powervacuuum

گل سرخ بنفش قرمز است ، آبی ، AI شعر می نویسد؟ نمی تواند درست باشد . یا می تواند؟ و اگر چنین است ، چقدر می توان انتظارات را پایین آورد؟ در حال حاضر انتظارات کم را کنار بگذارید ، زیرا Google به چیز خاصی روبرو است ، و این همان هوش مصنوعی برای شعرهای خود پرتره است.

نقاشی از چهره خود شعر ؟ Es Devlin ، هنرمند و طراح صحنه مستقر در لندن ، در یک ویدئو به شما می گوید که چگونه کار می کند. از همه دعوت شده است که یک کلمه را برای یک شعر جمعی اهدا کنند. آشوب. مجتمع صعود اینها بعضی از کلماتی هستند که قبلاً ابراز شده اند.

این شعر با استفاده از الگوریتم آموزش داده شده بر روی کلمات شعر قرن نوزدهم تولید می شود ، بنابراین ، هر کلمه ای که به آن اضافه می کنید با عناصر دیگر ترکیب می شود.

"به دنبال یک سال تور به عنوان یک مرکز نصب فیزیکی ، POEMPORTRAITS Es Devlin به صورت آنلاین به عنوان یک اثر هنری تعاملی با تلفیق شعر ، طراحی و هوش مصنوعی راه اندازی می شود. به کلماتی اهدا کنید که شما را در g.co/poemportraits تعریف کند تا POEMPORTRAIT منحصر به فرد خود را ایجاد کرده و به آن بپیوندید. شعر جمعی که توسط مردم و هوش مصنوعی سروده شده است. "

چگونه کار می کند؟ هر کلمه اهدایی به یک شعر دو خط گسترش یافته است ، تولید شده توسط الگوریتمی که بر میلیون ها کلمه شعر قرن نوزدهم آموزش داده شده است.

Devlin دستورالعمل هایی را نیز در وبلاگ خود داشت. "برای ایجاد POEMPORTRAIT خود ، به آدرس g.co/poemportraits بروید. پس از رسیدن به آنجا ، از شما خواسته می شود یک کلمه مورد نظر خود را اهدا کنید و از یک عکس سلفی بگیرید ... از آن پس شما یک POEMPORTRAIT بی نظیر از شما دریافت خواهید کرد چهره ، که توسط خطوط اصلی شعر شما روشن شده است. تمام سطرهای شعر برای تشکیل یک شعر در حال تکامل ، جمعی در هم می آیند. "

( Engadget : هوش مصنوعی از شما می خواهد كه كلمه ای را اهدا كنید و از خود سلفی بگیرید. كلام شما به خطوط اصلی شعر گسترش می یابد ... سپس تصویری شما با این سطرهای اصلی شعر روشن می شود.))

او با گوگل آرت و فرهنگ همکاری می کند. دبلین در یک وبلاگ در مورد فناوری پشت POEMPORTRAITS صحبت کرد. او با لابراتوار فرهنگ و هنر Google و راس گودوین همکاری کرد . وی عنوان تکنسین خلاق را در گوگل دارد.

اگر این عنوان شغلی عجیب به نظر می رسد ، نوع تخصص گودوین ویژه است. او بر نوشتن خلاق محاسباتی یا متن تولیدی متمرکز است. او الگوریتمی را برای یادگیری نوشتن شعر با خواندن بیش از 25 میلیون کلمه که توسط شاعران قرن نوزدهم نوشته شده است ، آموزش داده است.

Devlin گفت: "این کار مانند متن پیش بینی کننده عمل می کند ،" این عبارت ها را کپی یا اصلاح نمی کند ، اما از آن برای ساختن یک مدل آماری پیچیده استفاده می کند . " الگوریتم پمپ وکیوم در حال تولید عبارات اصلی است که از سبک آنچه در آن آموزش داده شده است تقلید می کند.

واکنش خود دابلین به شعرهایی که او می بیند: "اشعار حاصل می توانند به طرز حیرت انگیزی آزاردهنده و در بعضی اوقات غیرمعقول باشند ."

پاول لیلی در HotHardware با توجه به وزن این مورد افزود: "من مطمئن نیستم كه گوگل از این اطلاعات برای مقاصد بزرگتری استفاده می كند ، اما مطمئناً هوش مصنوعی در حال رشد است - از آن در برنامه های مختلفی استفاده می شود ، از خدمات مراقبت های ویژه و مطالعه الگوهای آب و هوایی. وسایل نقلیه خودران و اکنون شعر است . "

تایلر لی در Ubergizmo اظهار داشت: "اگر همیشه شعری را می خواستید که به طور خاص برای شما ایجاد شده باشد ، گوگل برای کمک به شما در اینجا قرار دارد ... یک هوش مصنوعی از یک الگوریتم برای ایجاد یک قطعه شعر استفاده می کند که منحصر به فرد شماست. مطمئناً این موضوع برای شما منطقی است یا خیر ، به تفسیر شما از آن بستگی دارد ، اما به نظر می رسد که یک پروژه کوچک جالب است. "

درباره حملات زنجیره تأمین چه می دانید؟ در ماه ژانویه ، مقاله ای در CSO گفته است که وقتی یک پیوند ضعیف در امنیت شرکت شما ممکن است در اختیار شرکاء و تأمین کنندگان باشد. این زمانی است که شخصی با دسترسی به سیستم ها و داده های شما ، از طریق یک شریک یا ارائه دهنده خارجی به سیستم شما نفوذ می کند.

در چند سال گذشته ، به گفته ماریا کورولوف در CSO ، تأمین کنندگان بیشتر و ارائه دهندگان خدمات از داده های حساس نسبت به گذشته لمس می کنند.

متأسفانه ، حمله زنجیره تأمین در زمانهای اخیر به مراتب بیشتر از یک تعریف پارک و پس انداز است. این یک سازنده سرآمد ذهن است ، زیرا یک گروه هکری در حال به روزرسانی نرم افزار از طریق بدافزار هستند . روز جمعه سیمی آنرا زنجیره ربودن زنجیره تامین نامید.

در این مثال ، سایت مایکروسافت تعریفی را ارائه می داد که با جسارت فعلی وارد خانه می شود.

"حملات زنجیره پمپ برای وکیوم تأمین نوعی تهدید در حال ظهور است که توسعه دهندگان نرم افزار و تأمین کنندگان را هدف قرار می دهد. هدف این است که دسترسی به کدهای منبع ، ساختن فرایندها یا به روزرسانی مکانیسم ها با آلوده کردن برنامه های معتبر برای توزیع بدافزار داشته باشید. و روشهای رمزگذاری ناامن. آنها وارد می شوند ، کدهای منبع را تغییر می دهند و بدافزارها را در مراحل ساخت و بروزرسانی مخفی می کنند. "

برنامه ها و به روز رسانی ها امضا و مجوز می شوند؛ فروشندگان احتمالاً از اینکه برنامه ها یا به روزرسانی های آنها هنگام انتشار منتشر شده آلوده به کد مخرب نیستند. کد مخرب با اعتماد و مجوزهای مشابه برنامه اجرا می شود.

پاول لیلی در PC Gamer موهای زائد همه اینها را توصیف کرد - یک گروه هکری "فعالانه با بارگیری های مطمئن روبرو می شوند و به نظر نمی رسد کسی هویت دقیق این گروه را کشف کند ." توجه داشته باشید کلمه مورد اعتماد: هیچ بارگیری ایمن نیست.

در حالی که هویت هنوز در حال کشف است ، نام هایی به آن داده می شود ، از جمله ShadowHammer و Wicked Panda.

نشانه هایی وجود دارد مبنی بر اینکه (1) این گروه به جاسوسی خم شده است ، و (2) هدف قرار دادن آن نشان می دهد که این یک عمل جرایم سایبری متمرکز بر سود نیست. "با وجود همه ظاهرها ، این گروه مشغول ایجاد جاسوسی در مورد كوچكی از رایانه هایی است كه به خطر می اندازد.

جنبه ناراحت کننده این موارد ممکن است دوره های عملی باشد ، مانند پرهیز از بروزرسانی های نرم افزاری که هنوز هم نادیده گرفتن بروزرسانی ها نیز به نظر می رسد خطرناک نیز باشند.

در مورد آزمایشگاه کسپرسکی ، آنها باید چنین بگویند: فروشندگان نرم افزار باید "خط دیگری در نقاله ساخت نرم افزار خود را معرفی کنند که علاوه بر امضای کد به صورت دیجیتال ، نرم افزار خود را برای تزریق بدافزارهای احتمالی بررسی کند."

فهمایدا رشید در IEEE Spectrum گفت: این عملیات به ویژه توهین آمیز است زیرا ابزارهای توسعه دهنده را خراب کرده است ، "رویکردی که می تواند بدافزارها را خیلی سریعتر و با احتیاط تر از روشهای معمولی گسترش دهد."

