Google จะจ่ายเงินให้นักพัฒนาสร้างโปรเจกต์แบบเปิดเผยรหัสให้มั่นคงมากขึ้น

Photo by Kai Wenzel on Unsplash

Google กำลังลงทุน 1 ล้านดอลลาร์ในโครงการนำร่อง Secure Open Source (SOS) ของ Linux Foundation เพื่อทำให้โครงการโอเพนซอร์สมีความมั่นคงมากขึ้น โปรแกรมจะให้รางวัลแก่นักพัฒนาซอฟต์แวร์สำหรับการเสริมความแข็งแกร่งให้กับซอฟต์แวร์จากการโจมตี และแก้ไขข้อบกพร่องที่อาจเกิดขึ้นก่อนที่มันจะเกิดขึ้น Google กล่าวว่าเงินจูงใจมีตั้งแต่ $ 505 สำหรับ "การปรับปรุงเล็กน้อย" ถึง $ 10,000 หรือมากกว่าสำหรับการทำให้ซอฟต์แวร์แข็งแกร่งขึ้นเพื่อป้องกันช่องโหว่ที่สำคัญ SOS ตั้งเป้าหมายที่จะให้ความคิดริเริ่มเชิงรุกในการเสริมความแข็งแกร่งให้กับโครงการเปิดเผยรหัส (open source) ที่สำคัญ และปกป้องโครงสร้างพื้นฐานจากการโจมตีแอปพลิเคชันและซัพพลายเชน และตั้งใจที่จะปิดช่องว่างการระดมทุนสำหรับโครงการซอฟต์แวร์โดยสมัครใจส่วนใหญ่ จากข้อมูลของ Google โครงการ SOS คือ "จุดเริ่มต้นสำหรับความพยายามในอนาคตที่หวังว่าจะรวบรวมองค์กรขนาดใหญ่อื่น ๆ และเปลี่ยนให้เป็นความคิดริเริ่มที่ยั่งยืน และระยะยาวภายใต้ OpenSSF (Open Source Security Foundation)" ซึ่งเป็นฟอรัมข้ามอุตสาหกรรมที่ร่วมมือกันเกี่ยวกับการปรับปรุงความมั่นคงของซอฟต์แวร์เปิดเผยรหัส

อ่านข่าวเต็มได้ที่: ZDNet

ทำให้รถขับเคลื่อนด้วยตัวเองเป็นมิตรกับมนุษย์มากขึ้น

ภาพจาก University of Leeds (U.K.)

นักวิจัยจาก University of Leeds แห่งสหราชอาณาจักรได้พัฒนาตัวแบบที่สามารถทำให้ยานพาหนะอัตโนมัติปลอดภัยยิ่งขึ้นสำหรับคนเดินเท้า โดยช่วยคาดการณ์ว่าเมื่อใดที่คนจะข้ามถนน แบบจำลองนี้ได้รับการทดสอบภายใต้สถานการณ์ต่างๆ โดยใช้เครื่องจำลองทางเท้า HIKER (Highly Immersive Kinematic Experimental Research) ของมหาวิทยาลัย นักวิจัยพบว่าผู้เข้าร่วมใช้ข้อมูลจากประสาทสัมผัส โดยดูจากระยะทาง ความเร็ว ความเร่งของรถ และสัญญาณด้านการสื่อสารเพื่อกำหนดว่าเมื่อใดควรข้าม Gustav Markkula แห่งเมืองลีดส์กล่าวว่า "คนเดินถนนมักจะรู้สึกไม่มั่นใจนักว่ารถจะยอมให้ทางจริงหรือไม่ และมักจะจบลงด้วยการรอจนกว่ารถจะจอดจนเกือบถึงป้ายหยุดรถก่อนที่จะเริ่มข้าม ตัวแบบของเราแสดงให้เห็นอย่างชัดเจนถึงสภาวะความไม่แน่ใจนี้  ซึ่งหมายความว่ามันสามารถใช้เพื่อช่วยออกแบบพฤติกรรมของยานพาหนะอัตโนมัติกับคนเดินถนนเพื่อจำกัดความไม่แน่นอน ซึ่งจะช่วยปรับปรุงทั้งความปลอดภัยในการจราจรและการไหลของการจราจร"

อ่านข่าวเต็มได้ที่: University of Leeds (U.K.)

