วันพฤหัสบดีที่ 12 สิงหาคม พ.ศ. 2564

กล้องที่สวมใส่ได้ลดความเสี่ยงจากการชนของคนตาบอดและบกพร่องทางสายตา

wearable-device-reduce-collision
ภาพจาก UPI

อุปกรณ์คอมพิวเตอร์วิชัน (computer vision) ที่สวมใส่ได้ซึ่งพัฒนาโดยนักวิทยาศาสตร์ของ Harvard Medical School  อาจช่วยลดการชนและอุบัติเหตุอื่นๆ สำหรับคนตาบอดและผู้พิการทางสายตา อุปกรณ์ประกอบด้วยหน่วยบันทึกข้อมูลที่อยู่ในกระเป๋าเป้สะพายหลังแบบมีสายพร้อมกล้องที่สายรัด และสายรัดข้อมือที่เชื่อมต่อ Bluetooth สองเส้น นักวิจัยกล่าวว่าหน่วยประมวลผลบันทึกภาพจากกล้อง และวิเคราะห์ความเสี่ยงจากการชนโดยพิจารณาจากการเคลื่อนที่ของวัตถุที่เข้ามา และวัตถุรอบข้างภายในขอบเขตการมองเห็น สายรัดข้อมือมซ้ายหรือขวาจะสั่นเตือนโดยขึ้นอยู่กับว่าอาจเกิดการชนจากด้านใด ในขณะที่สายรัดข้อมือทั้งสองจะสั่นเมื่อตรวจพบการชนกันที่อาจเกิดขึ้นทางด้านหน้า ข้อมูลจากการศึกษาแสดงให้เห็นว่า วิธีนี้ช่วยลดความเสี่ยงในการชนและหกล้มได้เกือบ 40% เมื่อเทียบกับอุปกรณ์ที่ใช้ช่วยแบบเคลื่อนที่อื่น ๆ เมื่อใช้ร่วมกับไม้เท้ายาวหรือสุนัขนำทาง

อ่านข่าวเต็มได้ที่: UPI

วันพุธที่ 11 สิงหาคม พ.ศ. 2564

หุ่นยนต์สองเท้าเรียนรู้การวิ่งได้ 5 กิโล

cassie-robot
ภาพจาก Oregon State University News

หุ่นยนต์เดินสองเท้าแบบไม่มีตัววิ่งได้ระยะทาง 5 กิโลเมตร (3.10 ไมล์) ในเวลาเพียง 53 นาที หุ่นยนต์ Cassie ซึ่งออกแบบโดยนักวิจัย Oregon State University (OSU) และสร้างโดย Agility Robotics บริษัทที่แตกออกมาจาก OSU เป็นหุ่นยนต์สองเท้าตัวแรกที่ใช้การเรียนรู้ของเครื่อง (machine learning) เพื่อรักษาท่าทางการวิ่งบนสภาพแวดล้อมภายนอก หุ่นยนต์สอนตัวเองให้วิ่งโดยใช้อัลกอริธึมการเรียนรู้แบบเสริมแรง (reinforcement learning) และทำการปรับเปลี่ยนอย่างเหมาะสมเพื่อให้ตั้งตรงขณะเคลื่อนที่ Jonathan Hurst จาก OSU กล่าวว่านักพัฒนาของ Cassie "ผสมผสานความเชี่ยวชาญจากชีวกลศาสตร์และวิธีการควบคุมหุ่นยนต์ที่มีอยู่ด้วยเครื่องมือการเรียนรู้ของเครื่องแบบใหม่" Hurst กล่าวเสริมว่า “ในอนาคตอันใกล้นี้ ทุกคนจะได้เห็นและโต้ตอบกับหุ่นยนต์ในหลาย ๆ ที่ในชีวิตประจำวันของพวกเขา หุ่นยนต์ที่ทำงานร่วมกับเราและพัฒนาคุณภาพชีวิตของเรา”