در واقع ، اندی گرینبرگ در وایر پیامدهایی را مطرح کرد. با ورود به شبکه برنامه نویسان و مخفی کردن کد مخرب در برنامه ها و به روزرسانی های معتبر نرم افزار ، هواپیماربایان می توانند بدافزارها را با "صدها هزار — یا میلیون ها نفر" از رایانه ها در یک عمل واحد ، بدون کوچکترین نشانه ناعادلانه قاچاق کنند. "

از آنجا که سایتهای خبری فناوری اطلاعاتی راجع به حمله زنجیره تأمین ارائه می دادند ، یک منبع اطلاعاتی که اغلب استناد شده بود ، آزمایشگاه کسپرسکی بود به همین دلیل. کسپرسکی مدتی است که این موضوع را مورد توجه قرار داده است. آنها کسانی بودند که این نام را دادند ، ShadowHammer.

"در پایان ژانویه سال 2019 ، محققان آزمایشگاه کسپرسکی کشف کردند که به نظر می رسد حمله جدیدی به یک تولید کننده بزرگ در آسیا ... برخی از پرونده های اجرایی ، که از دامنه رسمی یک تولید کننده بزرگ معتبر و قابل اعتماد بارگیری شده اند ، شامل بودند. ویژگی های ظاهری نرم افزارهای مخرب. تجزیه و تحلیل دقیق تأیید کرد که باینری توسط مهاجمان مخرب دستکاری شده است ... ما به سرعت فهمیدیم که با یک پرونده امضای دیجیتالی به خطر افتاده روبرو هستیم. "

مقاله کسپرسکی در مورد امضاهای دیجیتال بحث کرده است.

وی گفت: "بسیاری از نرم افزارهای امنیتی رایانه ای که امروز مستقر شده اند به کنترل یکپارچگی دستگاههای اجرایی قابل اعتماد اعتماد دارند. تأیید امضای دیجیتالی یکی از این روشها است. در این حمله ، مهاجمان موفق شدند کد خود را با مجوز یک فروشنده بزرگ امضا کنند. چگونه این امکان وجود داشت؟ ما جواب قطعی نداریم. "

آنها متوجه شدند که تمام باینری های پشتی ASUS با دو گواهی متفاوت امضا شده اند. "همان دو گواهینامه در گذشته استفاده شده است تا حداقل 3000 پرونده مشروع ASUS (به عنوان مثال ASUS GPU Tweak ، ASUS PC Link و سایر موارد) امضا شود ، که ابطال این گواهینامه ها بسیار دشوار است."

به نظر مهم ، به نظر می رسد که ایسوس هیچ وقت برای مقابله با این حمله تلف نکرد.

وی گفت: "ما از واکنش سریع همکاران ASUS درست چند روز قبل از یکی از بزرگترین تعطیلات در آسیا (سال جدید قمری) قدردانی می کنیم. این به ما کمک کرد تا تأیید کنیم که این حمله در مرحله خاموش بوده و هیچ خطر فوری برای عفونت های جدید وجود ندارد. ما زمان بیشتری برای جمع آوری آثار باستانی بیشتر داریم. با این حال ، همه باینری های ASUS به خطر افتادند که باید بدرستی پرچم گذاری شوند زیرا حاوی بدافزار هستند و از رایانه های کاربران Kaspersky Lab حذف شدند. "

مشکل بدافزارها در جای دیگر دیده می شود. "در جستجوی بدافزارهای مشابه ، ما با باینری های دیجیتالی امضا شده از سه فروشنده دیگر در آسیا روبرو شدیم ." یک عنوان در Wired گفت: "به نظر می رسد یک گروه هکرها مسئولیت هک های زنجیره تأمین CCleaner ، Asus و موارد دیگر ، کاشت در پشت در میلیون ها دستگاه هستند."

براساس تحقیقات جدید منتشر شده در ژورنال ، یک الگوریتم یادگیری ماشینی می تواند علائم اضطراب و افسردگی را در الگوهای گفتاری کودکان خردسال کشف کند ، به طور بالقوه راهی سریع و آسان برای تشخیص شرایط را می دهد که به سختی قابل مشاهده است و اغلب در جوانان غافل می شود. انفورماتیک زیست پزشکی و سلامت .

حدوداً از هر 5 کودک از اضطراب و افسردگی رنج می برند ، که در مجموع به عنوان "اختلالات درونی سازی" شناخته می شوند. اما از آنجا که کودکان زیر 8 سال نمی توانند به طور قابل اعتماد رنج عاطفی خود را بیان کنند ، بزرگسالان باید بتوانند وضعیت روحی خود را استنباط کنند و مشکلات بالقوه سلامت روان را تشخیص دهند. لیست های انتظار برای قرار ملاقات با روانشناسان ، مسائل مربوط به بیمه و عدم تشخیص علائم توسط والدین ، همگی در کودکانی که از معالجه حیاتی برخوردار نیستند ، نقش دارند.

الن مک گینیس ، روانشناس بالینی مرکز کودکان و نوجوانان و خانواده ورمونت دانشگاه ورمونت و نویسنده اصلی این تحقیق می گوید: "ما به آزمایشات سریع و عینی نیاز داریم تا بچه ها را در هنگام رنج بکشند ." "اکثر بچه های زیر هشت سال تشخیص داده نشده اند."

تشخیص زود هنگام بسیار حیاتی است زیرا کودکان به خوبی به درمان پاسخ می دهند در حالی که هنوز مغز آنها در حال پیشرفت است ، اما اگر درمان نشود ، در معرض خطر سوء مصرف مواد و خودکشی های بعدی زندگی قرار دارند. تشخیص استاندارد شامل یک مصاحبه نیمه ساختار یافته 60-90 دقیقه ای با یک پزشک آموزش دیده و مراقب اصلی آنها است. مک گینیس ، به همراه مهندس زیست پزشکی دانشگاه ورمونت و نویسنده ارشد تحقیق رایان مک گینیس ، به دنبال راه هایی برای استفاده از هوش مصنوعی انواع پمپ وکیوم و یادگیری ماشینی بوده اند تا بتوانند تشخیص سریعتر و مطمئن تر را انجام دهند.

محققان از نسخه اقتباس شده از یک کار القاء خلق و خوی به نام Trier-Social Stress Task استفاده کردند که در نظر گرفته شده است تا باعث ایجاد احساس استرس و اضطراب در موضوع شود. از گروه 71 نفری بین سه تا 8 سال خواسته شد كه داستانی سه دقیقه ای را بداهه كنند و به آنها گفتند كه براساس اینكه چقدر جالب است ، داوری می شود. محققی که به عنوان قاضی عمل می کند در طول سخنرانی سختگیر ماند و فقط بازخورد خنثی یا منفی را داد. بعد از 90 ثانیه و دوباره با 30 ثانیه باقی مانده ، وزوز صدا می شود و قاضی به آنها می گوید که چقدر زمان مانده است.

الن مک گینیس می گوید: "این کار به گونه ای استرس زا بوده است که آنها را در ذهنیت خود قرار دهد که کسی در مورد آنها قضاوت می کرد."

کودکان همچنین با استفاده از مصاحبه ساختاری ساختاری و پرسشنامه والدین ، که هر دو روش مشخص برای شناسایی اختلالات درونی در کودکان بودند ، تشخیص داده شدند.

محققان از الگوریتم یادگیری ماشینی برای تجزیه و تحلیل ویژگی های آماری ضبط های صوتی داستان هر کودک استفاده کردند و آنها را به تشخیص کودک مرتبط کردند. آنها دریافتند كه این الگوریتم در تشخیص كودكان بسیار موفق بوده است و فاز میانی ضبط ها ، بین دو وزوز ، پیش بینی كننده ترین تشخیص است.

رایان مک گینیس می گوید: "این الگوریتم توانست کودکان با تشخیص یک اختلال درونی با دقت 80٪ و در بیشتر موارد که واقعاً با صحت چک لیست والدین مقایسه می شود را شناسایی کند." این همچنین می تواند نتایج را خیلی سریعتر به دست آورد - الگوریتم فقط یک ثانیه طول می کشد زمان پردازش پس از اتمام کار برای ارائه یک تشخیص.

این الگوریتم هشت ویژگی صوتی مختلف گفتار بچه ها را مشخص کرد ، اما سه مورد به ویژه نشان دهنده اختلالات درونی شدن هستند: صداهای کم صدا ، دارای انعطاف پذیری و محتویات گفتار قابل تکرار و پاسخی بالاتر به صدای وزوز تعجب آور. الن مک گینیس می گوید این ویژگی ها مطابق آنچه انتظار دارید از کسی که دچار افسردگی است انتظار می رود. الن مک گینیس می گوید: "صدای کم صدا و عناصر گفتار تکرار شونده آنچه را که هنگام فکر کردن در مورد افسردگی در مورد آن فکر می کنیم آینه می کند: صحبت کردن با صدای یکنواخت ، تکرار آنچه شما می گویید."

