พบแนวทางใหม่สำหรับแอปพลิเคชัน AI ที่ใช้พลังงานอย่างมีประสิทธิภาพ

ภาพจาก Graz University of Technology (Austria)

นักวิจัยจาก Graz University of Technology (TU Graz) ของออสเตรียได้แสดงให้เห็นถึงแนวทางใหม่สำหรับปัญญาประดิษฐ์ (artificial intelligence) หรือ AI ที่ใช้พลังงานอย่างมีประสิทธิภาพ โดยต้องการสัญญาณน้อยมากในการทำงาน และกำหนดความหมายของช่วงหยุดระหว่างสัญญาณ Wolfgang Maass และ Christoph Stöcklของ TU Graz ได้เพิ่มประสิทธิภาพเครือข่ายประสาทเทียมในตัวแบบคอมพิวเตอร์สำหรับการจำแนกภาพ โดยเซลล์ประสาทจะทำเพียงแค่ส่งสัญญาณง่าย ๆ  เป็นครั้งคราว โดยจะได้ความแม่นยำใกล้เคียงกับเครื่องมือที่ทันสมัยที่สุดที่ใช้กันอยู่ในปัจจุบัน รูปแบบการส่งข้อมูลนอกจากจะขึ้นอยู่กับจำนวนสัญญาณที่เซลล์ประสาทที่ส่งออกไปแล้ว ยังขึ้นอยู่กับว่าเซลล์ประสาทส่งข้อมูลออกไปเมื่อไหร่อีกด้วย Maass กล่าวว่า "ด้วยจำนวนสัญญาณเพียงไม่กี่สัญญาณ - ค่าเฉลี่ยจากการจำลองของเราคือสองสัญญาณ เราก็ได้จำนวนข้อมูลที่ส่งถึงกันระหว่างหน่วยประมวลผลในปริมาณที่มากพอ ๆ กับ ฮาร์ดแวร์ที่ใช้พลังงานมากกว่า"

อ่านข่าวเต็มได้ที่: Graz University of Technology (Austria)

หุ่นยนต์ที่ถูกออกแบบมาเพื่อหลีกเลี่ยงสภาพแวดล้อมที่เป็นอันตรายเพื่อส่งข้อมูลได้อย่างรวดเร็ว

Photos by Lakitha Wijeratne/UT Dallas physics doctoral student

ทีมอุปกรณ์หุ่นยนต์อัตโนมัติที่พัฒนาโดยนักวิจัยจาก University of Texas at Dallas (UT Dallas) สามารถนำไปใช้เพื่อทำการสำรวจทั่วไปเกี่ยวกับระบบนิเวศหรือในไซต์ที่เป็นอันตรายหรือเข้าถึงได้ยาก เพื่อสนับสนุนการตัดสินใจแบบเรียลไทม์ อุปกรณ์จะรวบรวมข้อมูลหลายพันรายการในขณะที่อยู่บนพื้นดิน ในอากาศ หรือในน้ำภายในไม่กี่นาที อุปกรณ์อัตโนมัติได้แก่เรือหุ่นยนต์เพื่อวัดองค์ประกอบของน้ำ โซนาร์ในการตรวจจับวัตถุใต้ผิวน้ำโดรนทางอากาศที่มีเซ็นเซอร์ติดตั้งอยู่หลายตัว และยานพาหนะภาคพื้นดินเพื่อเก็บตัวอย่างดินและมีเรดาร์ที่สามารถอ่านข้อมูลจากใต้พื้นดิน David Lary จาก UT Dallas กล่าวว่า "ทีมอัตโนมัติแบบนี้สามารถทำการสำรวจและเก็บตัวอย่างสิ่งที่อยู่ในอากาศและในน้ำได้อย่างรวดเร็ว เพื่อที่จะไม่ต้องให้คนเข้ามาในพื้นที่ที่เป็นอันตราย"