อ่านข่าวเต็มได้ที่: Oregon State University News

วันอังคารที่ 10 สิงหาคม พ.ศ. 2564

นักพัฒนามัลแวร์เปลี่ยนไปใช้ภาษาเขียนโปรแกรม "แปลก ๆ" เพื่อต่อสู้กับนักวิจัย

programmer
ภาพจาก ZDNet

ทีม Research & Intelligence  ของ BlackBerry ผู้ให้บริการด้านความปลอดภัยทางไซเบอร์ พบว่านักพัฒนามัลแวร์ใช้ภาษาเขียนโค้ด "แปลกใหม่" มากขึ้นเรื่อยๆ เพื่อขัดขวางการวิเคราะห์ รายงานที่ตีพิมพ์โดยทีมงานอ้างถึง "การยกระดับ" ในการใช้ Go (Golang), D (DLang), Nim และ Rust เพื่อ "พยายามหลบเลี่ยงการตรวจับโดยชุมชนความปลอดภัย หรือแก้ปัญหาเฉพาะด้านในกระบวนการพัฒนา" ผู้เขียนมัลแวร์กำลังทดลองดรอปเพอร์ (dropper) และโหลดเดอร์ (loader) ขั้นแรก โดยเขียนในภาษาเหล่านี้เพื่อหลบเลี่ยงการตรวจจับบนเครื่องปลายทาง เมื่อมัลแวร์เลี่ยงการควบคุมความปลอดภัยที่มีอยู่ซึ่งสามารถระบุรูปแบบทั่วไปของรหัสที่เป็นอันตรายได้ พวกมันก็จะถูกใช้เพื่อถอดรหัส โหลด และปรับใช้มัลแวร์ นักวิจัยกล่าวว่าการใช้ภาษาโปรแกรมที่แปลกใหม่ของอาชญากรไซเบอร์ อาจขัดขวางวิศวกรรมย้อนกลับ หลีกเลี่ยงเครื่องมือตรวจจับจากลายเซ็น และเพิ่มความเข้ากันได้ข้ามระบบเป้าหมาย

อ่านข่าวเต็มได้ที่: ZDNet


วันจันทร์ที่ 9 สิงหาคม พ.ศ. 2564

แฮกเกอร์ผ่านระบบป้องกัน Windows Hello ได้ด้วยการหลอกเว็บแคม

microfot-cool
ภาพจาก Ars Technica

นักวิจัยจากบริษัทความมั่นคง CyberArk ค้นพบช่องโหว่เพื่อเลี่ยงผ่านฟีเจอร์ความปลอดภัยของระบบจดจำใบหน้า Windows Hello ของ Microsoft ซึ่งทำให้พวกเขาใช้เว็บแคมที่ต่อกับพอร์ต USB เพื่อปลดล็อกอุปกรณ์ที่ได้รับการป้องกันด้วย Windows Hello Omer Tsarfati จาก CyberArk กล่าวว่า "เราได้สร้างแผนที่เต็มรูปแบบของขั้นตอนการจดจำใบหน้าของ Windows Hello และเห็นว่าวิธีที่สะดวกกับผู้โจมตีที่สุดคือแกล้งทำเป็นกล้อง เพราะทั้งระบบขึ้นอยู่กับข้อมูลนี้"  สิ่งที่แฮกเกอร์ต้องการคือภาพอินฟราเรดคุณภาพดีของใบหน้าของเหยื่อ และต้องเข้าถึงเว็บแคมเพื่อใช้ประโยชน์จากช่องโหว่นี้ Tsarfati กล่าวว่า "ผู้โจมตีที่มีแรงจูงใจอย่างแรงกล้าสามารถทำสิ่งนั้นได้ Microsoft นั้นยอดเยี่ยมในการทำงานที่จะบรรเทาผลกระทบ แต่ปัญหาที่ลึกกว่านั้น นั่นคือความไว้วางใจระหว่างคอมพิวเตอร์และกล้องยังคงมีอยู่" Microsoft ได้ออกแพทช์เพื่อแก้ไขปัญหาแล้ว

อ่านข่าวเต็มได้ที่: Ars Technica

วันอาทิตย์ที่ 8 สิงหาคม พ.ศ. 2564

วิธีการที่ทำนายว่าการทดลองทางคลินิกของ COVID-19 จะสำเร็จหรือไม่

clinic-trial
ภาพจาก Florida Atlantic University

นักวิทยาศาสตร์จาก Florida Atlantic University (FAU)  ใช้วิธีใหม่ที่รวมอัลกอริธึมการเรียนรู้ของเครื่อง (machine learning) และการเรียนรู้แบบกลุ่ม (ensemble learning) เพื่อจำลองการทดลองทางคลีนิคที่สำเร็จของ COVID-19 เทียบกับการต้องยุติการทดลอง นักวิจัยได้รวบรวมชุดทดสอบของการทดลอง COVID-19 จำนวน 4,441 รายการจากทะเบียนและฐานข้อมูลระดับชาติของ ClinicalTrials.gov จากนั้นจึงสร้างคุณสมบัติ 693 ตัวเพื่อเป็นตัวแทนการทดลองทางคลินิกแต่ละครั้ง ด้วยการใช้การเรียนรู้แบบกลุ่ม (ensemble learning) และการสุ่มตัวอย่าง ตัวแบบได้เห็นว่าอะไรคือลักษณะที่มีประสิทธิภาพสูงในการทำนายผลการทดลองทางคลินิก Stella Batalama จาก FAU กล่าวว่าเทคนิคใหม่นี้ "จะเป็นประโยชน์ในการออกแบบวิธีการคำนวณเพื่อคาดการณ์ว่าการทดลองทางคลินิกของ COVID-19 จะสำเร็จหรือไม่ เพื่อให้ผู้มีส่วนได้ส่วนเสียสามารถใช้การคาดการณ์เพื่อวางแผนทรัพยากร ลดค่าใช้จ่าย และลดเวลาของการศึกษาทางคลีนิค

อ่านข่าวเต็มได้ที่: Florida Atlantic University