آن را اجرا کنید."

برخلاف سیستم جریان مداوم که محققان سال گذشته ارائه دادند ، که باید پس از انجام هر سنتز به صورت دستی پیکربندی شوند ، سیستم جدید کاملاً توسط سیستم عامل رباتیک پیکربندی شده است.

جنسن می گوید: "این به ما توانایی ترتیب یك مولكول ها بعد از دیگری و همچنین ایجاد كتابخانه ای از مولكول ها بر روی سیستم را به صورت خودكار می دهد."

طراحی این سکو که تقریباً دو متر مکعب در ابعاد آن وجود دارد - کمی کوچکتر از هود بخار شیمیایی استاندارد - به یک تابلوی تلفن و سیستم اپراتور شباهت دارد که اتصالات بین ماژول های موجود روی سکو را جابجا می کند.

توماس می گوید: "بازوی رباتیک چیزی است که به ما امکان می دهد مسیرهای سیال را دستکاری کنیم ، که باعث کاهش تعداد ماژول های فرآیند و پیچیدگی سیال سیستم می شود و با کاهش پیچیدگی سیال می توانیم پیچیدگی مولکولی را افزایش دهیم." "این به ما این امکان را می دهد تا مراحل واکنش اضافی را اضافه کنیم و مجموعه واکنش هایی را که می تواند در یک سیستم با ردپای نسبتاً کوچک به اتمام برساند ، گسترش دهیم."

بیشتر بخوانید: مبانی فشار خلاء فشار شکن

به سمت اتوماسیون کامل

محققان با ایجاد 15 مولكول دارویی كوچك مختلف از پیچیدگی سنتز مختلف ، سیستم كامل را آزمایش كردند و فرآیندهای انجام شده در هر جایی بین دو ساعت برای ساده ترین ایجادها تا حدود 68 ساعت برای تولید چندین ترکیب انجام گرفت.

این تیم ترکیبات مختلفی را تولید کرده است: آسپیرین و آنتی بیوتیک اسیدیدازول در فرآیندهای برگشت به عقب. لیدوکائین ضد درد و دیازپام ضدعفونی کننده دارو در فرآیندهای برگشت به پشت با استفاده از مواد اولیه معرف معرفها. وارفارین رقیق کننده خون و داروی سافینامید بیماری پارکینسون ، برای نشان دادن اینکه چگونه این نرم افزار می تواند ترکیباتی را با اجزای مولکولی مشابه اما با ساختارهای 3 بعدی متفاوت طراحی کند. و یک خانواده از پنج داروی مهار کننده ACE و خانواده ای از چهار داروی ضد التهابی غیر استروئیدی.

جمیسون می گوید: "من به ویژه از تنوع شیمی و انواع واکنش های شیمیایی متفاوت افتخار می کنم."

کولی می گوید: "ما واقعاً در تلاش هستیم تا فاصله بین ایجاد ایده از این برنامه ها و آنچه را که برای انجام یک ترکیب استفاده می شود ، ببندیم." "ما امیدواریم که سیستم های نسل بعدی بخش دیگری از زمان و تلاش را بیشتر کنند تا دانشمندان بتوانند تلاشهای خود را بر خلاقیت و طراحی متمرکز کنند."

با وجود میلیونها بسته در مسیری به جایی دیگر ایالات متحده ، حمله کنندگان سایبری می توانند از این رفتار به ظاهر بی گناه به عنوان یک بردار حمله استفاده کنند. این دستگاه ها ، کوچک و سبک ، تلاش مجرمان برای هک کردن شبکه های WiFi شخصی یا شرکتی است. Sleuths در IBM ، در این روز و سن تجارت الکترونیکی و افت بسته ها ، آن را کشتی جنگی می نامند.