پاسخ بالاتر به وزوز نیز به پاسخی که محققان در کار قبلی خود دریافتند ، مشابه است ، جایی که کودکان مبتلا به اختلالات درونی در یافتن پاسخ بزرگتر از محرک ترسناک در یک کار القاء ترس یافتند.

تجزیه و تحلیل صوتی در تشخیص با آنالیز حرکتی در کار قبلی از دقت مشابهی برخوردار است ، اما رایان مک گینیس فکر می کند استفاده در محیط بالینی بسیار ساده تر خواهد بود. وظیفه ترس به اتاق تاریک ، مار اسباب بازی ، سنسورهای حرکتی متصل به کودک و یک راهنما نیاز دارد ، در حالی که وظیفه صوتی فقط به یک قاضی احتیاج دارد ، راهی برای ضبط گفتار و یک وزوز برای قطع شدن. وی می گوید: "این امکان پذیر تر خواهد بود."

الن مک گینیس می گوید مرحله بعدی توسعه الگوریتم تحلیل گفتار به یک ابزار غربالگری جهانی برای استفاده بالینی خواهد بود ، شاید از طریق یک برنامه تلفن هوشمند که بتواند نتایج را فوراً ضبط و تجزیه و تحلیل کند. تجزیه و تحلیل صوتی همچنین می تواند با تجزیه و تحلیل حرکت به یک باتری از ابزارهای تشخیصی با کمک فن آوری ترکیب شود ، تا به شناسایی کودکان در معرض اضطراب و افسردگی کمک کند ، حتی قبل از اینکه والدینشان گمان کنند که هر چیزی اشتباه نیست.

هنگامی که گوگل دستیار دیجیتالی متمایز خود را در سال 2016 راه اندازی کرد ، در حال حاضر در معرض خطر بودن بودن یک مدیر قرار داشت.

در آن زمان ، آمازون بیش از یک سال است که بلندگو هوشمند Echo خود را با پشتیبانی دستیار صوتی خود Alexa به فروش می رساند . سیری اپل قبلاً پنج سال داشت و برای اکثر کاربران آیفون آشنا بود. ورودی اصلی گوگل در این قسمت تا آن زمان Google Now بود ، یک برنامه محدود به تلفن که دستورات صوتی را می گرفت اما به آن پاسخ نمی داد.

اکنون دستیار Google- که در درجه اول با صدای بلندگو هوشمند Google Home شناخته می شود - به طور فزاینده ای در محصولات جدید گوگل محور است. و حتی اگر آن را تحت الشعاع تجاری از الکسا ، همچنان مرزهای آنچه را که هوش مصنوعی می تواند در تنظیمات روزمره بدست آورد ، تحت فشار قرار می دهد.

به عنوان مثال ، سال گذشته گوگل سال گذشته یک سرویس دستیار به نام Duplex را اعلام کرد که به گفته وی در واقع می تواند رستوران ها را صدا کند و برای شما رزرو کند. دوپلکس هنوز خارج از تلفن های پیکسل خود گوگل در الکسا ایالات متحده و سیری هنوز به طور گسترده ای در دسترس نیست.

انتظار می رود گوگل در کنفرانس سالانه توسعه دهندگان خود سه شنبه به روزرسانی ها و برنامه های دستیار هوش مصنوعی خود را اعلام کند.

اگرچه دستیاران صوتی در تلفن های هوشمند و اتومبیل ها و دفاتر گسترش یافته اند ، اما در حال حاضر بیشتر آنها در خانه یافت می شوند ، جایی که افراد تمایل دارند از آنها با بلندگوهای هوشمند برای فعالیت های ساده مانند پخش موسیقی ، تنظیم تایمر و بررسی هوا استفاده کنند. به گزارش eMarketer ، دستگاه های Echo آمازون منجر به تقویت قدرت در بازار می شوند. این شرکت تخمین می زند که 63٪ از کل کاربران بلندگو هوشمند ایالات متحده امسال با یک دستگاه آمازون صحبت کنند ، در مقایسه با 31٪ استفاده از گوگل. HomePod اپل صرفاً یک تفسیر است که در رده "دیگر" قرار دارد که 12٪ ترکیب دارد.

در این 9 اکتبر 2018 ، عکس پرونده Google Home Hub در نیویورک نمایش داده می شود. دستیار گوگل نامی را برای خود در بازار فناوری صدا ایجاد کرده است که زمانی تحت تسلط آمازون و اپل قرار داشته است. انتظار می رود گوگل در کنفرانس سالانه توسعه دهندگان خود ، به روزرسانی های دستیار صوتی و محصولات خانگی هوشمند خود را سه شنبه ، 7 مه 2019 اعلام کند. (عکس AP / ریچارد درو ، پرونده)
هرچند به طور گسترده تر ، ارزیابی بسیار دشوار است. گوگل ادعا می کند که دستیار اکنون در بیش از یک میلیارد دستگاه موجود است ، اگرچه بسیاری از این تلفن های هوشمند هستند که ممکن است صاحبان آنها هرگز اصطلاح بیداری دستیار را "OK Google" به زبان نیاورده باشند.

ورنر گورتز ، تحلیلگر گارتنر گفت ، آمازون و گوگل ممکن است یکدیگر را در معیارهای متفاوتی با یکدیگر قرار دهند ، اما اندازه گیری واقعی این است که آنها چقدر به این هدف خود رسیده اند.

روابط عمیق آمازون در خرید ، الکسا را به عنوان دستیاری برای افزودن موارد به لیست مواد غذایی شما یا قرار دادن سریع سفارش صابون ظرف ، تبدیل می کند. چندین دهه جستجوی عمیق گوگل ، این رهبر را در جستجوی یا پاسخ دادن به سؤالاتی که ممکن است شما داشته باشید و پاسخهای خود را بر اساس آنچه که Google دیگر از جستجویهای قبلی ، حرکات یا مرور وب خود می داند ، شخصی سازی می کند.

همه اینها ، البته ، باعث تقویت کسب و کار تبلیغاتی کلیدی گوگل می شود ، این امر به این دلیل است که به شما تبلیغاتی را نشان می دهد که در جهت منافع شما هستند.

در ابتدا ، دستیار در خانه بیشتر به عنوان موتور جستجوی صوتی عمل می کرد. همچنین می تواند چندین کار اضافی مانند شروع لیست های پخش لیست Spotify خود را انجام دهد. با این حال ، با گذشت زمان ، ده ها زبان اضافه شده است ، با بیش از 1500 شرکت خانه هوشمند برای کنترل چراغ ها ، قفل ها و تلویزیون ها همکاری کرده و یاد گرفته است که اعضای هر خانواده خاص را از طریق صدا شناسایی کند.

همچنین تعداد برنامه ها و سایر شرکتهایی که با آنها کار می کنند گسترش یافته و به عنوان راهی برای ارسال پیام های متنی هنگام رانندگی به Google Maps منتقل شده است.

در این 10 ژانویه 2018 ، عکس پرونده چراغ های هوشمند LED فعال با دستیار Google Wiz در CES International در لاس وگاس نمایش داده می شود. دستیار گوگل نامی را برای خود در بازار فناوری صدا ایجاد کرده است که زمانی تحت تسلط آمازون و اپل قرار داشته است. انتظار می رود گوگل در کنفرانس سالانه توسعه دهندگان خود ، به روزرسانی های دستیار صوتی و محصولات خانگی هوشمند خود را سه شنبه ، 7 مه 2019 اعلام کند. (عکس AP / جائه C. هونگ ، پرونده)
هم گوگل و هم آمازون برنامه های بیشتری را گسترش می دهند. سال گذشته ، آمازون از وسایل کوچک خانگی با الکسا ساخته شده از جمله مایکروویو "هوشمند" رونمایی کرد. در نمایشگاه ابزار CES امسال دستگاهی متصل به تلفن را نشان داد که الکسا را به اتومبیل می آورد.

بیشتر بخوانید: پمپ های وکیوم

گوگل با به روزرسانی های در حال گسترش سیستم عامل Android Auto خود که قابلیت دستیار دستیار سال گذشته را داشت ، مخالفت کرد.

هرچه دستیار و الکسا باهوش تر ، سریع تر و شخصی تر می شوند ، تحلیلگران انتظار دارند که وسعت آنها گسترده تر و رایج تر شود. به گفته ویكتوریا پتروك ، تحلیلگر eMarketer ، این سخنرانان "مردم را به گفتگو با دستگاههای خود عادت می دهد." سرانجام ، او می گوید ، اگر می توانید با مایکروویو و تلویزیون خود صحبت کنید و مستقیماً چراغ برقرار کنید ، دیگر به بلندگوها نیازی نخواهید داشت - به جز شاید برای پخش موسیقی.

