خوب ما آن را دریافت کنید. احساس عجیب و غریب هوش مصنوعی همانطور که در شکوه رشد آن نشان داده شده است با ما است و ما را با میل خود سوار می کنیم.

اگرچه یک مرحله سوزناک قطعاً در دست است. حالا که هوش مصنوعی داریم ، با آن چه کار می کنیم ، و مدیریت می کنیم ، حتی ارزیابی می کنیم ، آن را به خوبی انجام می دهیم؟

"مانند پارسه ویدئو دنبال هک بعدی، کارکنان به مانیتور باید، درک، درخواست و بهره برداری از آسیب پذیری از ابزار خود و برای آنها حساب، گفت:" جان Sumser، تحلیلگر ارشد در HR آزما .

"کارمندان دیجیتال برای آینده ما اساسی هستند ، اما مدیریت آنها بسیار متفاوت از مدیریت افراد یا نرم افزارهای قدیمی است." به نقل از مجری منابع انسانی : "... بدانید که ما در ابتدای ساخت و استفاده از ابزارهای هوشمند هستیم ، کارهای زیادی در پیش است و ما باید از این پس به فکر ماشینهای خود باشیم."

طرفداران هوش مصنوعی برای تصمیماتی که توسط دولتها و سازمانهای بزرگ بکار می روند ، بر زندگی ما تأثیر می گذارد.

سوال بزرگ این است که چه کسی و چه کسانی آموزش هوش مصنوعی را برای تصمیم گیری می گیرند؟ آیا تعصب در مرحله تمرین پخته شده است؟ اگر چنین است ، چگونه می توان مطمئن بود که نتیجه عادلانه ترین تصمیم است ؟

مدت كوتاهی و كوتاهی ، محققان IBM مشغول ابداع روش هایی برای كاهش تعصب در مجموعه داده های مورد استفاده برای آموزش هوش مصنوعی بودند. آنها چه کار می کنند؟ آیا ما فقط باید به کاغذ سفید دیگری نگاه کنیم؟ آنها بیش از این کار می کنند.

آنها در حال ارائه یك سیستم رتبه بندی هستند كه می تواند عدالت نسبی یك سیستم هوش مصنوعی را به دست آورد.

انصاف فقط چیزی نیست که توجه IBM را به خود جلب کند. زوی کلینمن ، خبرنگار فناوری ، بی بی سی نیوز ، نوشت: "این نگرانی روزافزون وجود دارد که الگوریتم های مورد استفاده توسط غول های فناوری و سایر بنگاه ها همیشه در تصمیم گیری های خود منصفانه نیستند ."

IBM زرادخانه ابزارهای فناوری هوش مصنوعی اکنون راهی برای فرار از تعصب ناخودآگاه در تصمیم گیری ها را شامل می شود. تعصب همیشه در لامپ های نئونی و برچسب های نشانگر جادو پوشیده نمی شود. نیمی از زمانی که حتی در حال بررسی توانایی خود برای قضاوت هستیم ، نسبت به نیمی از ما که مظنونیم این تصمیم با تعصب تقلب شود ، احساس ناراحتی می کنیم. با این وجود اشتباه نکنید ، اما تیراندازها اغلب صحیح هستند.

جک مورتا روز چهارشنبه در اخبار تحلیلی بهداشت و درمان گفت: "هر تعدادی از پیش بینی ها را می توان در یک الگوریتم پنهان کرد ، که در یک مجموعه داده پنهان شده یا به طریقی در حین اجرای پروژه تصور می شود ."

IBM اخبار مربوط به هوش مصنوعی این هفته را تهیه می کند.

مورتا گفت IBM سرویس نرم افزاری را در حال اجرا در IBM Cloud اعلام کرده است که می تواند تعصب را تشخیص دهد و نحوه تصمیم گیری AI را با تصمیم گیری ها توضیح می دهد.

مدیر کل Watson AI در IBM ، بث اسمیت اظهار داشت: "ما شفافیت و كنترل جدیدی را به مشاغلی كه از هوش مصنوعی استفاده می كنند و با بیشترین خطر در تصمیم گیری های ناقص برخوردار هستند ، می دهیم."

کلینمن گفت: "مشتریان قادر خواهند بود از طریق داشبورد بصری ، چگونگی تصمیم گیری در مورد الگوریتم های خود را ببینند و از چه عواملی در تهیه توصیه های نهایی استفاده می کنند."

نرم افزار مبتنی بر ابر IBM منبع باز خواهد بود و با برخی از فریم ورک های متداول برای ساخت الگوریتم ها کار خواهد کرد. بنابراین واقعاً چه کاری انجام خواهد داد؟

مورتا آن را بیرون زد. (1) آن را به پیامد "نتایج ناعادلانه" در زمان واقعی و (2) داده هایی را توصیه می کند که می توانند تعصب را کاهش دهند. (3) IBM همچنین خدمات مشاوره ای را برای ترك تصمیم گیری از طریق فرآیندهای تجاری قوی تر و رابط های انسانی-هوش مصنوعی ارائه می دهد.

سهم جدید IBM می تواند یک لایه دیگر به درک و پرداختن به تعصب بیفزاید.

بی عدالتی ممکن است در عدم تنوع به مقدار داده ای که الگوریتم ها روی آن آموزش داده می شود ، منعکس شود.

گزارش CNBC خاطرنشان كرد: "تركیب صنعت فناوری كه این الگوریتم ها را ایجاد می كند كاملاً مناسب نبود. سیلیكون ولی سابقه طولانی دارد كه به دلیل عدم تنوع در آن مورد انتقاد قرار می گیرد."