با توجه به "پس از ساخته شده، یک دستگاه کشتی جنگی می تواند حملات بی سیم به سادگی با به شخص و پس از رسیدن بر روی میز و یا آستان آنها حمل می شود را انجام دهد،" SecurityIntelligence . "در حالی که در حال گذر هستید ، دستگاه اسکن های اساسی بی سیم را انجام می دهد ، مشابه آنچه لپ تاپ هنگام جستجوی نقاط مهم Wi-Fi انجام می دهد. این مختصات مکان خود را از طریق GPS به سرور C&C منتقل می کند."

محققان امنیتی IBM این هفته برای آزمایش این دستگاه های جنگی در اخبار بودند. این دستگاه ها به چه شکلی هستند؟ Ather Fawaz در جزئیات برای خوانندگان Neowin ترسیم کرد .

وی ادامه داد: دستگاهی که باید به سایت اعزام شود ، در اصل از یک کامپیوتر تک بورد (SBC) ساخته شده است که باتری قابل شارژ یک تلفن همراه معمولی کار می کند. علاوه بر این ، با قطعات غیر قفسه ، تقریباً 100 دلار قیمت دارد. یک نمایشگاه DIY را برای یک نمایشگاه علمی در مدرسه به جای دستگاهی که می تواند برای هک کردن شبکه ها استفاده شود ، بیشتر شبیه به یک پروژه DIY می کند. "

IBM نشان می دهد كه چگونه حمل و نقل یك دستگاه استثماری به طور مستقیم از طریق پست می تواند به مهاجمان اجازه دهد از راه دور با چارلز هندرسون ، شریک جهانی مدیریت IBM X- Force Red در مرحله مركزی به شبکه ها هك كنند. آن تیم عنوان جاه طلبانه "IBM X-Force Red" دارد و کار آنها کشف نقاط ضعف احتمالی در شبکه ها است. در این مثال ، با بررسی کشتی سازی ، "X-Force Red قادر به نفوذ در شبکه های شرکتی کشف نشده بود. هدف ما از این کار کمک به آموزش مشتریان ما در مورد نقاط کور امنیتی بود."

از طریق تحویل بسته ها به صندوق پستی دفتر یا بسته های شخصی که در ورودی دارد ، می توانید به عنوان یک فرد نفوذگر رفتار کنید.

زاک ویتاکر ، سردبیر امنیت در TechCrunch :

"هنگامی که کشتی جنگی یک شبکه Wi-Fi را از اتاق نامه یا میز دریافت کننده پیدا کند ، بسته های داده بی سیم را که می تواند برای استفاده در شبکه استفاده کند ، گوش می دهد. کشتی جنگی یک دست لرزش را گوش می دهد - روند اجازه کاربر برای ورود به سیستم. شبکه Wi-Fi — سپس آن داده های تقسیم شده از طریق شبکه تلفن همراه را به سرورهای مهاجم ارسال می کند ... با دسترسی به شبکه Wi-Fi ، مهاجم می تواند از طریق شبکه شرکت حرکت کند و به دنبال سیستم های آسیب پذیر و در معرض اطلاعات باشد. "

بیشتر بخوانید: نحوه انتخاب تولید کننده پمپ وکیوم خلاء حلقه آب

ویتاکر گفت این تیم کد کدهای اثبات مفهوم را آزاد نکرد تا به مهاجمان کمک نکند.

هندرسون در SecurityIntelligence گفت: "به حجم جعبه هایی که هر روز از طریق یک صندوق پستی شرکتی در حال حرکت است ، فکر کنید ." "یا اینکه بسته هایی را که در ایوان خانه یک مدیر عامل قرار گرفته اند ، در محدوده Wi-Fi منزل خود قرار دهید ، در نظر بگیرید."

