پرسپترون: عملیات دور خطر، شبیه سازی لیگ موشک و ضرب جانورشناس

تحقیقات در زمینه یادگیری ماشینی و هوش مصنوعی، که اکنون یک فناوری کلیدی در تقریباً هر صنعت و شرکتی است، برای هر کسی بسیار حجیم است. هدف این ستون، Perceptron (علم عمیق سابق)، جمع آوری برخی از مرتبط ترین اکتشافات و اسناد اخیر – به ویژه در هوش مصنوعی، اما نه محدود به آن – و توضیح دلیل اهمیت آنهاست.

این هفته، در زمینه هوش مصنوعی، محققان روشی را کشف کردند که می‌تواند به حریفان اجازه دهد حرکات ربات‌های کنترل از راه دور را ردیابی کنند، حتی زمانی که ارتباطات ربات از انتها به انتها رمزگذاری شده است. نویسندگان همکار، که از دانشگاه Strathclyde در گلاسکو آمده اند، گفتند که مطالعه آنها نشان می دهد که اتخاذ بهترین شیوه های امنیت سایبری برای متوقف کردن حملات به سیستم های خودمختار کافی نیست.

کنترل از راه دور یا دورکاری به اپراتورها اجازه می دهد تا یک یا چند ربات را از راه دور در تعدادی از محیط ها کنترل کنند. شرکت‌های نوپا، از جمله Pollen Robotics، Beam و Tortoise، سودمندی ربات‌های از راه دور را در فروشگاه‌های مواد غذایی، بیمارستان‌ها و دفاتر نشان داده‌اند. شرکت های دیگر در حال توسعه ربات های کنترل از راه دور برای کارهایی مانند خنثی کردن بمب یا مطالعه اشیاء پرتوتاب هستند.

اما تحقیقات جدید نشان می دهد که عملیات از راه دور، حتی زمانی که قرار است “ایمن” باشد، از نظر حساسیت به نظارت خطرناک است. نویسندگان مشترک Strathclyde در مقاله ای با استفاده از یک شبکه عصبی برای نمایش اطلاعات در مورد عملیاتی که یک ربات کنترل از راه دور انجام می دهد، توضیح می دهند. پس از جمع‌آوری نمونه‌هایی از ترافیک محافظت‌شده با TLS بین ربات و کنترل‌کننده و انجام آنالیز، آن‌ها دریافتند که شبکه عصبی می‌تواند حرکات را در حدود 60 درصد مواقع شناسایی کند و همچنین «جریان کاری انبار» را بازسازی کند (به عنوان مثال، بازیابی بسته). دقت بالا.”

اعتبار تصویر: شاه و همکاران

پژوهش جدیدی که توسط محققان گوگل و دانشگاه میشیگان انجام شده است، نگران کننده است که به روشی نه چندان فوری نگران کننده است. این مطالعه به بررسی کاربران هندی مستقر در پلت‌فرم‌های وام فوری می‌پردازد که با استفاده از مدل‌سازی اعتباری تعریف‌شده با هوش مصنوعی، وام‌گیرندگان را هدف قرار می‌دهند. به گفته نویسندگان همکار، مصرف کنندگان احساس می کنند به “خوبی” وام های فوری و تعهد به پذیرش شرایط سخت، به اشتراک گذاری داده های بسیار حساس و پرداخت هزینه های بالا مدیون هستند.

محققان می‌گویند این یافته‌ها نیاز به «گزارش‌دهی الگوریتمی» بیشتر را نشان می‌دهد، به‌ویژه وقتی صحبت از هوش مصنوعی در خدمات مالی می‌شود. آنها نوشتند: “ما استدلال می کنیم که مسئولیت پذیری توسط رابطه قدرت بین پلت فرم و مصرف کنندگان شکل می گیرد، و از سیاستمداران می خواهیم که در اتخاذ یک رویکرد کاملاً فنی برای ارتقای پاسخگویی الگوریتمی مراقب باشند.” درعوض، ما خواستار مداخلات موقعیتی هستیم که آژانس مصرف‌کننده را بهبود می‌بخشد، شفافیت معنادار را امکان‌پذیر می‌سازد، رابطه طراح-کاربر را دوباره پیکربندی می‌کند، و بازتاب انتقادی را در دست اندرکاران به سمت مسئولیت‌پذیری بیشتر برانگیخت.

در تحقیقات کمتر فشرده، تیمی از دانشمندان دانشگاه دورتموند، دانشگاه راین وال و دانشگاه LIACS Universiteit Leiden در هلند الگوریتمی را توسعه داده اند که به ادعای آنها می تواند بازی Rocket League را “حل” کند. این تیم با انگیزه یافتن راهی که از نظر محاسباتی کمتر برای ایجاد هوش مصنوعی برای بازی بیابد، از روشی استفاده می‌کند که آنها آن را تکنیک انتقال سیم به سیم می‌نامند که سیستم هوش مصنوعی را برای انجام وظایف در طول بازی به عنوان دروازه‌بان و ضربات کوتاه‌تر آموزش می‌دهد. نسخه ساده شده Rocket League. (لیگ راکت اساساً شبیه به فوتبال داخل سالن است، به جز با ماشین به جای بازیکنان انسانی در تیم های سه نفره.)

اعتبار تصویر: پلینز و همکاران

کامل نبود، اما سیستم Rocket League محققین توانست تقریباً تمام شوت های یک دروازه بان را دفع کند. هنگامی که در حمله بود، سیستم با موفقیت 75٪ از ضربات را به ثمر رساند – یک رکورد قابل احترام.

