ถูกไล่ออกโดยหุ่นยนต์ นี่คือคนสู้กับเครื่อง

Photographer: Kathy Tran/Bloomberg

พนักงานขับรถซึ่งเป็นคู่สัญญาของ Flex ของ Amazon บริษัทยักษ์ใหญ่ด้านค้าปลีก บอกว่างานของพวกเขาอยู่ได้ด้วยความเมตตาของซอฟต์แวร์ ที่ให้คะแนนประสิทธิภาพการทำงานของพวกเขาอย่างไม่เป็นธรรม  อัลกอริธึมจะประมวลข้อมูลโดยใช้แบบรูปประสิทธิภาพ และกำหนดเส้นทางให้คนขับหรือปลดคนขับออก โดยใช้ผลการตอบกลับจากคนเพียงเล็กน้อยเท่านั้น แหล่งข่าวรายหนึ่งกล่าวว่าอัลกอริธึมของ Flex ไม่ได้คำนึงถึงธรรมชาติของมนุษย์ และทำให้คนขับรถที่ดีเป็นคนขับรถที่แย่ อดีตวิศวกรผู้ช่วยออกแบบ Flex กล่าวว่า Amazon เชื่อว่าประโยชน์ของโปรแกรมคือช่วยชดเชยความเสียหายที่อาจเกิดตามมา บริษัทรู้ว่าซอฟต์แวร์อาจนำไปสู่ข้อผิดพลาดและให้ภาพลักษณ์ที่ไม่ดีต่อสื่อ แต่คิดว่าการจัดการปัญหาดังกล่าวจะทำให้มีค่าใช้จ่ายสูงโดยไม่จำเป็น ตราบใดที่ยังคงหาคนขับใหม่มาทดแทนได้ง่าย ๆ 

อ่านข่าวเต็มได้ที่: Bloomberg

พรมอัจฉริยะให้ข้อมูลเชิงลึกเกี่ยวกับท่าทางของมนุษย์

ภาพจาก MIT Computer Science and Artificial Intelligence Laboratory

พรมตรวจจับการสัมผัสแบบใหม่ที่ประกอบขึ้นจากฟิล์มที่ไวต่อแรงกดและด้ายนำไฟฟ้าสามารถคำนวณท่าทางของมนุษย์โดยไม่ต้องใช้กล้อง พรมนี้สร้างโดยวิศวกรที่ Computer Science and Artificial Intelligence Laboratory ของ Massachusetts Institute of Technology (MIT) โดยฝึกเครือข่ายประสาทของระบบโดยใช้ชุดข้อมูลของท่าทางที่บันทึกไว้ด้วยใช้กล้อง เมื่อคนอยู่บนพรมมันจะสามารถอนุมานท่าทางในแบบสามมิติจากข้อมูลการสัมผัส เซ็นเซอร์มากกว่า 9,000 ตัวถูกถักทอเข้ากับพรม และแปลงแรงกดของเท้าคนบนพรมให้เป็นสัญญาณไฟฟ้า ตัวแบบการคำนวณสามารถทำนายท่าทางโดยมีส่วนต่างข้อผิดพลาดน้อยกว่า 10 เซนติเมตร และจัดประเภทท่าทางด้วยความแม่นยำ 97% Yiyue Luo แห่ง MIT กล่าวว่า "คุณสามารถจินตนาการถึงการใช้ตัวแบบนี้เพื่อเปิดใช้งานระบบติดตามสุขภาพแบบไร้รอยต่อสำหรับบุคคลที่มีความเสี่ยงสูง สำหรับการตรวจจับการล้ม การเฝ้าติดตามการทำกายภาพบำบัด การเคลื่อนไหว และอื่นๆ"