در واقع ، هندرسون افزود ، بسته های مخرب لزوماً قابل تشخیص نیستند ، اما به عنوان یک سیستم دارای قابلیت کنترل 3G و از راه دور ، "می توان آن را در قسمت پایین جعبه بسته بندی قرار داد یا در خرس عروسکی کودک پر کرد (دستگاه بزرگتر نیست) از کف دست خود) و درست به دست یا میز یک قربانی مورد نظر تحویل داده شد. "

هندرسون نوشت: "در این پروژه یك کشتی سازی ، ما متاسفانه توانستیم ارتباط شبكه ای پایدار برقرار كنیم و دسترسی كامل به سیستم های هدف را بدست آوریم ."

"آیا به یک بازدید کننده اجازه می دهید مستقیماً روی میز رئیس افسر مالی خود قدم بگذارد؟" او پرسید. همین پاسخ می تواند برای بسته ها اعمال شود ، به خصوص اگر تکنیک های حمل و نقل کشتی سازی مخصوصاً در فصول تعطیلات هنگام افزایش تحویل بسته ، برای مجرمان سایبری مفید باشد.

در سپتامبر 2018 ، یک ناظر فناوری تحسین برانگیز بود: اگر شما یک فرد عادی هستید ، اپل FaceID اساساً بی خطر است. اما پس از آن ، این ناظر فناوری ، راشل کراوس ، در مشهد نوشت که "هرچه استدلال های مخالف و مخالف را بزرگ کردم ، به طرز جنجالی به این نتیجه رسیدم که ترس من از Face ID فقط کوچکترین چیز غیر منطقی است ... اما نه. آیا این بدان معنی است که من از آن استفاده خواهم کرد. "

او به خوبی از نكاتی به علاوه طرفداران اپل و اپل آگاه بود ، اما او اعتراف كرد كه نمی تواند بودجه دهد. "شناسه چهره ممکن است مناسب باشد ، و احتمالاً بی خطر است ... اما وقتی می توان از تلفن های ما ، هویت و زندگی ما محافظت کرد ، احتمالاً به اندازه کافی خوب نیست ."

در سال 2019 ، هنوز هم افرادی مردد هستید که تعجب می کنند که آیا فناوری جدید باعث افزایش امنیت خواهد شد یا حمله جدیدی را ایجاد خواهد کرد ، و محققان Tencent به این دلیل می پردازند که کمی سخت تر فکر کنند.

در رویداد امنیتی Black Hat USA 2019 در اوایل این ماه ، محققان به جلسه خود "تأیید هویت بیومتریک در معرض تهدید: هک شدن زندگی" توجه کردند.

به عنوان بخشی از بحث خود را، به آنها گفت، آنها را "معرفی زرادخانه ما از حمله به زنده بودن تشخیص و نشان می دهد چگونه به آنها را به دور زدن چند خارج از قفسه محصولات احراز هویت بیومتریک، از جمله 2-D / 3-D احراز هویت صورت و احراز هویت voiceprint ""

محققان نحوه استفاده از عینک و نوار را برای دور زدن اپل FaceID نشان دادند.

موفقیت Tencent به نوازش به یک ویژگی بیومتریک به نام تشخیص زندگی وابسته بود. Threatpost گزارش داد که مجریان Tencent چه گفتند:

"با نشت داده های بیومتریک و افزایش توانایی کلاهبرداری هوش مصنوعی ، تشخیص حیات به پاشنه آشیل از امنیت احراز هویت بیومتریک تبدیل شده است ، زیرا می توان بررسی کرد که بیومتریک گرفته شده یک اندازه گیری واقعی از فرد مجاز مجاز است که در آنجا حضور دارد زمان دستگیری. "

نوار سیاه روی لنزها قرار داشت و نوار سفید درون نوار سیاه. "با استفاده از این ترفند آنها توانستند تلفن همراه قربانی را قفل کنند و سپس با قرار دادن لیوان های نوار ضمیمه شده در بالای چهره قربانی خواب ، بتوانند قفل تلفن همراه یک قربانی را باز کنند و از طریق مکانیسم تشخیص توجه از هر دو FaceID و سایر فناوری های مشابه ، عبور کنند." گفت Lindsey O'Donnell ، Threatpost .