อ่านข่าวเต็มได้ที่: University of Texas at Dallas

โปรแกรมล่าบั๊ก: แฮกเกอร์จำนวนมากขึ้นเข้าร่วมหาช่องโหว่บนเว็บ มือถือและ IoT

Bermix Studio on Unsplash

Hacker Report ปี 2021 ของ HackerOne เผยให้เห็นจำนวนแฮกเกอร์ที่ส่งช่องโหว่ไปยังโปรแกรมล่าบั๊กในช่วงปีที่แล้วเพิ่มขึ้นถึง 63% รายได้ของแฮกเกอร์ฝ่ายดีที่เปิดเผยช่องโหว่ของโปรแกรมบั๊ก HackerOne เพิ่มขึ้นกว่า 2 เท่าเป็น 40 ล้านดอลลาร์ในปี 2020 จาก 19 ล้านดอลลาร์ในปี 2019 แฮกเกอร์ส่วนใหญ่มุ่งเน้นไปที่แอปพลิเคชันบนเว็บ แต่มีการส่งช่องโหว่ที่เกี่ยวข้องกับอุปกรณ์ Android, อุปกรณ์อินเทอร์เน็ตของสรรพสิ่ง ( Internet of Things) หรือ IoT และส่วนประสานการเขียนโปรแกรม (Application Programming Interface) หรือ API มากขึ้นในปีที่แล้ว  Jobert Abma จาก HackerOne กล่าวว่า "เรากำลังเห็นการเติบโตอย่างมากในการส่งช่องโหว่ในทุกหมวดหมู่ และการเพิ่มขึ้นของแฮกเกอร์ที่เชี่ยวชาญในเทคโนโลยีที่หลากหลายมากขึ้น"

อ่านข่าวเต็มได้ที่: ZDNet

จะจับผิด Deepfakes ได้ยังไง

ภาพจาก UB News Center

เครื่องมือที่พัฒนาโดยนักวิทยาศาสตร์คอมพิวเตอร์ของ University at Buffalo สามารถระบุภาพถ่ายของผู้คนที่สร้างจาก Deepfake ได้โดยอัตโนมัติ โดยวิเคราะห์การสะท้อนแสงในดวงตาเพื่อหาความเบี่ยงเบนเล็ก ๆ น้อย ๆ  เครื่องมือนี้ใช้ประโยชน์จากข้อเท็จจริงที่ว่าภาพที่สร้างขึ้นด้วยปัญญาประดิษฐ์  (artificial intelligence)  หรือ AI  ส่วนใหญ่ไม่สามารถสะท้อนภาพของสิ่งที่บุคคลในภาพกำลังมองได้อย่างถูกต้องหรือสม่ำเสมอ อาจเป็นเพราะภาพถ่ายจำนวนมากถูกรวมเข้าด้วยกันเพื่อสร้างภาพปลอม ก่อนอื่นเครื่องมือจะทำแผนที่ใบหน้าแต่ละใบหน้าจากนั้นวิเคราะห์ดวงตา ลูกตา และสุดท้ายแสงที่สะท้อนในลูกตาแต่ละข้าง เครื่องมือนี้มีประสิทธิภาพ 94% ในการตรวจจับ deepfake ระหว่างภาพถ่ายเของหน้าคนในชุดข้อมูล Flickr Faces-HQ ตลอดจนใบหน้าปลอมที่สร้างด้วย AI จาก www.thispersondoesnotexist.com

อ่านข่าวเต็มได้ที่: UB News Center

อัลกอริทึมอาจช่วยลดความซับซ้อนของ Big Data

Image: Getty Images

นักวิจัยจาก Texas A&M University, University of Texas at Austin และ Princeton University ได้พัฒนาอัลกอริทึมที่สามารถนำไปใช้กับชุดข้อมูลขนาดใหญ่ โดยมีความสามารถในการแยกและเรียงลำดับของคุณลักษณะโดยตรงจากสำคัญที่สุดไปหาสำคัญน้อยที่สุด Reza Caixadeh แห่ง Texas A & M กล่าวว่า "มันมีวิธีที่ไม่เป็นระบบหลายวิธีในการดึงคุณสมบัติเหล่านี้ โดยใช้อัลกอริทึมการเรียนรู้ของเครื่อง แต่ตอนนี้เรามีข้อพิสูจน์ทางทฤษฎีที่เข้มแข็งมากว่า ตัวแบบของเราสามารถค้นหาและดึงคุณลักษณะที่โดดเด่นเหล่านี้ออกจากข้อมูลพร้อมกัน ซึ่งสามารถทำได้ในรอบการทำงานเดียวเท่านั้น อัลกอริทึมเพิ่ม cost function ตัวใหม่ให้กับโครงข่ายประสาทเทียม เพื่อจัดลำดับของคุณลักษณะตามประสิทธิภาพให้อยู่ในตำแหน่งที่ถูกต้องที่สุด ทำให้สามารถวิเคราะห์ข้อมูลแบบคลาสสิกบนชุดข้อมูลขนาดใหญ่ได้อย่างมีประสิทธิภาพมากขึ้น

อ่านข่าวเต็มได้ที่: Texas A&M Engineering News