در این مناطق در حال ظهور ، گوگل امیدوار است با استفاده از تلفن های هوشمند و اتومبیل های اندرویدی ، از رقیبان خود فراتر رود. اما نه تنها در آمازون بلکه در اپل و مایکروسافت نیز در بسیاری از این مناطق با رقابت روبرو است.

Google I / O ساعت 10 صبح روز سه شنبه در Mountain View ، کالیفرنیا آغاز می شود. پیش بینی می شود این شرکت تلفن ارزان قیمت پیکسل و به روزرسانی دستگاه های خانگی هوشمند خود را معرفی کند.

ما به ساعت های هوشمند و تلفن های هوشمند خود عادت کرده ایم که بدن ما چه کاری را انجام می دهد ، چه راه رفتن ، رانندگی یا خوابیدن. اما دستان ما چه می شود؟ به نظر می رسد که ساعت های هوشمند با چند ترفند می توانند تعداد قابل توجهی از کارهایی را که دستان شما انجام می دهند ، تشخیص دهند.

محققان مؤسسه تعامل انسان و کامپیوتر دانشگاه کارنگی ملون (HCII) از ساعت هوشمند استاندارد برای فهمیدن زمان استفاده یک کاربر در صفحه کلید ، شستن ظروف ، سگ زدن به سگ ، ریختن از یک پارچ یا برش با قیچی استفاده کرده اند.

آنها با ایجاد چند تغییر در سیستم عامل ساعت ، آنها توانستند از شتاب سنج آن برای تشخیص حرکات دست استفاده کنند و در برخی موارد صداهای بیوشیمیایی مرتبط با 25 فعالیت مختلف دست با دقت تقریبا 95 درصد. و این 25 فعالیت فقط سرآغاز آنچه ممکن است برای کشف باشد.

کریس هریسون ، استادیار HCII و مدیر گروه واسط های آینده می گوید: "ما ساعت های هوشمند را به عنوان یک ساحل منحصر به فرد روی بدن برای گرفتن عکس های غنی و روزمره در بدن پیش بینی می کنیم ." "اگر دستگاههای ما از فعالیت بدن و دستان ما مطلع باشند ، طیف گسترده ای از برنامه ها می توانند باهوش تر و حساس تر به متن باشند."

دکتری هریسون و HCII. دانشجو Gierad Laput یافته های خود را در مورد این قابلیت سنجش جدید در CHI 2019 ، کنفرانس انجمن ماشین آلات رایانه در مورد عوامل انسانی در سیستم های محاسباتی ، 4-9 ماه مه در گلاسکو ، اسکاتلند ارائه خواهد داد. یک فیلم در دسترس است.

لاپوت گفت ، همانطور که تلفن های هوشمند اکنون می توانند پیام های متنی را در حالی که کاربر در حال رانندگی است مسدود کنند ، دستگاه های آینده که احساس دستی از فعالیت دستی دارند ممکن است یاد بگیرند که در حین انجام کار خاصی با دست خود مانند قطع سبزیجات یا تجهیزات قدرت در کار ، کسی را قطع نکنند. سنجش فعالیت دست نیز به برنامه های بهداشتی وابسته می شود - فعالیت های نظارتی مانند مسواک زدن دندانها ، شستن دستها یا سیگار کشیدن.

همچنین ممکن است برنامه هایی که از کاربرانی که مهارت جدیدی یاد می گیرند ، مانند پخش یک ساز موسیقی یا تحت توانبخشی جسمی ، بازخورد خود را ارائه دهند. برنامه ها ممکن است کاربران را به تایپ عادت هایی که می تواند منجر به صدمات مکرر کرنش شود ( هشدار دهنده فشار کرنش (RSI)) یا هشدار از بروز اختلالات حرکتی مانند موارد مرتبط با بیماری پارکینسون هشدار دهد.

بیشتر بخوانید: پمپ وکیوم چگونه کار میکند


لاپوت و هریسون با استخدام 50 نفر برای پوشیدن ساعت های هوشمند ویژه برنامه ریزی شده تقریباً 1000 ساعت در حالی که فعالیت های روزانه خود را انجام می دهند ، اکتشافات فعالیت های دست خود را آغاز کردند. به صورت دوره ای ، ساعت ها حرکت دست ، جهت گیری دست و اطلاعات بیولوژیکی آکوستیک را ضبط می کردند ، و سپس مشتری را ترغیب می کرد که فعالیت دست را توصیف کند - تراشیدن ، کف زدن ، خراشیدن ، قرار دادن رژ لب و غیره. بیش از 80 فعالیت دستی به این روش انجام شد. ، ارائه یک مجموعه داده منحصر به فرد

در حال حاضر ، کاربران باید ساعت هوشمند را روی بازوی فعال خود بپوشند ، نه بازوی منفعل (غیر غالب) که در آن افراد معمولاً از ساعت مچی استفاده می کنند ، تا سیستم کار کند. آزمایش های آینده کشف خواهد کرد که چه وقایعی را می توان با استفاده از بازوی منفعل تشخیص داد.

لاپوت گفت: "25 فعالیت دستی که ارزیابی کردیم ، بخش کوچکی از روش هایی است که ما دست و دست خود را در دنیای واقعی درگیر می کنیم." کارهای آینده به احتمال زیاد به کلاسهایی از فعالیتها متمرکز خواهد بود - فعالیتهای خاص مانند قطع سیگار ، مراقبت از سالمندان ، یا تایپ کردن و RSI.

روز دوشنبه در Build 2019 ، کنفرانس سالانه مایکروسافت برای توسعه دهندگان ، این شرکت فناوری یک موتور مکالمه را نشان داد تا با دستیار صوتی Cortana ادغام شود.

در حقیقت ، آشکار شد که تمرکز فقط روی کرتانا نیست بلکه پرده برداری از "چشم انداز" برای جهش بعدی در فناوری رابط زبان طبیعی است. مایکروسافت اعلام کرد که قصد دارد این فناوری را در تمام محصولات و ابزارهای مکالمه هوش مصنوعی خود از جمله کرتانا گنجانید.

موافقت با ناظران فناوری پمپ وکیوم و کارکرد آن که فکر می کنند دستیاران باید در بازی خود با تعامل با مردم گام بردارند ، دشوار نیست.

دستورالعمل و تأیید به عنوان پاسخ ، مکالمه را انجام نمی دهد ... انتظار ما در ماشین ها چیست؟ چه موقع می توانیم کاملاً به گفتگو با آنها بپردازیم ، نه فقط این کار را انجام دهید ، به من بگویید ، بلکه مانند انسان دو راه است ، از کجا می خواهید ، به شما پاسخ داده می شود ، و سپس حتی بیشتر از آنها سؤال می کنید یا اظهار نظر می کنید؟

سردبیر ارشد Devindra Hardawar ، Engadget : "... فرمان های فریاد زدن دقیقاً اینگونه نیست که شما با یک انسان دیگر ارتباط برقرار کنید."

جان روچ به وضعیت موجود در وبلاگ AI مایکروسافت پرداخت. "دستیاران هوشمند امروز پر از مهارت است. آنها می توانند بررسی آب و هوا، ترافیک و ورزش نمرات آنها می توانید موسیقی بازی، ترجمه کلمات و ارسال پیام های متنی. آنها حتی می توانند انجام محاسبات ریاضی، به جوک ها و خواندن داستان. اما، هنگامی که آن را به می آید مکالماتی که در جایی صمیمی تر می شوند ، چرخ ها سقوط می کنند. "

ایان شرر در CNET گفت: "امروز ما باید عبارات مختلفی از دستور العمل های عجیب و غریب و دستورات مکرر را یاد بگیریم تا از فناوری کنترل صدا استفاده کنیم تا آنچه را که می خواهیم انجام دهیم."

فصل جدید در هوش مصنوعی در انتظار است. مایکروسافت راهی را برای افزایش انتظارات شما نشان می دهد.

روز دوشنبه "نمایشگاه اتومبیل های معنایی مایکروسافت نمایشگاه جدید مکالمه هوش مصنوعی مایکروسافت" به عنوان یک فیلم ظاهر شد و فیلم همه چیز درباره فناوری جدید مکالمه هوش مصنوعی از دستگاه های معنایی است ، که مایکروسافت در سال 2018 به دست آورد. در این اجرای حراجی از طریق جلسات ، بررسی ها ، نشستن گوش دهید. فراز و نشیب ها ، تاریخ ناهار ، با Cortana جدید پاسخ یکپارچه با راه حل.

ایان شرر روز دوشنبه در CNET خاطرنشان كرد: برنامه ریزی پیگیری گفتگو ، یادآوری ها و سایر كارها با كمترین تلاش انجام شده است.