با این حال ، اودونل گفت فقط یک چیز وجود دارد ، اگر فکر می کنید این یک راه حل آسان است: قربانی واقعی باید سرد باشد. سرد ، مثل ناخودآگاه. همانطور که در بازیگر بد بدون آن که فرد را از خواب بیدار کند ، باید عینک را روی فرد قرار دهد. (" جنینگزو براون " Gizmodo گفت: "حداقل برای استفاده از انگشت یک شخص خواب آور کمی دشوار است ."

چه خبر است؟ چرا FaceID قدرت خود را از دست داد؟ اودونل گفت ، "انتزاع چشم برای تشخیص حیات باعث ایجاد یک قسمت سیاه (چشم) با یک نقطه سفید بر روی آن (عنبیه) می شود." با این حال ، اگر یک کاربر عینک بپوشد ، روشی که تشخیص حیات را اسکن می کند ، تغییر می کند. اگر شخصی عینکی بپوشد ، FaceID هنگام تشخیص عینک ، اطلاعات 3 بعدی را از ناحیه چشم استخراج نمی کند.

O'Donnell گفت: توصیه از حاضران Tencent این بود که تولید کنندگان بیومتریک اعتبار هویت را برای دوربین های بومی اضافه می کنند و وزن تشخیص فیلمبرداری صوتی و تصویری را افزایش می دهند.

بیشتر بخوانید: چگونه پمپ وکیوم خلاء حلقه مایع به درستی

در همین حال ، اپل داستان خود را در مورد FaceID در سایت خود ارائه می دهد و منطقی است که فرض کنید امنیت به اولویت بالایی رسیده است:

"این احتمال که یک فرد تصادفی در جمعیت می تواند در iPhone یا iPad خود را با استفاده از نرم افزار چهره ID نگاه و باز کردن آن است که حدود 1 در 1000000 با ظاهر تنها ثبت نام،" با توجه به "درباره FaceID فن آوری های پیشرفته" صفحه آن است.

به عنوان محافظت اضافه شده ، فقط پنج تلاش مسابقه ناموفق توسط FacedD allowed مجاز است و سپس کد عبور لازم است. "احتمال آماری برای دوقلوها و خواهر و برادرانی که به نظر شما می رسد و در بین کودکان زیر 13 سال متفاوت است ، زیرا ممکن است ویژگی های مجزا صورت آنها کاملاً توسعه نیافته باشد. اگر به این موضوع نگران هستید ، توصیه می کنیم از رمز عبور برای تأیید هویت استفاده کنید . "

با این وجود ، Tencent به کشف و گزارش یافته های آنها پرداخت. "چهره ID کار می کند متفاوت اگر عینک تشخیص می دهد. هنگامی که سیستم عینک تشخیص می دهد، ظاهرا اطلاعات از منطقه چشم از صورت کشیدن نیست، گفت:" Gizmodo به را جنینگز براون.

TNW موافقت كرد و گزارش داد ، "خوب ، معلوم است كه FaceID وقتی افراد عینك می پوشند ، چشمان دیگری را اسكن می كند. TNW به نقل از محققان:" ما در FaceID نقاط ضعف پیدا كردیم. "كجا؟" این به شما اجازه می دهد تا در صورت پوشیدن عینك ، قفل را باز كنند. وقتی عینک می پوشید ، اطلاعات 3 بعدی را از ناحیه چشم استخراج نمی کند.

یک دلیل منطقی این است که تنظیم این شاهکار چیزی عجیب و غریب نیست. 9to5Mac : "برای باز کردن تلفن شخص دیگر ، به نظر می رسد که چگونه می توانید عینک را روی آن ها قرار دهید و اطمینان حاصل کنید که آنها هنوز برای Face Face کافی هستند. همانطور که محققان خاطرنشان می کنند ، در صورت بیهوش شدن قربانی این کار بسیار مؤثر است. "