นักวิจัยออสเตรเลียใช้การเรียนรู้ของเครื่องเพื่อวิเคราะห์ศิลปะในหิน

Image: Mimal Land Management Aboriginal Corporation (MLMAC)

นักวิจัยชาวออสเตรเลียใต้ที่มหาวิทยาลัย Flinders กำลังวิเคราะห์วิวัฒนาการของศิลปะบนหินผ่านการเรียนรู้ของเครื่อง (machine learning) ทีมงานได้ศึกษาภาพงานศิลปะที่รวบรวมระหว่างการสำรวจพื้นที่ Arnhem Land โดยใช้ตัวแบบโครงข่ายประสาทเทียมแบบคอนโวลูชัน (convolutional neural network) ที่ได้รับการฝึกฝนและเผยแพร่ก่อนหน้านี้ และกลุ่มของชุดข้อมูลที่แต่ละชุดออกแบบมาสำหรับการจำแนกประเภทวัตถุ ผู้ตรวจสอบจาก Flinders ใช้การเรียนรู้แบบถ่ายโอน (transfer learning) เพื่อปรับใช้เครือข่ายเหล่านี้บนชุดข้อมูลโดยไม่ต้องฝึกอบรมใหม่ และวิเคราะห์การตอบสนองของตัวแบบบนชุดข้อมูลศิลปะในก้อนหิน Daryl Wesley ของ Flinders กล่าวว่าคอมพิวเตอร์ได้สังเกตเห็นวัตถุมากกว่า 1,000 ประเภท และเรียนรู้ที่จะแยกความแตกต่างโดยดูจากภาพถ่าย Ian Moffat ของ Flinders กล่าวว่าการเรียนรู้แบบถ่ายโอนช่วยขจัดอคติของมนุษย์จำนวนมากออกจากการวิเคราะห์ และแง่มุมที่น่าตื่นเต้นอย่างยิ่งของงานวิจัยนี้ก็คือ "เป็นการทำซ้ำผลลัพธ์ที่ได้จากการศึกษาอื่น ๆ ที่ใช้วิธีการแบบดั้งเดิมมากกว่านี้"

อ่านข่าวเต็มได้ที่: ZDNet

จากการศึกษาของ MIT พบข้อผิดพลาด "อย่างเป็นระบบ" ในการให้ป้ายกำกับของชุดข้อมูลที่ได้รับความนิยมในการทำเบนช์มาร์กของ AI

ตารางแสดงเปอร์เซ็นต์ของการให้ป้ายกำกับที่ผิดพลาดของชุดข้อมูลยอดนิยมของเบนช์มาร์ก AI

การวิเคราะห์โดยนักวิจัยของ Massachusetts Institute of Technology (MIT) แสดงให้เห็นถึงความอ่อนแอของชุดข้อมูลมาตรฐานปัญญาประดิษฐ์โอเพนซอร์สที่เป็นที่นิยม เนื่องจากข้อผิดพลาดในให้ป้ายกำกับ ทีมงานได้ตรวจสอบชุดทดสอบ 10 ชุดจากชุดข้อมูลรวมถึงฐานข้อมูล ImageNet และพบว่ามีข้อผิดพลาดเฉลี่ย 3.4% ในชุดข้อมูลทั้งหมด นักวิจัยของ MIT คำนวณว่าฐานข้อมูล QuickDraw ที่ดูแลโดย Google ซึ่งมีภาพวาด 50 ล้านภาพ มีข้อผิดพลาดมากที่สุดในชุดทดสอบโดยอยู่ที่ 10.12% ของป้ายกำกับทั้งหมด นักวิจัยกล่าวว่าการให้ป้ายกำกับที่ไม่ถูกต้องเหล่านี้ทำให้ผลการทดสอบจากชุดทดสอบไม่เสถียร นักวิจัยสรุปว่า "โดยทั่วไปแล้วผู้ปฏิบัติงานด้านแมชชีนเลิร์นนิงจะเลือกตัวแบบที่จะใช้ตามความแม่นยำในการทดสอบ การค้นพบของเราแนะนำให้ระวัง โดยเสนอว่าการตัดสินตัวแบบจากชุดทดสอบที่มีป้ายกำกับอย่างถูกต้องอาจมีประโยชน์มากกว่า โดยเฉพาะอย่างยิ่งสำหรับชุดข้อมูลจริงที่มักจะมีข้อมูลที่มีข้อมูลที่ไม่พึงประสงค์ปะปนมา 

อ่านข่าวเต็มได้ที่: VentureBeat

นักวิทยาศาสตร์สร้างรุ่นต่อไปของหุ่นยนต์มีชีวิต

Photos: Doug Blackiston, Tufts University

นักวิทยาศาสตร์จาก University of Vermont (UVM) ทำงานร่วมกับนักชีววิทยาของ Tufts University ติดตามการพัฒนาของเครื่องที่สามารถซ่อมแซมตัวเองทางชีววิทยาที่สร้างจากเซลล์กบ ที่เรียกว่า Xenobot โดยสร้างรุ่น (generation) ต่อไปของ Xenobots ทีสามารถประกอบตัวเองจากเซลล์แต่ละเซลล์ ไม่ใช้เซลล์กล้ามเนื้อสำหรับการเคลื่อนไหว และสามารถบันทึกความทรงจำได้ Xenobots รุ่นต่อไปมีประสิทธิภาพเหนือกว่ารุ่นก่อนหน้าอย่างมาก และยังแสดงให้เห็นว่าสนับสนุนหน่วยความจำระดับโมเลกุลและการรักษาตัวเอง Doug Blackiston ของ Tufts กล่าวว่า "วิธีการนี้ช่วยให้เราเข้าใจว่าเซลล์สื่อสารกันอย่างไรเมื่อพวกมันมีปฏิสัมพันธ์ระหว่างกันในระหว่างการพัฒนาและเราจะควบคุมปฏิสัมพันธ์เหล่านั้นให้ดีขึ้นได้อย่างไร"