ویندوز سنترال می گوید ویژگی های جدید کورتانا در حال آمدن هستند ، با هوش مصنوعی مکالمه ای که برای توسعه دهندگان نیز فراهم می شود ، که آن را از طریق Bot Framework و سایر سطوح لاجورد دریافت می کنند.

(توصیف GitHub از Bot Framework SDK در اینجا به خصوص مفید است ، زیرا فرد را از این که چگونه فناوری در حال ضرب و شتم مسیری برای ایجاد تعامل به سطح مکالمه است آگاه است . " فرم یا ربات شما همچنین می تواند تعامل با راهنمایی بیشتری در صورت امکان انتخاب کاربر یا اقدامات ممکن برخوردار باشد. مکالمه می تواند از متن ساده یا کارتهای غنی پیچیده تر که حاوی متن ، تصاویر و دکمه های عمل است استفاده کند. ")

ویندوز سنترال خاطرنشان كرد كه اشخاص ثالث مجاز به ایجاد مأموریتهای مجازی خود برای موارد خاص استفاده هستند.

دستیاران هوشمند امروز؟ آنها لیستی از موارد منزوی را که یک برنامه نویس پیش بینی کرده است ، انجام می دهند. دستگاه ، گفت: همکار فنی مایکروسافت دن کلاین، استاد علوم کامپیوتر در دانشگاه کالیفرنیا در برکلی یادگیری در این سیستم ها در درجه اول بر روی کلمات است که باعث یک مهارت، تمرکز دارد.

کلین ، که از بنیانگذاران ماشینی های معنایی نیز بود ، گفت: "آنها در یادگیری چگونگی انجام کارهای جدید یا آمیختن و مطابقت کارهایی که از قبل می دانند برای پشتیبانی از زمینه های جدید متمرکز نشده اند."

دن راث ، معاون رئیس شرکت مایکروسافت و مدیرعامل سابق شرکت ماشین های معنایی ، گفت که فناوری تیم وی باعث می شود رایانه ها ما را درک کنند ، با ما مکالمه کنند و کاری را که ما می خواهیم انجام دهند ، انجام دهند.

New Cortana باید بتواند چندین سؤال و مهارت را به طور همزمان کنترل کند و چندین دستور مختلف را که در زمانهای مختلف گفته شده ، با یکدیگر بپیوندید.

شرر خلاصه فردا را در مقابل امروز همه این موارد بیان کرد: "به عنوان مثال ، امروز ما معمولاً می توانیم از دستیاران صوتی بخواهیم تقویم های خود را بخوانند ، اما مایکروسافت معتقد است که در آینده ای نه چندان دور ، دیگر نیازی به سست کردن سیری نخواهیم داشت! " یا "کورتانا!" در عوض ، ما فقط از دستیاران همیشه گوش فرا می خواهیم که برنامه های ما چیست ، آیا افراد صحیحی به جلسات دعوت شده اند و برنامه های ناهار را تعیین کرده ایم. به این روزها احتیاج دارید. "

Hardawar به ارمغان آورد تا به یک نقطه خوب به نفع خود، در آن "پاسخ Cortana را صدا مانند یک انسان واقعی، کامل با انواع ساس و کنه زبان واقع بینانه umms، و اجرایی هرگز به حال عبارت چیزهایی مانند یک فرمان."

کی با کورتانا جدید صحبت می کنیم؟ Zac Bowden در ویندوز مرکزی : "مشخص نیست که چه زمانی می توان انتظار داشت این موتور جدید را در Cortana به نمایش بگذارد ، اما مایکروسافت می گوید که باید به زودی وارد بازار شود."

محققان دانشگاه کارنگی ملون می گویند یک چمدان هوشمند که به کاربران نابینا از برخورد قریب الوقوع هشدار می دهد و یک برنامه تلفن همراه هوشمند می تواند به افراد دارای معلولیت بینایی کمک کند تا با اطمینان و مستقل از پایانه های فرودگاه حرکت کنند.

چمدان نورد هنگامی که کاربران به سمت برخورد با یک عابر پیاده هدایت می شوند ، هشدار می گیرند و برنامه ناوبری دستورالعمل های صوتی به نوبه خود به نوبه خود به شما می دهد که چگونه می توانند به یک دروازه عزیمت یا یک سرویس بهداشتی یا یک رستوران برسند. هر دو در یک جفت از مطالعات کاربران که در فرودگاه بین المللی پیتسبورگ انجام شده اثبات شده است.

محققان یافته های خود را در کنفرانس CHI 2019 ، کنفرانس انجمن ماشین آلات رایانه در مورد عوامل انسانی در سیستم های محاسباتی ، 4-9 ماه مه در گلاسکو ، اسکاتلند ارائه می دهند.

CMU و فرودگاه بین المللی پیتسبورگ شرکای در حال توسعه سیستم ها و فن آوری های جدید برای افزایش تجارب مسافرتی و فرودگاه عملیات.

Chieko Asakawa ، استاد خدمات برجسته IBM در انستیتوی رباتیک CMU و همکار IBM در IBM Research گفت: "با وجود تلاش های اخیر برای بهبود دسترسی ، پایانه های فرودگاه همچنان برای افرادی که دارای اختلال بینایی هستند ، به صورت مستقل حرکت کنند." پرسنل فرودگاه و هواپیمایی برای کمک به آنها برای رسیدن به دروازه های خروج در دسترس هستند ، اما آنها معمولاً نمی توانند امکانات ترمینال را آنطور که ممکن است افراد بینا کشف و استفاده کنند.

یک مسافر کور از نظر قانونی که در یک گروه متمرکز به عنوان بخشی از تحقیقات شرکت کرده است ، گفت: "هنگامی که شما یک پنج یا شش ساعت غرق شدن دریافت می کنید و برای خوردن یا استفاده از دستشویی باید چیزی بدست آورید ، این یک دردسر بزرگ است." "این بسیار دوست داشتنی خواهد بود که بتوانیم از جای خود بلند شوید و به حرکت درآیید و کارهایی را انجام دهید که باید انجام دهید و شاید بخواهید انجام دهید."

کریس کیتانی ، استادیار تحقیقات پژوهشکده رباتیک گفت: تعداد فزاینده ای از فرودگاهها نصب چراغ های بلوتوث را دارند که می توان از آنها برای ناوبری داخل خانه استفاده کرد ، اما اغلب آنها برای ارتقاء خدمات برای مسافران بینا و نه کمک به افراد نابینا اعزام می شوند.

او و همکارانش NavCog را که یک اپلیکیشن مبتنی بر تلفن هوشمند است و دارای چراغهای بلوتوثی است ، در فرودگاه بین المللی پیتسبورگ مستقر کردند. این برنامه که توسط CMU و IBM برای کمک به افراد نابینا به طور مستقل حرکت می کند ، قبلاً در پردیس ها ، از جمله CMU و مراکز خرید مستقر شده است. آنها آن را برای استفاده در فرودگاه تغییر دادند که در آن راهروهای بسیار گسترده کاربران را در برابر رفت و آمد و در استفاده از راهروهای متحرک آسیب پذیر می کند. به عنوان بخشی از این پروژه ، فرودگاه صدها چراغ بلوتوث را در کل تأسیسات نصب کرد.

کریستینا کاسوتیس ، مدیرعامل فرودگاه بین المللی پیتسبورگ گفت: "بخشی از تعهد ما به مردم شامل اطمینان از اینكه فرودگاه ما برای همه كار می كند ، به ویژه كه تسهیلات خود را برای آینده مدرن می كنیم." "ما مفتخریم که از طریق دانشگاه کارنگی ملون با چنین محققان بزرگی شریک شویم. داشتن نبوغ کلاس جهانی که در فرودگاه ما منعکس شده ، نشانگر تحول پیتسبورگ است."

محققان دانشگاه کارنگی ملون ، دانشگاه توکیو و دانشگاه واسدا در توکیو یک چمدان هوشمند به نام BBeep تهیه کرده اند که به مسافران نابینا کمک می کند تا در میان جمعیت حرکت کنند. اعتبار: دانشگاه کارنگی ملون
برنامه دستورالعمل های صوتی را به کاربران می دهد. این نقشه به ترمینال متکی است که حاوی محل های دستشویی ، رستوران ها ، دروازه ها ، ورودی ها و پیشخوان های بلیط فروشی است.

ده نفر از نابینایان قانونی با استفاده از آیفون 8 با نتایج خوب ، برنامه را آزمایش کردند و در فضاهای باز بزرگ ترمینال ، پله برقی ها و گردشگاه های متحرک با چند خطا عبور کردند. بیشتر کاربران توانستند در مدت سه دقیقه به پیشخوان بلیط برسند ، در طی شش دقیقه پایانه را طی کنند ، از یک دروازه به یک سرویس بهداشتی در یک دقیقه بروند و در حدود چهار دقیقه از دروازه به رستوران بروند.