การเรียนรู้เชิงลึกของการวิเคราะห์ภาพจะทำได้เพียงแค่หนึ่งคลิกเท่านั้น

ภาพจาก EPFL (Switzerland)

วิศวกรของ École polytechnique fédérale de Lausanne (EPFL) ของสวิตเซอร์แลนด์ และ Universidad Carlos III de Madrid ของสเปน ได้พัฒนา deepImageJ ซึ่งเป็นปลั๊กอินเปิดเผยรหัส (open source) ที่อำนวยความสะดวกในการวิเคราะห์รูปภาพโดยใช้การเรียนรู้เชิงลึก (deep learning) สำหรับการวิจัยด้านวิทยาศาสตร์เพื่อชีวิต ด้วย deepImageJ นักวิทยาศาสตร์ด้านชีวิต (life science) สามารถขอให้วิศวกรคอมพิวเตอร์ออกแบบและฝึกอบรมอัลกอริธึมการเรียนรู้ของเครื่องเพื่อทำงานเฉพาะอย่าง  นักวิทยาศาสตร์สามารถเรียกใช้อัลกอริทึมหาผลลัพธ์ผ่านส่วนติดต่อกับผู้ใช้โดยไม่จำเป็นต้องตรวจสอบโค้ดใด ๆ ปลั๊กอินนี้ได้รับการพัฒนาเพื่อใช้เป็นทรัพยากรที่จะช่วยให้วิศวกร นักวิทยาศาสตร์คอมพิวเตอร์ นักคณิตศาสตร์ และนักชีววิทยาสามารถทำงานร่วมกันได้อย่างมีประสิทธิภาพมากขึ้น

อ่านข่าวเต็มได้ที่: EPFL (Switzerland)

Microsoft ทำนายสภาพอากาศสำหรับแต่ละฟาร์ม

ภาพจาก IEEE Spectrum

เฟรมเวิร์ก DeepMC ของ Microsoft ใช้การเรียนรู้ของเครื่อง (machine learning) และปัญญาประดิษฐ์ (artificial intelligence) หรือ AI เพื่อทำนายสภาพอากาศในท้องถิ่นอย่างแม่นยำ DeepMC รวมข้อมูลจากเซ็นเซอร์ในสถานที่ กับข้อมูลพยากรณ์อากาศท้องถิ่นมาตรฐานที่เข้าถึงได้ผ่านส่วนต่อประสานโปรแกรมประยุกต์ (application programming interface) จากแหล่งต่าง ๆ รวมถึงU.S. National Oceanic and Atmospheric Administration  และ National Weather Service โดย Peeyush Kumar แห่ง Microsoft Research กล่าวว่า "กลไกการหลอมรวม" จะรวมข้อมูลจากเซ็นเซอร์ในสถานที่ กับข้อมูลการคาดการณ์มาตรฐาน ซึ่งเฟรมเวิร์กดังกล่าวจะส่งต่อให้กับ AI ที่ได้รับการฝึกอบรมเพื่อค้นหาข้อผิดพลาดระหว่างการคาดการณ์ในท้องถิ่นกับสภาพอากาศไมโครไคลเมต (micro-climate) ระบบจะคาดการณ์พารามิเตอร์สภาพอากาศแต่ละรายการตามการคาดการณ์ในอดีต และข้อมูลเซ็นเซอร์ในพื้นที่ และหลอมรวมเข้าด้วยกันเพื่อกำหนดแนวโน้มและรูปแบบในระยะสั้นและระยะยาของข้อมูลสภาพอากาศ

อ่านข่าวเต็มได้ที่: IEEE Spectrum

หุ่นยนต์หาของหาย

ภาพจาก MIT News

หุ่นยนต์ที่สร้างขึ้นโดยนักวิจัยของ Massachusetts Institute of Technology (MIT) สามารถติดตามสิ่งของที่สูญหายได้โดยใช้แขนหุ่นยนต์ที่มีกล้องและเสาอากาศความถี่วิทยุ (RF) ติดอยู่กับมือจับ ต้นแบบของหุ่นยนต์นี้เรียกว่า RFusion รวมสัญญาณเสาอากาศและภาพจากกล้องเพื่อค้นหาสิ่งของที่วางผิดที่ แม้ว่าจะฝังอยู่ใต้กองและถูกซ่อนไว้อย่างไร้ร่องรอย หุ่นยนต์ใช้แท็กระบุ RF ที่สามารถติดเข้ากับสิ่งของและสะท้อนสัญญาณที่ปล่อยออกมาจากเสาอากาศ ซึ่งสามารถเดินทางผ่านพื้นผิวส่วนใหญ่ได้ แขนกลหุ่นยนต์การเรียนรู้ของเครื่อง (machine learning) เพื่อไปที่ตำแหน่งของวัตถุโดยอัตโนมัติ เคลื่อนย้ายสิ่งของที่คลุมมันไว้ จับวัตถุ และยืนยันว่าจับสิ่งของที่ถูกต้อง Fadel Adib แห่ง MIT กล่าวว่า "ตอนนี้คุณอาจคิดได้ว่ามันก็เป็นแค่หุ่นยนต์ดูดฝุ่นเวอร์ชันปรัยปรุง แต่ในระยะใกล้มันอาจมีการใช้งานมากมายในสภาพแวดล้อมการผลิตและคลังสินค้า"

อ่านข่าวเต็มได้ที่: MIT News