อ่านข่าวเต็มได้ที่: UVM Today

กล้องสมาร์ตโฟนที่ใช้ในการวัดชีพจรอัตราการหายใจอาจช่วยเรื่องดูแลสุขภาพจากระยะไกล

Cristina Zaragoza on Unsplash

นักวิจัยจาก University of Washington  (UW) และ Microsoft Research ได้พัฒนาระบบที่ใช้กล้องจากสมาร์ตโฟนหรือคอมพิวเตอร์ เพื่ออ่านชีพจรและการหายใจจากวิดีโอที่แสดงใบหน้าของผู้ใช้ ระบบรักษาความเป็นส่วนตัวโดยทำงานอยู่บนอุปกรณ์แทนที่จะอยู่ในระบบคลาวด์ ในขณะที่แมชชีนเลิร์นนิง (ML) จะบันทึกการเปลี่ยนแปลงเล็กน้อยของแสงที่สะท้อนจากใบหน้าของคน ซึ่งจะมีความสัมพันธ์กับการไหลเวียนของเลือดที่เปลี่ยนแปลงไป นักวิจัยเริ่มจากได้ฝึกฝนระบบจากชุดข้อมูลวิดีโอของใบหน้า และข้อมูลชีพจรและการหายใจของแต่ละบุคคลที่บันทึกจากเครื่องมือที่เป็นมาตรฐาน มันคำนวณสัญญาณชีพโดยใช้ข้อมูลเชิงพื้นที่และเวลา (spatial and temporal) จากวิดีโอ Xin Liu จาก UW กล่าวว่า“ ทุกคนมีความแตกต่างกัน ดังนั้นระบบนี้จึงต้องสามารถปรับให้เข้ากับลายเซ็นทางกายภาพที่เป็นเอกลักษณ์ของแต่ละคนได้อย่างรวดเร็ว และแยกสิ่งนี้ออกจากรูปแบบอื่น ๆ เช่นรูปลักษณ์ และในสภาพแวดล้อมที่พวกเขาอยู่”

อ่านข่าวเต็มได้ที่: UW News

เครื่องมือเอาแบบรูปด้านมืดออกจากแอปมือถือ

Photo: iStockphoto

นักวิจัยจาก University of Oxford ของสหราชอาณาจักรได้พัฒนาเครื่องมือชื่อ GreaseDroid ที่ใช้งานง่ายในการกำจัดคุณลักษณะการออกแบบ "แบบรูปด้านมือ (dark pattern)  จากแอปพลิเคชันมือถือยอดนิยม คุณลักษณะดังกล่าวมีจุดมุ่งหมายเพื่อปรับเปลี่ยนพฤติกรรมออนไลน์ของผู้ใช้ เพื่อประโยชน์ของผู้สร้างแอป ซึ่งอาจส่งผลเสียต่อความเป็นอิสระของผู้ใช้ ความเป็นส่วนตัว ความปลอดภัย และทางเลือกของผู้ใช้อย่างมีนัยสำคัญ GreaseDroid ช่วยให้ผู้ใช้ติดตั้งโปรแกรมเพื่อแก้ไขโค้ดของแอป และลบหรือแก้ไขคุณสมบัติที่รองรับแบบรูปด้านมืดผ่านทางเว็บพอร์ทัล ผู้ใช้เลือกแอปที่จะแก้ไขจากนั้นเรียกดูไลบรารีของแพตช์ที่มีเป้าหมายแก้ไขแบบรูปด้านมืดที่แตกต่างกัน หลังจากเลือกแล้ว ซอฟต์แวร์ GreaseDroid จะติดตั้งการเปลี่ยนแปลง และให้ลิงก์สำหรับดาวน์โหลดแอปเวอร์ชันที่ผู้ใช้กำหนดเอง Colin Gray จาก Purdue University กล่าวว่า GreaseDroid เน้นในประเด็น "การใช้สิ่งที่อาจถือได้ว่าเป็น 'การแฮ็ก' อย่างมีจริยธรรมเพื่อให้ผู้บริโภคสามารถตอบสนองต่อภัยคุกคามที่ติดมา และทำงานอยู่ในแอปบนอุปกรณ์อัจฉริยะของตัวเอง"

อ่านข่าวเต็มได้ที่: IEEE Spectrum

เพิ่มเติมเสริมข่าว: 

เป็นแนวคิดที่น่าสนใจดีนะครับ ใครที่สนใจจะลองใช้ GreaseDroid  ลองเข้าไปที่ Github นี้ครับ  โดยจะมีการนำเสนองานนี้ใน ACM Conference on Human Factors in Computing Systems ในเดือนพฤษภาคมนี้ครับ