برنامه NavCog برای آیفون به صورت رایگان از فروشگاه App در دسترس است و می توانید در Pittsburgh International در منطقه بلیط بلیط ترمینال ساحلی و در مجالس و هسته مرکزی ترمینال airside استفاده کنید.

تیم دیگری ، اندازه گیری عملکرد پمپ وکیوم از جمله محققان دانشگاه توکیو و دانشگاه واسدا در توکیو ، چمدان هوشمندی بنام BBeep را برای کمک به مشکل دیگری که در فرودگاهها مشاهده می شود - گشت و گذار در میان جمعیت ، توسعه دادند. سیستم کمکی دارای دوربین برای ردیابی عابران پیاده در مسیر کاربر است و می تواند در صورت وجود احتمال تصادف ، محاسبه کند.

آساکاوا که از 14 سالگی نابینا است ، گفت: "افراد بینا معمولاً اگر از یک فرد نابینا آگاهی داشته باشند ، مسیری را پاک نخواهند کرد." یا با جهت دیگری روبرو می شوند.

BBeep به پاک کردن یک مسیر کمک می کند. یک چمدان نورد به خودی خود می تواند به پاک کردن راه کمک کند و می تواند به عنوان مکانیسم سنجش گسترده برای شناسایی تغییرات در بافت کف عمل کند. با این حال ، BBeep همچنین می تواند در صورت وقوع تصادف هشدار دهنده باشد - هم به کاربر هشدار می دهد و هم به مردم در منطقه هشدار می دهد و باعث می شود اتاق بسازد. یک سری بوق ها پنج ثانیه قبل از برخورد شروع می شود. فرکانس بوق در 2.5 ثانیه افزایش می یابد. هنگامی که برخورد قریب الوقوع است ، BBeep صدایی متوقف می کند و باعث می شود کاربر نابینا فوراً متوقف شود.

در آزمایش های موجود در فرودگاه ، شش شرکت کننده نابینا هر یک BBeep را با یک دست چرخ کرده و در طرف دیگر در هنگام حرکت در مناطق شلوغ ، از عصا سفید استفاده می کردند. از آنها خواسته شد كه پنج مسير مشابه را در سه حالت قدم بردارند - يكي كه چمدان هيچگونه هشداري را ارائه نمي دهد ، ديگري كه در آن هشدارها فقط از طريق هدفون توسط کاربر قابل شنيدن است و راه ديگري كه در آن هشدارها از طريق بلندگو انجام مي شود. یک محقق از هر شرکت کننده پیروی کرد تا مطمئن شود که هیچ کسی آسیب ندیده است.

محققان گفتند که عملکرد بلندگو ، هم در کاهش تعداد عابران در معرض خطر برخورد قریب الوقوع و هم در کاهش تعداد عابر پیاده در مسیر کاربر ، بسیار مؤثر است.

یکی از کاربران اظهار داشت: "مردم متوجه می شدند که من نزدیک می شوم و مردم در حال دور شدن بودند ... مسیر را به من می دادند."

این روزها ، تقریباً تمام محصولات مبتنی بر هوش مصنوعی در زندگی ما به "شبکه های عصبی عمیق" متکی هستند که بطور خودکار یاد می گیرند که داده های دارای برچسب را پردازش کنند.

اگرچه برای اکثر سازمان ها و افراد ، یادگیری عمیق دشوار است. برای یادگیری خوب ، شبکه های عصبی معمولاً باید بسیار بزرگ باشند و به مجموعه داده های گسترده نیاز دارند. این فرایند آموزش معمولاً نیاز به آموزش چند روزه و واحدهای گران قیمت پردازش گرافیک (GPU) و حتی سخت افزارهای طراحی شده و سفارشی دارد.

اما اگر واقعاً مجبور نباشند این همه بزرگ باشند ، چه می شود؟

در مقاله جدید ، محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) نشان داده اند که شبکه های عصبی دارای زیرشاخه هایی هستند که اندازه آنها تا یک دهم است اما هنوز قادر به آموزش برای پیش بینی های یکسان دقیق هستند - و بعضی اوقات می توانند یاد بگیرند. حتی سریعتر از اصل.

رویکرد تیم در حال حاضر به خصوص کارآمد نیست. آنها باید چندین بار شبکه را کامل آموزش داده و "هرس کنند" قبل از پیدا کردن کار فرعی موفق. با این حال ، دستیار MIT ، پروفسور مایکل کاربین می گوید که یافته های تیم وی نشان می دهد ، اگر بتوانیم دقیقا مشخص کنیم که کدام قسمت از شبکه اصلی به پیش بینی نهایی مربوط است ، دانشمندان ممکن است روزی بتوانند از این روند گران قیمت به طور کلی عبور کنند. چنین مکاشفه ای این امکان را دارد که ساعات کار را صرفه جویی کند و ایجاد مدل های معنی دار توسط برنامه نویسان فردی و نه فقط شرکت های بزرگ فناوری را آسان تر کند.

"اگر در ابتدا شبکه اول لازم نبود که آنقدر بزرگ باشد ، چرا نمی توانید فقط در ابتدا سایز مناسب ایجاد کنید؟" می گوید دکتری دانشجو جاناتان فرانکل ، که مقاله جدید خود را با همکاری نویسنده Carbin در همایش بین المللی نمایندگی های یادگیری (ICLR) در نیواورلئان ارائه داد. این پروژه به عنوان یکی از دو مقاله برتر ICLR ، از میان تقریباً 1600 مورد ارسال ، انتخاب شد.

این تیم روشهای سنتی یادگیری عمیق را به قرعه کشی تشبیه می کنند . آموزش شبکه های بزرگ عصبی نوعی مانند تلاش برای تضمین این است که با خرید کورکورانه هر بلیط ممکن ، برنده شوید. اما اگر بتوانیم شماره های برنده را از همان ابتدا انتخاب کنیم ، چه می شود؟

کاربین می گوید: "با یک شبکه عصبی سنتی ، شما به طور تصادفی این ساختار بزرگ را آغاز می کنید و بعد از آموزش آن بر روی تعداد زیادی از داده ها ، به طرز جادویی کار می کنید." "این ساختار بزرگ مانند خرید بلیط بزرگ است ، حتی اگر تعداد کمی بلیط وجود دارد که شما را ثروتمند می کنند. علم باقی مانده این است که چگونه قبل از مشاهده شماره های برنده ، بلیط های برنده را شناسایی کنید."

کار این تیم همچنین ممکن است پیامدهایی برای به اصطلاح "یادگیری انتقال" داشته باشد ، جایی که شبکه های آموزش داده شده برای یک کار مانند تشخیص تصویر روی آنها ساخته شده است تا در ادامه با یک کار کاملا متفاوت کمک کنند.

یادگیری انتقال سنتی شامل آموزش شبکه و سپس اضافه کردن یک لایه دیگر در بالا است که برای یک کار دیگر آموزش داده می شود. در بسیاری موارد ، شبکه ای که برای یک هدف آموزش دیده باشد ، قادر به نوعی دانش عمومی است که بعداً می تواند برای اهداف دیگری مورد استفاده قرار گیرد.

به همان اندازه مواردی که شبکه های عصبی پمپ انتقال نیرو وکیوم دریافت کرده اند ، غالباً میزان آموزش آنها به سختی انجام نمی شود. از آنجا که آنها می توانند برای آموزش بسیار گران قیمت باشند ، دانشمندان داده ها مجبورند امتیازات بسیاری کسب کنند ، با توجه به اندازه مدل ، مقدار زمان لازم برای آموزش و عملکرد نهایی آن ، یک سری معاملات تجاری را وزن می کنند.

برای آزمایش به اصطلاح "فرضیه بلیط بخت آزمایی" و نشان دادن وجود این زیر مجموعه های کوچکتر ، تیم به راهی برای یافتن آنها نیاز داشتند. آنها با استفاده از یک رویکرد مشترک برای از بین بردن اتصالات غیر ضروری از شبکه های آموزش دیده شروع کردند تا آنها را در دستگاه های کم مصرف مانند تلفن های هوشمند قرار دهند: آنها اتصالات را با کمترین "وزن" (هر چقدر شبکه اولویت این اتصال) را "هرس" می کند.

نوآوری اصلی آنها این ایده بود که اتصالات پس از آموزش شبکه هرس می شوند ، هرگز به هیچ وجه لازم نبودند. برای آزمایش این فرضیه ، آنها دوباره سعی کردند دقیقاً همان شبکه را آموزش دهند ، اما بدون اتصالات هرس شده. نکته مهم این است که آنها هر ارتباطی را با وزنی که در ابتدای آموزش به آن اختصاص داده بودند ، "تنظیم مجدد" می کنند. این وزن های اولیه برای کمک به بلیط بخت آزمایی ضروری است: بدون آنها ، شبکه های هرس یاد نمی گیرند. آنها با هرس اتصال بیشتر و بیشتر ، آنها تعیین کردند که چقدر می تواند بدون آسیب زدن به توانایی یادگیری شبکه حذف شود.

