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

นวัตกรรมการเรียนรู้ของเครื่องลดการใช้พลังงานคอมพิวเตอร์

ภาพจาก WSU Insider

กรอบ (framework) การเรียนรู้ของเครื่อง (machine learning) ที่พัฒนาโดยนักวิจัยจาก Washington State University (WSU) และ Intel สามารถจัดการการใช้พลังงานเพื่อลดการใช้พลังงานในโปรเซสเซอร์คอมพิวเตอร์แบบมัลติคอร์

นักวิจัยได้ออกแบบอัลกอริธึมเพื่อเลือกระดับแรงดันไฟฟ้าและความถี่สำหรับคลัสเตอร์ต่างๆ ของโปรเซสเซอร์ 64 คอร์ เฟรมเวิร์กที่ปรับขนาดได้ได้เรียนรู้เพื่อเพิ่มประสิทธิภาพการจัดการพลังงานโดยไม่ลดประสิทธิภาพการทำงานของโปรเซสเซอร์หลายตัว ทำให้ประหยัดพลังงานได้สูงสุดถึง 60%

Jana Doppa จาก WSU กล่าวว่านวัตกรรมนี้ได้รับการออกแบบมาสำหรับระบบคอมพิวเตอร์ในอนาคตที่โปรเซสเซอร์อาจมีมากถึง 1,000 คอร์ อย่างไรก็ตามมันสามารถนำไปใช้กับระบบฝังตัวที่มีขนาดเล็กมากด้วย

อ่านข่าวเต็มได้ที่: WSU Insider

การสร้างตัวแบบพฤติกรรมโซเชียลมีเดียเพื่อสู้กับข้อมูลที่ผิดพลาด

Photo by Alexander Shatov on Unsplash

นักวิจัยที่นำโดย Alexander Nwala ของ  College of William and Mary ได้เปิดตัว Behavioral Languages for Online Characterization (BLOC) ซึ่งเป็นกรอบภาษาสากลสำหรับการสร้างแบบจำลองพฤติกรรมโซเชียลมีเดีย

Nwala และเพื่อนร่วมงานที่ Indiana University Observatory on Social Media ออกแบบ BLOC เพื่อต่อสู้กับข้อมูลที่ผิดในเชิงรุกโดยจัดให้มีภาษาท้องถิ่นสำหรับการอธิบายพฤติกรรมของโซเชียลมีเดีย โดยทำให้การกระทำที่อาจเป็นอันตรายสามารถจดจำได้ง่ายขึ้น

Nwala กล่าวว่านักวิจัยสุ่มตัวอย่างโพสต์จากบัญชีโซเชียลมีเดียที่ระบุภายในระยะเวลาที่กำหนด และใช้ตัวอักษรเฉพาะเพื่อเข้ารหัสข้อมูล

BLOC รวบรวมพฤติกรรมของผู้ใช้ในลักษณะที่สามารถปรับให้เข้ากับแพลตฟอร์มโซเชียลมีเดียต่าง ๆ ได้อย่างง่ายดายผ่านพฤติกรรม และอักขระที่ใช้ในเนื้อหา

Nwala กล่าวว่า "เราสร้างแบบจำลองที่จับภาพเครื่องจักรและพฤติกรรมของมนุษย์ จากนั้นเราจะค้นหาว่าบัญชีที่ไม่รู้จักนั้นใกล้กับมนุษย์หรือเครื่องจักรมากกว่า"

อ่านข่าวเต็มได้ที่: William & Mary News