ใช้การเรียนรู้ของเครื่องเพื่อลดความแตกต่างทางดิจิทัลในแคนาดา

ภาพจาก Waterloo News (Canada)

นักวิจัยจาก University of Waterloo ของแคนาดาและสภาวิจัยแห่งชาติได้พัฒนา Multivariate Variance-based Genetic Ensemble Learning Method ซึ่งเป็นวิธีการเรียนรู้ของเครื่อง (machine learning) เพื่อคาดการณ์ปัญหาดาวเทียมที่อาจเกิดขึ้นเพื่อให้แน่ใจว่าชาวแคนาดาในชนบทและห่างไกลสามารถเข้าถึงอินเทอร์เน็ตได้อย่างต่อเนื่อง

วิธีการนี้รวมตัวแบบที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ (artificial intelligence) หลายแบบเพื่อระบุความผิดปกติในดาวเทียมและเครือข่ายดาวเทียมก่อนที่จะบานปลาย 

นักวิจัยได้ทดสอบตัวแบบของพวกเขากับชุดข้อมูล Soil Moisture Active Passive, Mars Science Laboratory Rover และ Server Machine ที่เปิดเผยต่อสาธารณะ พวกเขาพบว่าความเที่ยงตรง ความแม่นยำ และการรีคอล (recall) ของตัวแบบของพวกเขานั้นเหนือกว่าตัวแบบที่มีอยู่

Peng Hu จาก Waterloo กล่าวว่า "งานวิจัยนี้จะช่วยให้เราออกแบบระบบดาวเทียมที่เชื่อถือได้ ยืดหยุ่น และปลอดภัยมากขึ้น"

อ่านข่าวเต็มได้ที่: Waterloo News (Canada)

ซอฟต์แวร์ตรวจจับการฟอกเงินได้เร็วกว่าที่เคย

ภาพจาก King's College London (U.K.)

นักวิทยาศาสตร์คอมพิวเตอร์ที่ King's College London (KCL) ของสหราชอาณาจักร และ CWI และ Vrije Universiteit Amsterdam ในเนเธอร์แลนด์ ได้พัฒนาซอฟต์แวร์ที่สามารถตรวจจับการฟอกเงินได้เร็วขึ้นและมีความแม่นยำมากขึ้นกว่าเดิม

อัลกอริทึมจะระบุตรวจจับเมื่ออาชญากร "สเมิร์ฟ (smurf) "แบ่งเงินจำนวนมากออกเป็นธุรกรรมเล็ก ๆ ระหว่างบัญชีธนาคารจำนวนมาก อัลกอริทึมจะประมวลผลข้อมูลที่ได้รับจากหลายบัญชี โดยมองเป็นแต่ละโหนดบนกราฟ โดยซอฟต์แวร์จะมุ่งเน้นไปที่พื้นที่กราฟซึ่งมีกิจกรรมที่น่าสงสัยมีปริมาณหนาแน่น

Grigorios Loukides จาก KCL กล่าวว่าซอฟต์แวร์ "สามารถค้นหาโซลูชันที่ดีที่สุดที่เป็นไปได้สำหรับการตรวจจับการจำแนกประเภททั่วไปของการโจมตีแบบสเมิร์ฟในข้อมูลจำนวนนับล้าน ซึ่งมีประสิทธิภาพมากกว่าวิธีการล้ำสมัยที่ใช้อยู่ในปัจจุบันถึง 3.2 เท่าโดยเฉลี่ย"

Loukides เสริมว่าความสามารถในการวิเคราะห์ข้อมูลที่รวดเร็วของเครื่องมือช่วยให้ผู้เชี่ยวชาญด้านการฟอกเงินสามารถจัดการกับผู้ไม่ประสงค์ดีได้อย่างมีประสิทธิภาพ

อ่านข่าวเต็มได้ที่: King's College London (U.K.)

โปรแกรมวิเคราะห์ใบหน้าของ NIST ช่วยหาจุดผิดปกติในภาพ

Photo by Bermix Studio on Unsplash

นักวิทยาศาสตร์จากสถาบันมาตรฐานและเทคโนโลยีแห่งชาติของสหรัฐอเมริกา (National Institute of Standards and Technology ) หรือ NIST ประเมินการจดจำ/วิเคราะห์ใบหน้าโดยซอฟต์แวร์ประมวลผลภาพที่ล้ำสมัย

การประเมินหนึ่งให้คะแนนความสามารถของอัลกอริทึมการวิเคราะห์ใบหน้าในการตรวจสอบว่าข้อบกพร่องเป็นหลักฐานของการโจมตีด้วยการปลอมแปลง หรือที่เรียกว่าการตรวจจับการโจมตีการแสดงตัวตนหรือไม่

นักวิจัยได้ประเมินอัลกอริธึม 82 ตัวด้วยการโจมตีการแสดงตัวตน 9 ประเภทซึ่งรวมถึงการสวมหน้ากากและการถือรูปถ่ายของบุคคลอื่นหน้ากล้อง พวกเขาเรียนพบว่าไม่มีโปรแกรมใดที่สามารถตรวจจับการปลอมแปลงได้ทุกประเภท