برای اعتبارسنجی این فرضیه ، آنها این روند را ده ها هزار بار در بسیاری از شبکه های مختلف در طیف گسترده ای از شرایط تکرار کردند.

کاربین می گوید: "تعجب آور بود که تنظیم مجدد یک شبکه با عملکرد خوب منجر به نتیجه بهتر شود." "این نشان می دهد که هر کاری که برای اولین بار انجام می دادیم دقیقاً مطلوب نبوده است ، و جایی برای بهبود چگونگی یادگیری این مدل ها برای بهبود خود وجود دارد."

به عنوان گام بعدی ، تیم قصد دارد تا علت مشخص شدن برخی زیرشاخه ها را در یادگیری ماهر داشته و راه هایی برای یافتن کارآمد این زیرشاخه ها را بررسی کند.

دانیل روی ، استادیار آمار دانشگاه دانشگاه تورنتو ، که درگیر این مقاله نشده است ، می گوید: "درک فرضیه بلیط بخت آزمایی" ممکن است محققان را برای سالهای بعدی مشغول نگه دارد. "این کار ممکن است برنامه هایی برای فشرده سازی شبکه و بهینه سازی شبکه داشته باشد. آیا می توانیم این مراحل زیر را در اوایل آموزش شناسایی کنیم ، بنابراین آموزش را تسریع می کنیم؟ آیا می توان از این تکنیک ها برای ساختن طرح های فشرده سازی مؤثر استفاده کرد ، مستحق مطالعه است."

حملات صوتی مخالف ، آشفتگی های کوچکی هستند که توسط انسان قابل درک نیستند و به عمد به سیگنال های صوتی اضافه می شوند تا عملکرد مدل های یادگیری ماشین (ML) را مختل کنند. این حملات نگرانی های جدی را در مورد امنیت مدل های ML ایجاد می کنند ، زیرا می توانند باعث اشتباه شوند و در نهایت پیش بینی های اشتباه ایجاد کنند.

محققان olecole de Technologie Supérieure ، بخشی از دانشگاه کبک در کانادا ، اخیراً رویکرد جدیدی را توسعه داده اند که می تواند به امنیت ابزارهای طبقه بندی صوتی در برابر حملات مخالف کمک کند. در مقاله خود ، که از قبل روی arXiv منتشر شده است ، برخی از قوی ترین حملات خصمانه موجود و تأثیر آنها بر عملکرد مدل های ML معمولی را مرور می کنند ، سپس رویکردی را پیشنهاد می کنند که می تواند این حملات را خنثی کند.

"در حال حاضر ، بسیاری از طبقه بندی کننده های قوی و سریع (در زمان اجرا) از نظر دقت ، یعنی طبقه بندی کننده های یادگیری عمیق (به عنوان مثال شبکه های عصبی کانوشنال ) وجود دارند ، که حتی می توانند از سطح انسانی رسانه ها (به عنوان مثال گفتار ، تصویر ، فیلم ، انیمیشن) بهتر عمل کنند. متن و غیره) به رسمیت شناختن و رگرسیون ، "محمد اسماعیل پور ، یکی از محققانی که این تحقیق را انجام داده است ، به TechXplore گفت. "پاشنه آشیل از این الگوریتم های پیشرفته ، آسیب پذیری آنها در برابر ورودی هایی است که حاوی آشفتگی هایی با دقت ساخته شده هستند ، معروف به حملات دشمن."

حملات مخالف با تولید نمونه هایی که از نزدیک شبیه نمونه های آموزش قانونی هستند ، کار می کنند ، اما در واقع یک مدل یا مدل ML منجر به تولید برچسب های اشتباه با سطح اطمینان بالا می شود. در تحقیقات ML ، اگر داده های کافی برای آموزش طبقه بندی وجود داشته باشد ، چالش اصلی دیگر بهبود صحت تشخیص آن نیست ، بلکه اطمینان از مقاومت آن در برابر حملات دشمن است.

اسماعیل پور گفت: "حملات خصومت آمیز تهدیدهای فعال برای همه الگوریتم های مبتنی بر داده است ، حتی آنهایی که روی داده های کوچک آموزش دیده اند." وی ادامه داد: "این علاقه ما را به مطالعه خطر حملات خصمانه برای برنامه های تشخیص صدا و گفتار برانگیخته است ، زیرا همه تلفن های هوشمند اکنون به یک دستیار گفتار مجازی مانند سیری ، دستیار گوگل و کرتانا مجهز شده اند."

در مطالعه خود ، اسماعیل پور و همکارانش آزمایشاتی را انجام دادند که شامل مجموعه داده های صوتی محیطی است ، نه مجموعه داده های گفتاری. با این وجود ، در آینده رویکرد آنها به طور بالقوه می تواند به رسمیت شناختن گفتار نیز گسترش یابد ، این امر به تضمین دستیاران صوتی در برابر حملات مخالف کمک می کند.

طیف سنجی مخالف ساخته شده همراه با سیگنال صوتی در تصویر اول. در حالی که این دو عکس با هم مشابه هستند ، اما آنها دارای برچسب های مختلفی هستند که نشان می دهد حمله صورت گرفته است. اعتبار: اسماعیل پور ، کاردینال و لمییرس کوئریچ.
اسماعیل پور توضیح داد: "هدف اصلی ما در این مقاله بررسی تهدید حملات متقابل برای طبقه بندی کننده های صوتی یادگیری متعارف و عمیق بوده و از نظر ایده آل یک الگوریتم قابل اطمینان تر از نظر مقاومت در برابر برخی از حملات متداول را به عنوان پایه ای برای طبقه بندی صوتی واقعی قوی پیشنهاد می کنیم." . "ما می خواهیم در طبقه بندی ها در دقت تشخیص ، پیچیدگی محاسباتی و استحکام در برابر حملات دشمن ، یک تعادل عادلانه ایجاد کنیم."

به طور کلی ، طبقه بندی کننده هایی که در برابر حملات دشمن مخالف تر هستند ، دقت کمتری را به دست می آورند و بالعکس. محققان در مطالعه خود بر بازآرایی دشمن ، یکی از معتبرترین تکنیک های دفاعی موجود که اطلاعات شیب را خنثی نمی کند ، متمرکز شدند. با وجود مزایای آن ، این استراتژی دفاعی خاص پرهزینه است (از آنجا که حملات شدید پرهزینه است ، بازپس گیری مخالف با استفاده از این حملات پرهزینه تر خواهد بود) و می تواند بر عملکرد تشخیص طبقه بندیگر تأثیر منفی بگذارد.

اسماعیل پور گفت: "مورد ایده آل برای ما پیشنهاد به یک طبقه بندی صوتی مجدد آموزش مجدد بدون صدا و خنثی است که ذاتاً" ویژگی های قوی "را می آموزد." "سناریوی طبقه بندی ما شامل چندین مرحله است ، عمدتا طیف سنجی (نمایش 2D برای سیگنال های صوتی ) تقویت ، کاهش ابعاد با استفاده از تکنیک تجزیه جبری و هموار سازی با استفاده از یک خودکار تنظیم کننده نویزکننده پیچشی ، که در آن دو مرحله آخر (جمع شده در کنار هم) مثبت نشان داده اند. اثرات بر حذف اختلالات دشمن احتمالی ناشناخته کوچک. "

محققان پس از بررسی برخی از قوی ترین حملات خصمانه به آنجا و تأثیرات آنها بر عملکرد مدل های ML ، ویژگی هایی را از طیف سنجی های پردازش شده توسط مدل ها استخراج کردند ، آنها را در یک دفترچه راهنما سازماندهی و الگوریتم ماشین بردار پشتیبانی (SVM) را بر روی این کد آموزش دادند. . در خط لوله تمرینی خود هیچ تکنیک شناسایی یا حمله القایی ضد حمله یا واکنش الگوریتمی دفاعی را اجرا نکردند.

اسماعیل پور توضیح داد: "هدف اصلی ما این بود که" بردارهای ویژگی های قوی را بیاموزیم "بدون اینکه هیچ گونه سربار قبل یا بعد از پردازش برای تشخیص نمونه های احتمالی طرف مقابل وجود داشته باشد." "نتایج ما نشان می دهد که طبقه بندیگر پیشنهادی ما از الگوریتم های مرسوم و الگوریتم های مرسوم در برابر پنج نوع حملات خصمانه قوی برای برخی از مجموعه داده های صوتی زیست محیطی عملی بهتر است."

