การเรียนรู้เชิงลึกช่วยทำนายอุบัติเหตุก่อนมันเกิดขึ้น

ภาพจาก MIT News

ตัวแบบการเรียนรู้เชิงลึกที่ถูกฝึกฝนบนข้อมูลของการเกิดอุบัติเหตุรถยนต์ในอดีต ภาพถ่ายดาวเทียม และแบบรูปของการเคลื่อนที่ของระบบระบุตำแหน่งบนโลก  (global positioning system) หรือ GPS สามารถสร้างแผนที่ความเสี่ยงที่จะเกิดเหตุรถชนที่มีความละเอียดสูงได้   นักวิทยาศาสตร์จาก Massachusetts Institute of Technology และ Qatar Computing Research Institute (QCRI) ได้พัฒนาตัวแบบนี้ ซึ่งให้ผลลัพธ์แผนที่ความเสี่ยงที่สามารถระบุจำนวนที่คาดว่าจะเกิดการชนกันในช่วงเวลาหนึ่งในอนาคต ระบุพื้นที่ที่มีความเสี่ยงสูงและทำนายการชนกันในอนาคต  แผนที่ประกอบด้วยกริดเซลล์ขนาด 5x5 เมตร ระบุว่าตัวอย่างเช่นถนนที่เป็นทางหลวงมีความเสี่ยงที่จะเกิดอุบัติเหตุจากการจราจรมากกว่าถนนที่อยู่ใกล้เคียงที่ผู้คนในบริเวณนั้นใช้สัญจร ในขณะที่ทางลาดเชื่อมบนทางหลวงมีความเสี่ยงสูงกว่าถนนอื่น  ๆ Amin Sadeghi จาก QCRI กล่าวว่า "ตัวแบบของเราสามารถนำไปปรับใช้ได้จากเมืองหนึ่งไปสู่อีกเมืองหนึ่งได้โดย การรวมเบาะแสหลาย ๆ อย่างจากแหล่งข้อมูลที่ดูเหมือนไม่เกี่ยวข้องกัน"

อ่านข่าวเต็มได้ที่: MIT News

เทคโนโลยีที่เหล่าเจ้าของห้องเช่าหน้าเลือดเกลียด

ภาพจาก Bloomberg CityLab

นักเคลื่อนไหวด้านที่อยู่อาศัย เจ้าหน้าที่ของเมือง และนักวิทยาศาสตร์กำลังใช้เครื่องมือใหม่เพื่อเพิ่มอำนาจให้ผู้เช่า ลงโทษเจ้าของบ้านที่ไร้ความใส่ใจ และลดการขับไล่ในเมืองต่างๆ ของสหรัฐฯ ตัวอย่างเช่น บัลติมอร์กำลังปรับใช้  QR Code  กับอาคารที่มีประกาศห้องว่าง ซึ่งผู้คนสามารถสแกนด้วยกล้องสมาร์ทโฟนเพื่อเข้าถึงข้อมูลที่เปิดเผยต่อสาธารณะ โครงการดังกล่าวส่งเสริมความโปร่งใสและช่วยเหลือประชาชนในการควบคุมเจ้าของทรัพย์สินและเจ้าของบ้าน ในขณะที่โครงการอื่นๆ ตั้งเป้าที่จะเปิดเผยผู้ขับไล่ผู้เช่าแบบต่อเนื่อง ป้องกันการถูกบังคับให้ไร้ที่อยู่ และช่วยให้ผู้เช่าสามารถอยู่ได้ในช่วงที่ค่าเช่าพุ่งสูงขึ้นทั่วประเทศ โครงการทำแผนที่ Motor City Mapping ของบริษัทซอฟต์แวร์ในดีทรอยต์ Regrid กลายเป็นแพลตฟอร์มสำหรับองค์กรที่ช่วยครอบครัวเผชิญการขับไล่ผ่านการยึดทรัพย์จากภาษีทรัพย์สิน เมื่อไม่นานมานี้ โครงการ Anti-Eviction Mapping ได้พัฒนาแผนที่ออนไลน์ของอสังหาริมทรัพย์ที่เป็นของทรัสต์เพื่อการลงทุนด้านอสังหาริมทรัพย์ และผู้ขับไล่แบบต่อเนื่องในซานฟรานซิสโก ลอสแองเจลิส และนิวยอร์กซิตี้