การศึกษาอีกชิ้นหนึ่งได้ทดสอบอัลกอริทึม 7 ตัวที่ออกแบบมาเพื่อระบุข้อบกพร่องที่ทำให้ภาพถ่ายไม่เป็นไปตามข้อกำหนดของหนังสือเดินทาง โดยใช้มาตรการคุณภาพ 20 รายการตามมาตรฐานที่ยอมรับในระดับสากล

Joyce Yang จาก NIST กล่าวว่าประสิทธิภาพของซอฟต์แวร์ในมาตรวัดบางตัวดีกว่ามาตรวัดอีกหลายตัว และผลลัพธ์ที่ได้จะชี้ให้เห็นถึงมาตรฐานใหม่ที่กำหนดแนวทางสำหรับการวัดคุณภาพที่อัลกอริทึมมควรพิจารณา

อ่านข่าวเต็มได้ที่: NIST News

จิ้งจกที่คุณอยากเห็นมันไต่อยู่ตามกำแพง

ภาพจาก Worcester Polytechnic Institute

นักวิทยาศาสตร์ของ Worcester Polytechnic Institute ร่วมมือกับเจ้าหน้าที่ของเมือง Worcester รัฐแมสซาชูเซตส์ เพื่อสร้างหุ่นยนต์ที่มีรูปร่างคล้ายจิ้งจกที่สามารถคลานเข้าไปในพื้นที่แคบเพื่อทำการตรวจสอบและทำแผนที่สามมิติ 

หุ่นยนต์ต้นแบบเป็นไปตามการออกแบบ "โอริกามิ (origami)" ที่ประกอบด้วยพลาสติก ส่วนประกอบที่พิมพ์แบบ 3 มิติ และองค์ประกอบที่สร้างด้วยเลเซอร์ พร้อมด้วยแผงวงจรแบบกำหนดเอง คอมพิวเตอร์ขนาดเล็ก เซ็นเซอร์ องค์ประกอบที่เป็นโลหะ โครงสร้างตัวถังแบบโมดูลาร์ และมอเตอร์

มันมีกล้องและเซ็นเซอร์เพื่อวัดอุณหภูมิและระดับสารปนเปื้อน และใช้ปัญญาประดิษฐ์เพื่อทำงานด้วยความเป็นอิสระในระดับหนึ่ง นักวิจัยได้ทดสอบอุปกรณ์ดังกล่าวในศาลากลางเมือง  Worcester และศูนย์ผู้สูงอายุWorcester  ซึ่งมันสามารถเข้าถึงพื้นที่แคบ ๆ และเดินทางไปในบริเวณโดยรอบในแนวนอนและแนวตั้งโดยไม่ทำให้เกิดตวามเสียหายใด ๆ 

อ่านข่าวเต็มได้ที่: Worcester Polytechnic Institute

การเรียนรู้ของเครื่องแบบควอนตัมช่วยแก้ปัญหาการหาเส้นทางเมื่อเกิดภัยธรรมชาติ

Photo by Dan Cristian Pădureț on Unsplash

ทางแก้ปัญหา (solution) การเรียนรู้ของเครื่อง ( machine learning) แบบควอนตัมที่พัฒนาโดยนักวิจัยที่ Terra Quantum และ Honda Research Institute Europe (HRI-EU) มีเป้าหมายเพื่อลดเวลาการอพยพระหว่างการเกิดภัยพิบัติทางธรรมชาติ

เครื่องมือประมวลผลควอนตัมแบบไฮบริด ซึ่งทำการจำลองควอนตัมบนฮาร์ดแวร์คอมพิวเตอร์แบบคลาสสิก จะพิจารณาตัวแปรแบบเรียลไทม์ และสามารถตัดสินใจได้โดยใช้ข้อมูลที่มีอยู่ในตัวเองเท่านั้น

ในการจำลองแผ่นดินไหวบนแผนที่ของเมืองเล็ก ๆ ที่สมจริง ทางแก้ปัญหานี้สามารถคาดการณ์เส้นทางหลบหนีของยานพาหนะที่มีประสิทธิภาพและปรับเปลี่ยนได้ และลดเวลาการอพยพให้สั้นลงโดยใช้ข้อมูลแผนที่น้อยกว่า 1%

Sebastian Schmitt จาก HRI-EU กล่าวว่า "การนำมาใช้กับปัญหาที่เกิดขึ้นจริง อาจทำให้เทคโนโลยีควอนตัมเปิดเผยศักยภาพของมัน ซึ่งถือเป็นหนึ่งในความท้าทายที่ใหญ่ที่สุดในสาขานี้ในปัจจุบัน งานนี้แสดงให้เห็นถึงก้าวย่างที่เต็มไปด้วยความหวังในทิศทางดังกล่าว และแสดงให้เห็นถึงวิธีการใช้สถาปัตยกรรมการเรียนรู้แบบผสมผสานของควอนตัม-คลาสสิก ในการใช้งานจริง"

อ่านข่าวเต็มได้ที่: HPCwire