อ่านข่าวเต็มได้ที่: MIT Computer Science and Artificial Intelligence Laboratory

ขั้นตอนวิธีช่วยให้ยานพาหนะอัตโนมัติรู้ได้เองว่าเป็นฤดูหนาวหรือฤดูร้อน

ภาพจาก California Institute of Technology

การใช้ภาพในการนำทางแบบสัมพันธ์กับภูมิประเทศ (Visual terrain-relative navigation)  หรือ VTRN ตอนนี้สามารถทำงานได้อย่างมีประสิทธิภาพโดยไม่ต้องคำนึงถึงการเปลี่ยนแปลงฤดูด้วยอัลกอริธึมใหม่ นักวิจัยของ  California Institute of Technology ใช้การเรียนรู้เชิงลึกและปัญญาประดิษฐ์เพื่อขจัดข้อมูลตามฤดูกาลที่สามารถขัดขวางระบบ VTRN ซึ่งอาศัยความคล้ายคลึงกันอย่างใกล้ชิดระหว่างภูมิประเทศที่พวกมันอยู่และฐานข้อมูลภาพ อัลกอริธึมใช้การเรียนรู้ด้วยตนเอง โดยมองหาแบบรูป (pattern) ในภาพโดยแยกรายละเอียดและคุณสมบัติที่มนุษย์อาจมองข้ามไป ระบบ VTRN ที่ติดตั้งอัลกอริธึมสามารถเข้าใจสภาพถิ่นที่อยู่ได้แม่นยำยิ่งขึ้น ระบบที่อัปเกรดหนึ่งระบบสามารถจับคู่ภาพใบไม้ฤดูร้อนได้ถึง 92% เทียบกับภาพใบไม้ในฤดูหนาว โดยอีก 8% ที่เหลือสามารถระบุได้อย่างง่ายดายด้วยวิธีการอื่น

อ่านข่าวเต็มได้ที่: California Institute of Technology

การศึกษาเบื้องต้นเกี่ยวกับอุปกรณ์ที่ปลูกถ่ายในสมองเพื่อบรรเทาความเจ็บปวด

PHOTO: PALMIHELP/GETTY

การทดลองโดยนักวิทยาศาสตร์ของ New York University (NYU) Langone ได้แสดงให้เห็นถึงความสามารถในการฝังคอมพิวเตอร์ในสมองเพื่อบรรเทาอาการปวดในระยะสั้นและเรื้อรังในหนู ส่วนต่อประสานระหว่างสมองกับเครื่องจักรแบบวงปิดระบุกิจกรรมในเยื่อหุ้มสมอง cingulate ส่วนหน้า ซึ่งเป็นพื้นที่ของสมองที่จำเป็นสำหรับการประมวลผลความเจ็บปวด เมื่อคอมพิวเตอร์ที่เชื่อมต่อกับอุปกรณ์ที่ปลูกถ่ายตรวจพบรูปแบบไฟฟ้าที่เกี่ยวข้องกับความเจ็บปวดโดยอัตโนมัติ เครื่องจะสั่งให้อุปกรณ์บรรเทาอาการเจ็บปวด โดยการกระตุ้นเยื่อหุ้มสมองส่วนหน้า นักวิจัยของ NYU Langone ได้ฝังอิเล็กโทรดในสมองของหนูหลายสิบตัว จากนั้นให้พวกมันได้รับความเจ็บปวดที่วัดได้อย่างระมัดระวัง เพื่อติดตามว่าพวกมันหายปวดได้เร็วแค่ไหน นักวิจัยกล่าวว่าอุปกรณ์ตรวจจับความเจ็บปวดได้อย่างแม่นยำถึง 80% ของเวลาทั้งหมด

อ่านข่าวเต็มได้ที่: NYU Langone NewsHub

วิธีเรียนรู้ของเครื่องสามารถปรับปรุงการทำนายเกี่ยวกับสภาพแวดล้อม

ภาพจาก University of Minnesota News and Events

กระบวนการใหม่หรือเทคนิคการเรียนรู้ของเครื่องแบบใช้ความรู้นำ ( knowledge-guided machine learning) สามารถทำนายการไหลและอุณหภูมิในเครือข่ายแม่น้ำได้อย่างแม่นยำแม้จะมีข้อมูลน้อย จากการวิจัยของนักวิจัยจาก  University of Minnesota, University of Pittsburgh (Pitt), และ  U.S. Geological Survey งานนี้เกี่ยวข้องกับอัลกอริธึมที่ถูกสอนกฎทางกายภาพเพื่อให้สร้างการคาดการณ์ที่แม่นยำยิ่งขึ้น และระบุความสัมพันธ์ที่สำคัญทางกายภาพระหว่างข้อมูลเข้าและผลลัพธ์ วิธีการนี้ได้รับการออกแบบเพื่อหลีกเลี่ยงกับดักทั่วไปในการทำนายด้วยการเรียนรู้ของเครื่อง โดยให้ข้อมูลตัวแบบผ่านความสัมพันธ์ระหว่างเวลา การเชื่อมโยงเชิงพื้นที่ระหว่างลำธารและสมการงบประมาณด้านพลังงาน (energy budget equation) Xiaowei Jia จาก Pitt กล่าวว่า "การทำนายอุณหภูมิของน้ำและกระแสน้ำที่แม่นยำ สามารถช่วยการตัดสินใจสำหรับผู้จัดการทรัพยากร เช่น ช่วยให้พวกเขากำหนดเวลาและปริมาณน้ำที่จะปล่อยจากแหล่งกักเก็บไปยังแม่น้ำ"

อ่านข่าวเต็มได้ที่: University of Minnesota News and Events