อ่านข่าวเต็มได้ที่: Bloomberg CityLab

เทคโนโลยีบล็อกเชนอาจช่วยเพิ่มความมั่นคงให้กับการสื่อสารระหว่างทีมหุ่นยนต์

ภาพจาก MIT Media Lab

นักวิจัยจาก Massachusetts Institute of Technology (MIT) และ Polytechnic University of Madrid ของสเปน แนะนำว่าเทคโนโลยีบล็อคเชนอาจสามารถรับประกันการสื่อสารที่ปลอดภัยสำหรับทีมหุ่นยนต์ บล็อกเชนช่วยบันทึกข้อความที่แก้ไม่ได้ที่ส่งมาโดยหัวหน้าทีมหุ่นยนต์ ดังนั้นหุ่นยนต์ที่เป็นผู้ติดตามจึงสามารถสังเกตความไม่สอดคล้องกันในเส้นทางข้อมูลได้ ในการจำลองข้อมูลในแต่ละบล็อกเป็นเซ็ตของทิศทางจากหุ่นยนต์ผู้นำไปยังผู้ติดตาม หุ่นยนต์ประสงค์ร้ายที่พยายามแก้ไขเนื้อหาของบล็อกจะทำให้แฮชของบล็อกเปลี่ยน ดังนั้นบล็อกที่ถูกแก้ไขจะไม่เชื่อมต่อกับสายโซ่อีกต่อไป และผู้ติดตามสามารถไม่สนใจทิศทางที่ผิดพลาดได้อย่างง่ายดาย Eduardo Castello จาก MIT กล่าวว่า "เทคนิคเหล่านี้มีประโยชน์ในการทวนสอบ ตรวจสอบ และเข้าใจว่าระบบจะไม่ถูกโกง"

อ่านข่าวเต็มได้ที่: MIT Media Lab

จีนถูกเชื่อมโยงเข้ากับกลุ่มการแฮกข้อมูลการโทรศัพท์ทั่วโลก

ภาพจาก Reuters

บริษัทรักษาความปลอดภัยทางไซเบอร์ของสหรัฐ CrowdStrike กล่าวว่าแก๊งแฮ็กผู้ต้องสงสัยที่เชื่อมโยงกับจีนได้แทรกซึมเครือข่ายโทรศัพท์มือถือ และใช้เครื่องมือพิเศษในการเข้าถึงบันทึกการโทรและส่งข้อความจากผู้ให้บริการโทรคมนาคมทั่วโลก กลุ่มที่ CrowdStrike เรียกว่า LightBasin กำเนิดขึ้นมาอย่างน้อยตั้งแต่ปี 2016 โดย Adam Meyers แห่ง CrowdStrike กล่าวว่าบริษัทได้คัดข้อมูลเกี่ยวกับกลุ่มโดยการดูเหตุการณ์ที่เกิดขึ้นในหลายประเทศ เขากล่าวว่าโปรแกรมของ LightBasin สามารถบันทึกข้อมูลเฉพาะได้โดยไม่ดึงดูดความสนใจ โดยตั้งข้อสังเกตว่า "ผมไม่เคยเห็นเครื่องมือที่สร้างขึ้นด้วยจุดประสงค์นี้ในระดับนี้มาก่อน" Meyers กล่าวว่าหลักฐานของความสัมพันธ์ของกลุ่มนี้กับจีนนั้นรวมถึงการเข้ารหัสที่อาศัยอักขระภาษาจีนแบบออกเสียงพินอิน และวิธีที่เหมือนกับการที่รัฐบาลจีนใช้ในการโจมตีครั้งก่อน

อ่านข่าวเต็มได้ที่: Reuters

นักวิจัยพัฒนาตัวแบบแผ่นดินไหวที่ทำนายได้ดีขึ้น

ภาพจาก University of Wyoming News

Pejman Tahmasebi และ Tao Bai แห่ง  University of Wyoming ได้คิดค้นตัวแบบการเรียนรู้ของเครื่อง (machine learning) หรือ ML ที่ช่วยเพิ่มความแม่นยำในการตรวจจับแผ่นดินไหวอย่างมีนัยสำคัญเหนือกว่าตัวแบบที่มีในปัจจุบัน Tahmasebi กล่าวว่าตัวแบบประมวลผลข้อมูลสัญญาณที่บันทึกโดยเครื่องวัดคลื่นไหวสะเทือน (seismometer) และสามารถแยกแยะเหตุการณ์แผ่นดินไหวออกจากเสียงแผ่นดินไหวได้โดยอัตโนมัติ ตัวแบบนี้รวม Long  Short-Term Memory (LSTM)  ที่มีอยู่ เข้ากับตัวแบบ ML แบบเครือข่ายคอนโวลูชัน (convolution network) โดยส่วนแรกใช้จับสัญญาณที่เปลี่ยนไปในช่วงเวลา ส่วนหลังใช้กรองคุณสมบัติที่ถูกซ่อนไว้ของเหตุการณ์แผ่นดินไหว Tahmasebi กล่าวว่าตัวแบบมีความแม่นยำในการจำแนก 89.1% เพิ่มขึ้น 14.5% จากตัวแบบ ConvNetQuake ที่จัดว่าทันสมัยที่สุด

อ่านข่าวเต็มได้ที่: University of Wyoming News