شبیه سازهای حرکت انسان نیز با سرعتی سریع در حال پیشرفت هستند. کار متا بر روی ردیابی و شبیه‌سازی اندام انسان کاربردهای آشکاری در محصولات واقعیت افزوده و واقعیت مجازی دارد، اما می‌توان از آن به طور گسترده‌تری در رباتیک و تجسم‌های هوش مصنوعی استفاده کرد. این مطالعه که این هفته منتشر شد، توسط مارک زاکربرگ در صدر قرار گرفت.

شبیه سازی گروه های اسکلتی و عضلانی در Myosuite.

MyoSuite ماهیچه‌ها و اسکلت‌ها را به‌صورت سه بعدی شبیه‌سازی می‌کند که آنها با اشیاء و خود تعامل دارند – این برای عوامل مهم است که یاد بگیرند چگونه چیزها را بدون له کردن یا انداختن آنها به درستی نگه دارند و دستکاری کنند، و همچنین در تعاملات دنیای مجازی، چنگ‌ها و چنگ‌های مجازی را فراهم می‌کند. تخمین زده می شود که هزاران بار سریعتر بر روی وظایف خاص کار می کند، که اجازه می دهد فرآیندهای یادگیری شبیه سازی شده بسیار سریعتر اتفاق بیفتند. زوک گفت: «ما این مدل‌های منبع باز را منتشر خواهیم کرد تا محققان بتوانند از آنها برای توسعه بیشتر این زمینه استفاده کنند. و آنها انجام دادند!

بسیاری از این شبیه سازی ها بر اساس عوامل یا اشیا هستند، اما این پروژه MIT به شبیه سازی یک سیستم کامل از عوامل مستقل می پردازد: اتومبیل های خودران. ایده این است که اگر تعداد زیادی ماشین در جاده دارید، می‌توانید آنها را مجبور کنید نه تنها برای جلوگیری از برخورد، بلکه برای جلوگیری از خاموش شدن و چراغ‌های توقف غیرضروری با هم کار کنند.

اگر دقت کنید، فقط ماشین های جلو واقعاً متوقف می شوند.

همانطور که در انیمیشن بالا می بینید، مجموعه ای از وسایل نقلیه خودران که با استفاده از پروتکل های v2v ارتباط برقرار می کنند اساساً می توانند از توقف همه ماشین ها به جز ماشین های جلویی جلوگیری کنند و به تدریج یکی پس از دیگری سرعت خود را کاهش دهند، اما نه آنقدر که واقعاً متوقف شوند. ممکن است به نظر برسد که این نوع رفتار هایپرآسیاب باعث صرفه جویی در مصرف بنزین یا باتری نمی شود، اما وقتی آن را به هزاران یا میلیون ها خودرو افزایش می دهید، مهم است – و ممکن است رانندگی راحت تر باشد. موفق باشید همه را از این طریق به تقاطع نزدیک کنید.

سوئیس به خودی خود خوب به نظر می رسد – با استفاده از فناوری اسکن سه بعدی. این کشور با استفاده از پهپادهای مجهز به لیدار و ابزارهای دیگر نقشه عظیمی می‌سازد، اما یک نکته وجود دارد: حرکت هواپیمای بدون سرنشین (عمدا و سهوا) خطا در نقشه نقاط ایجاد می‌کند که باید به صورت دستی اصلاح شود. اگر فقط یک ساختمان را اسکن کنید، بلکه کل کشور را اسکن کنید، مشکلی نیست؟

خوشبختانه، یک تیم EPFL مدل ML را مستقیماً در پشته ضبط رهبر ادغام می کند، که می تواند تعیین کند که یک شی به طور مکرر از زوایای مختلف اسکن شده است و از این اطلاعات برای ترسیم نقاط روی یک شبکه منسجم استفاده می کند. این خبر چندان آموزنده نیست، اما روزنامه همراه جزئیات بیشتری دارد. نمونه کارت دریافتی را می توانید در فیلم بالا مشاهده کنید.

در نهایت، در یک خبر غیرمنتظره اما بسیار خوب در مورد هوش مصنوعی، تیمی از دانشگاه زوریخ الگوریتمی را برای ردیابی رفتار حیوانات طراحی کرده اند تا جانورشناسان مجبور نباشند فیلم هفتگی را برای یافتن دو نمونه از رقص های خواستگاری بررسی کنند. این یک همکاری با باغ وحش زوریخ است که با در نظر گرفتن موارد زیر منطقی است: “روش ما می تواند حتی تغییرات ظریف یا نادر در رفتار حیوانات تحقیقاتی مانند علائم استرس، اضطراب یا ناراحتی را تشخیص دهد.” آزمایشگاه Mehmet Fatih Яник.

بنابراین این ابزار می تواند هم برای یادگیری و هم برای ردیابی رفتار در اسارت، رفاه حیوانات اسیر در باغ وحش ها و سایر اشکال تحقیقات حیوانات استفاده شود. آنها می توانستند از حیوانات کمتری استفاده کنند و در زمان کمتری اطلاعات بیشتری به دست آورند، با کار کمتری برای دانش آموزانی که در اواخر شب فایل های ویدئویی را تماشا می کنند. به نظر من یک موقعیت برد-برد-برد-برد است.

اعتبار تصویر: الا ماروشنکو / ETH زوریخ

همچنین، مانند تصویر.