นักศึกษาพิสูจน์ว่าอัลกอริธึมของทวิตเตอร์ลำเอียงต่อใบหน้าที่ขาวกว่า เพรียวบางกว่า และอ่อนเยาว์กว่า

ภาพจาก The Guardian

นักศึกษาระดับบัณฑิตศึกษาของ Swiss Federal Institute of Technology Lausanne (EFPL) คือ Bogdan Kulynych ได้รับ $3,500 ในฐานะผู้ชนะของ "รางวัลล่าบั๊กในอัลกอริธึม" ครั้งแรกของทวิตเตอร์ (Twitter) Kulynych ระบุว่าอัลกอริธึมการครอบตัดรูปภาพของโซเชียลมีเดียยักษ์ใหญ่ชอบใบหน้าที่ขาวกว่า อ่อนเยาว์กว่า และเพรียวบางกว่า เพื่อพิสูจน์ว่ามีความลพเอียงนี้ Kulynych ได้สร้างใบหน้าขึ้นซึ่งแตกต่างกันเล็กน้อยในแง่ของโทนสีผิว ความกว้าง และเพศหรืออายุ และนำไปผ่านอัลกอริธึมการครอบตัดรูปภาพ Kulynych พบว่าซอฟต์แวร์เน้นไปที่ใบหน้าที่อ่อนกว่า เพรียวบาง และขาวกว่า มากกว่าใบหน้าที่แสดงวัยที่สูงกว่า กว้างกว่า หรือใบหน้าที่สีเข้มกว่า Rumman Chowdhury จาก Twitter กล่าวว่า "เราสร้างตัวกรองเหล่านี้เพราะเราคิดว่านั่นคือสิ่งที่ 'ความสวย' เป็น และนั่นก็จบลงด้วยการฝึกโมเดลของเรา และผลักดันแนวคิดที่ไม่สมจริงเหล่านี้ว่าอะไรที่ดึงดูดใจ"

อ่านข่าวเต็มได้ที่: The Guardian

สวีเดนกลายมาเป็นซิลิคอนวัลเลย์ของยุโรปได้อย่างไร

Sebastian Siemiatkowski ภาพจาก Reuters

Sebastian Siemiatkowski แห่ง Klarna มหาเศรษฐีผู้ก่อตั้งบริษัทฟินเทคของสวีเดน กล่าวถึงความสำเร็จของเขาที่มีต่อรัฐสวัสดิการของสวีเดน โดยเฉพาะอย่างยิ่งนโยบายของรัฐบาลในปี 1998-2001 ที่จะมอบคอมพิวเตอร์ให้กับทุกครัวเรือน ในช่วงเวลานั้น โครงการดังกล่าวได้ซื้อคอมพิวเตอร์ที่ใช้ตามบ้านจำนวน 850,000 เครื่อง แจกจ่ายให้กับเกือบ 25% ของครัวเรือน 4 ล้านครัวเรือนในสวีเดนโดยไม่มีค่าใช้จ่าย เมื่ออายุ 16 ปี Siemiatkowski เริ่มเขียนโค้ดบนคอมพิวเตอร์ที่ครอบครัวของเขาได้รับมา และมากกว่าสองทศวรรษต่อมา บริษัทรับชำระเงินมูลค่า 46 พันล้านดอลลาร์ของเขากำลังเตรียมที่ออกสู่สาธารณะ ผู้บริหารด้านเทคโนโลยีและผู้ร่วมทุนบางคนกล่าวว่านโยบายคอมพิวเตอร์ การลงทุนในการเชื่อมต่ออินเทอร์เน็ตในช่วงแรกของประเทศ และเครือข่ายความปลอดภัยทางสังคม ซึ่งรวมถึงกองทุนดูแลเด็กฟรีและการประกันรายได้ ช่วยส่งเสริมนวัตกรรม องค์การเพื่อความร่วมมือทางเศรษฐกิจและการพัฒนาพบว่าสวีเดนมีอัตราสตาร์ตอัพ (startup) สูงเป็นอันดับสาม ซึ่งจัดอันดับโดยใช้สตาร์ตอัพต่อพนักงาน 1,000 คน Sarah Guemouri แห่ง Atomico ตั้งข้อสังเกตว่าสตอกโฮล์มอยู่ในอันดับที่สองรองจาก ซิลิคอนวัลเลย์ (Silicon Valley) สำหรับยูนิคอร์น (สตาร์ตอัพที่มีมูลค่าสูงกว่า 1 พันล้านดอลลาร์)