اسماعیل پور و همکارانش از نظر آماری آسیب پذیری هر دو طبقه بندیگر معمولی (یعنی طبقه بندی کننده هایی که از فضای ویژگی ها یاد می گیرند) و الگوریتم های یادگیری عمیق (یعنی الگوریتم هایی که از داده های خام یاد می گیرند) را در برابر حملات دشمنان ثابت کردند. به گفته محققان ، در حال حاضر هیچ الگوریتمی معتبر از داده محور برای طبقه بندی صوتی وجود ندارد که در برابر حملات مخالف نیز قوی باشد. در بین مدلهای موجود ، به نظر می رسد که رویکردهای مبتنی بر یادگیری عمیق در مقابل این حملات کمترین امنیت را داشته باشند ، حتی اگر به طور معمول بالاترین دقت تشخیص را داشته باشند.

اسماعیل پور گفت: "سناریوی طبقه بندی پمپ وکیوم که در مقاله ما پیشنهاد کردیم از SVM با هسته چند جمله ای به عنوان طبقه بندی نهایی استفاده می کند." "با این وجود ، استفاده از یک اتوکودر ناهمگن کننده حلقوی در بالای تجزیه ارزش مفرد و به دنبال آن یک خوشه بدون نظارت از بردارهای دارای ویژگی های پرقدرت استخراج شده می تواند به یادگیری مؤلفه های ساختاری بیشتر و احتمالاً ویژگی های قوی کمک کند ، که می تواند به ما امکان دستیابی به تعادل مناسب را بدهد. بین دقت تشخیص (قابل مقایسه با عملکرد برتر از هنر) و استحکام در برابر پنج حمله خصمانه مشترک متداول ".

در حالی که نتایج جمع آوری شده توسط محققان بسیار امیدوار کننده است ، ممکن است بسته به مجموعه داده استفاده شده یا برنامه خاص یک طبقه بندی کننده متفاوت باشد ، از این رو هنوز قابل تعمیم نیستند. در آینده ، مطالعه آنها می تواند از توسعه سایر طبقه بندی کنندگانی که بهتر در برابر حملات دشمنان مجهز هستند ، آگاه نشود ، بدون آنکه ضررهای قابل توجهی در عملکرد (یعنی دقت تشخیص) داشته باشد.

اسماعیل پور گفت: "یادگیری ویژگی های قوی یک مشکل باز است و ما هنوز تصوری روشنی از چگونگی رسیدگی صحیح به آن نداریم ؛ این کار توسط تیم تحقیقاتی ما بررسی می شود و به زودی نتایج به دست می آید." "در همین حال ، ما در حال کار بر روی یک تکنیک جدید حمله قوی و تهاجمی ضد دشمن هستیم که هدف آن استفاده از این حمله برای آموزش مخالفان مدل یادگیری (که باعث تقویت استحکام آن می شود) می شود و همچنین عملکرد شناسایی مدل را قبل از آموزش آن ذخیره می کنیم."

گوگل روز سه شنبه روند صعودی قیمت گوشی های هوشمند را رونمایی کرد و از یک گوشی پیکسل با کارایی بالا با هدف وسط بازار به عنوان بخشی از زمینه گسترده برای توسعه دهندگان سخت افزار ، نرم افزار و تلاش های حریم خصوصی جدیدش رونمایی کرد.

تلفن پیکسل 3a که بسیاری از ویژگی های هوش مصنوعی دستگاه های پرچمدار آن را شامل می شود ، از 399 دلار قیمت دارد ، مدیران گفت که Google با برگزاری کنفرانس سالانه توسعه دهندگان I / O خود را در نزدیکی دفتر مرکزی خود در شهر سیلیکون ولی در کوه مشاهده کرد.

ریک استرلو ، رئیس سخت افزار گوگل گفت: "روند نگران کننده ای برای گران شدن تلفن های رده بالا وجود داشته است."

"بنابراین ، ما خودمان را به چالش كشیدیم تا تجربه ای از سطح بالایی را در نسخه جدید Pixel 3a با شروع 399 دلار ارائه دهیم."

پیکسل جدید در فروشگاه آنلاین گوگل در دسترس بود.

Osterloh اظهار داشت که قیمت تقریبا نیمی از تلفن های هوشمند پریمیوم نسل جدید است اما با دوربین ، دستیار دیجیتال و سایر ویژگی های موجود در گوشی های رده بالا ساخته شده است.

فرانک گیلت ، تحلیلگر اصلی تحقیقات Forrester ، در این رویداد گفت: "آنها تازه تعریف كردند كه یك تلفن با قیمت متوسط چه كاری می تواند انجام دهد."

"اما آنها به ما نگفتند که چه مشکلاتی در مورد سخت افزار ایجاد کرده اند."

به گفته گیلت ، تخصص گوگل نرم افزاری است ، بنابراین دریافت ویژگی هایی مانند هوش مصنوعی برای کار با تلفن های هوشمند کم هزینه تر به قدرت غول اینترنت بازی می کند.

Sundar Pichai ، مدیر اجرایی Google گفت: ضمن فعال كردن هوش مصنوعی برای دستیابی به ویژگیهای پیشرفته در تلفن های هوشمند ، به معنای كمتر شدن داده های كاربر برای انجام وظایف باید در مراكز داده های آنلاین به اشتراک گذاشته شود.

پیچای گفت: "ما همیشه می خواهیم كاربران بیشتری انجام دهیم ، اما با داده های كمتری آن را با گذشت زمان انجام دهیم."

"ما به شدت معتقدیم که حریم خصوصی و امنیت برای همه است."

درخواست بودجه

پیکسل 3a اولین بازار خود را در بازار سختگیرانه تلفن های هوشمند ، به ویژه در مورد مدل های پریمیوم انجام می دهد ، زیرا گوگل نتوانسته سهم قابل توجهی از بازار را بدست آورد.

طبق تحقیقات شرکت IDC ، سامسونگ کره جنوبی طی سه ماهه گذشته تمامی تولیدکنندگان را با سهم 23 درصدی در بازار جهانی رهبری کرد که 6.6 درصد سقوط کرد.

طبق اعلام IDC ، هواوی چین ، اپل مستقر در ایالات متحده و سه شرکت چینی دیگر در رده های پنجم جدول قرار گرفتند.

گوگل سال گذشته با دستیابی به تقسیم تلفن هوشمند HTC مستقر در تایوان ، جاه طلبی های سخت افزاری خود را پشت سر گذاشت.

دستگاه جدید پیکسل 3a در حالی معرفی می شود که اپل و سامسونگ قیمت جدیدترین گوشی های خود را به بیش از 1000 دلار افزایش داده اند و پرچمدار گوگل پیکسل 3 با حدود 800 دلار فروش دارد.

به گفته تحلیلگر کارولینای میلانزی ، پیکسل 3a دارای ویژگی های "بسیار جذاب برای کاربران با بودجه" است و تهدیدی برای تولید کننده برجسته گوشی های هوشمند اندرویدی سامسونگ محسوب می شود.

گوگل همچنین یک دستگاه Nest Hub Max را معرفی کرد که یک صفحه نمایش 10 اینچی (25 سانتی متری) با دوربین ، میکروفون ، سیستم صوتی و یک دستیار دیجیتال را در خود جای می دهد.

به گفته مدیران ، Smarts ساخته شده در Max شامل تشخیص چهره است که به دستگاه اجازه می دهد تجارب را شخصی سازی کند و حتی اگر شخصی که آن را نمی شناسد در خانه است ، به گفته مدیران.

حداکثر 229 دلار قیمت دارد که اواخر امسال در استرالیا ، انگلیس و ایالات متحده به بازار عرضه شود.

تحلیلگر گیلت با توجه به اینکه از یک دوربین هوشمند ، صفحه نمایش فیلم و استریو با کیفیت بالا استفاده می کند ، قیمت Max را "فک پایین" می داند.

به حفظ حریم شخصی

مدیران Google عمیقاً به روشهایی در جهت بهبود نرم افزار خود ، خصوصاً با توجه به حفظ حریم خصوصی و یادگیری ماشین ، غافل شده اند.

در کنار بافتن پادکست ها و تصاویر واقعیت افزوده 3 بعدی به نتایج جستجو ، Google امکان انجام محاسبات بیشتری را در گوشی هایی که کاربران در آن کنترل دارند انجام می دهد.

پیچای گفت: "به جای ارسال داده به ابر ، مدل های یادگیری ماشین را مستقیماً به دستگاه شما ارسال کردیم."

"ما همیشه می خواهیم کارهای بیشتری را برای کاربران انجام دهیم ، اما این کار را با داده های کمتری در طول زمان انجام می دهیم."

به گزارش گیلت ، در حالی که "شیطان در جزییات" در رابطه با میزان کسب اطلاعات از نرم افزار موبایل Google در مورد کاربران "برای تبلیغات اینترنتی آنلاین خود" لکه دار می شود ، بافندگی با حفظ حریم خصوصی در پیشنهادات خود می تواند موقعیت شرکت را با تنظیم کننده ها بهبود ببخشد. .