อ่านข่าวเต็มได้ที่: Reuters

วิธีการเรียนรู้ของเครื่องเพื่อทำนายความเสี่ยงของโรคจิตเภทโดยใช้การตรวจเลือด

ภาพจาก Baylor College of Medicine

กลุ่มนักวิจัยที่นำโดย Baylor College of Medicine ใช้วิธีการเรียนรู้ของเครื่อง (machine learning) เพื่อวิเคราะห์บริเวณที่จำเพาะเจาะจงของจีโนมของคนเพื่อพยายามตรวจหาเครื่องหมายอีพิเจเนติก (epigenetic) ของโรคจิตเภท ในการพัฒนาตัวแบบ นักวิจัยใช้ดีเอนเอ (DNA) จากตัวอย่างเลือดเพื่อหาเครื่องหมายอีพิเจเนติกที่แตกต่างกันระหว่างคนที่เป็นจิตเภทกับคนที่ไม่เป็น นักวิจัยได้ระบุบริเวณจำเพาะเจาะจงของจีโนมที่เรียกว่า CoRSIVs (correlated regions of systemic interindividual variation) ที่ซึ่งดีเอ็นเอเมธิลเลชัน (DNA methylation) ซึ่งเป็นเครื่องหมายทั่วไปของอีพิเจเนติก และมีความคงตัวในเนื้อเยื่อของแต่ละคน แต่มีความแตกต่างกันระหว่างคนแต่ละคน ตัวแบบให้ความแม่นยำถึง 80 % ในการระบุผู้ป่วยจิตเภทจากชุดข้อมูลที่เป็นอิสระต่อกัน 

อ่านข่าวเต็มได้ที่: Baylor College of Medicine

คนหนุ่มสาวได้ความรู้จากทีวีไม่ใช่โรงเรียน

Photo by Karl Pawlowicz on Unsplash

การสำรวจคนหนุ่มสาวอายุ 16 ถึง 21 ปี จำนวน 1,000 คนในสหราชอาณาจักรโดยบริษัทที่ปรึกษา Accenture พบว่าภาพยนตร์ ทีวี และโซเชียลมีเดีย—ไม่ใช่โรงเรียน—เป็นแหล่งความรู้หลักเกี่ยวกับอาชีพด้านเทคโนโลยีของพวกเขา โซเชียลมีเดียนำมาเป็นอันดับหนึ่ง (31%) เมื่อเทียบกับผู้ปกครอง (29%) และครู (24%) ในขณะที่ทีวีและภาพยนตร์ถูกอ้างถึง 27% และโรงเรียน 19% ในขณะเดียวกัน 44% ของผู้หญิงบอกว่าพวกเขามีทักษะด้านดิจิทัลที่ดี โดยผู้ชายอยู่ที่ 40% แต่น้อยกว่า 25% มีความมั่นใจในการได้งานด้านเทคโนโลยี ผู้ตอบแบบสอบถามที่สนใจงานด้านเทคโนโลยีกล่าวว่าพวกเขาจะประกอบอาชีพด้านปัญญาประดิษฐ์ การวิเคราะห์ข้อมูล และความปลอดภัยทางไซเบอร์ ซึ่งเป็นหัวข้อหลัก 3 อันดับแรกในสื่อเทคโนโลยีออนไลน์ในตอนนี้

อ่านข่าวเต็มได้ที่: ZDNet

อัลกอริทึม AI เพื่อประเมินศักยภาพการแพร่กระจายของมะเร็งผิวหนัง

ภาพจาก University of Texas Southwestern Medical Center

อัลกอริธึมปัญญาประดิษฐ์ (artificial intelligence) หรือ AI ใหม่สามารถทำนายมะเร็งผิวหนังที่มีศักยภาพในการแพร่กระจายสูง นักวิจัยจาก University of Texas Southwestern Medical Center (UTSW) ที่พัฒนาอัลกอริทึมนี้ใช้ AI เพื่อระบุความแตกต่างระหว่างภาพของเซลล์มะเร็งผิวหนังที่มีศักยภาพในการแพร่กระจายสูงและต่ำ จากนั้นจึงใช้วิศวกรรมย้อนกลับเพื่อหาว่าคุณสมบัติใดของภาพที่ทำให้เกิดความแตกต่าง พวกเขาสร้างภาพดิบ 1.7 ล้านภาพจากวิดีโอของเซลล์ที่สุ่มจากตัวอย่างเนื้องอกจากผู้ป่วยเจ็ดรายซึ่งมีประมาณ 12,000 เซลล์ Gaudenz Danuser ของ UTSW กล่าวว่า "ตอนนี้เรามีกรอบการทำงานทั่วไปที่ช่วยให้เราสามารถเก็บตัวอย่างเนื้อเยื่อและทำนายกลไกภายในเซลล์ที่ก่อให้เกิดโรคได้"

อ่านข่าวเต็มได้ที่: University of Texas Southwestern Medical Center