به نقل از CNBC ، کی Firth-Butterfield ، رئیس هوش مصنوعی و یادگیری ماشین در مجمع جهانی اقتصاد ، به نقل از CNBC.

Firth-Butterfield گفت: "وقتی ما در مورد تعصب صحبت می کنیم ، اول از همه درباره تمرکز افرادی که الگوریتم ها را ایجاد می کنند نگران هستیم." "ما باید صنعت را در غرب متنوع تر کنیم ."

کلینمن گفت: یک دانشجوی تحصیلات تکمیلی در انستیتوی فناوری ماساچوست در سال 2016 دریافته بود که "تشخیص صورت فقط در صورت داشتن ماسک سفیدی صورتش را لکه دار می کند .

بعد چی؟ "آی بی ام خدمات با کار خواهد کرد کسب و کار برای کمک به آنها استفاده از سرویس جدید است. تحقیقات IBM یک ابزار به جامعه منبع باز آزاد، گفت:" جستجوی آلفا . ZDNet جزئیات بیشتری برای به اشتراک گذاشتن این ابزار ابزار داشت . IBM از طریق "ابزار ابزار AI Fairness 360" از IBM Research متن "ابزارهای تشخیص تعصب" را باز خواهد کرد. انتظار دارید یک کتابخانه از الگوریتم ها ، کد ها و آموزش ها را ببینید.

 http://gorillasocialwork.com/story5832922/پمپ-وکیوم-آبی

وقتی صبح چشم خود را باز می کنیم و اولین صحنه روز را می گیریم ، خیلی فکر نمی کنیم که مغز ما با راندمان بسیار زیاد اشیاء موجود در میدان دید ما را پردازش می کند. فقدان اطلاعات در مورد محیط اطراف ما - همه به منظور اجازه می دهد تا ما در مورد عملکردهای روزانه خود برویم. لیوان آبی که هنگام آماده شدن برای رختخواب در شب مانده اید ، اکنون توسط ساعت زنگ دار شما تا حدودی از دید شما مسدود شده است ، اما می دانید که این یک لیوان است.

این توانایی به ظاهر ساده برای انسان برای تشخیص اشیاء تا حدودی مسدود شده - که در این شرایط تعریف شده است - به عنوان تأثیر یک جسم در یک فضای 3 بعدی که مانع از دیدن یک شیء دیگر می شود - یک مشکل پیچیده برای جامعه بینایی رایانه بوده است. مارتین شریمپ ، دانشجوی فارغ التحصیل آزمایشگاه DiCarlo در گروه مغز و علوم شناختی در MIT ، توضیح می دهد که ماشین ها به طور فزاینده ای در تشخیص همه ی موارد سریع و با اعتماد به نفس عمل می کنند ، اما وقتی چیزی بخشی از آن مورد را از منظر پوشش می دهد ، این وظیفه می شود. به طور فزاینده برای مدل ها تشخیص دقیق مقاله دشوار است.

Schrimpf می گوید: "برای مدل هایی که از دید رایانه در زندگی روزمره عملکرد دارند ، آنها باید بتوانند اشیاء مسدود شده را به خوبی و تمام چیزها هضم کنند. از این گذشته ، وقتی به اطراف نگاه می کنید ، بیشتر اشیاء تا حدی در پشت جسم دیگری پنهان می شوند." - مقاله ای راجع به موضوعی که اخیراً در مجموعه مقالات آکادمی ملی علوم ( PNAS ) منتشر شده است .

در مطالعه جدید، او می گوید، "ما به محاسبات اساسی در مغز حفر و سپس یافته های ما مورد استفاده برای ساخت مدل های محاسباتی توسط ملخص پردازش بصری در انسان مغز ، ما به این ترتیب به هم مدل های بهبود در بینایی کامپیوتر امیدوار."

دانشجو فارغ التحصیل MIT ، مارتین شریمپف و استاد گابریل کریمان از بیمارستان کودکان بوستون و دانشکده پزشکی هاروارد شرح آخرین کار خود را نشان می دهند که چگونه محاسبات مکرر ممکن است به مغز در حل چالش اساسی تکمیل الگوی کمک کند. اعتبار: مرکز مغزها ، ذهن ها و ماشین آلات
چگونه ما به عنوان انسان قادر به انجام مکرر این کار روزمره هستیم بدون اینکه فکر و انرژی زیادی به این عمل وارد کنیم و صحنه های کل را به سرعت و با دقت پس از دیدن فقط قطعه ها مشخص کنیم؟ گابریل کریمان ، وابسته مرکز MIT برای مغز ، ذهن و ماشین آلات گفت: محققان با استفاده از قشر بینایی انسان به عنوان الگویی برای بهبود عملکرد ماشین آلات در این محیط ، گفتند. کرینمن استاد چشم پزشکی در بیمارستان کودکان بوستون و دانشکده پزشکی هاروارد است و محقق اصلی این مطالعه بود.

در مقاله خود "محاسبات مکرر برای تکمیل الگوی بصری" ، این تیم نشان دادند که چگونه آنها یک الگوی محاسباتی را با الهام از محدودیتهای فیزیولوژیکی و آناتومیکی تهیه کرده اند ، که قادر به مشاهده مشاهدات رفتاری و نوروفیزیولوژیکی در طی تکمیل الگوی هستند. در پایان ، این مدل بینش مفیدی در مورد درک چگونگی ایجاد استنتاج از حداقل اطلاعات ارائه می دهد.

http://ztndz.com/story7349389/پمپ-وکیوم-آبی

آیا آن دایره سبز یا خاکستری است؟ آیا خطوط وسط مستقیم یا کج هستند؟

توهمات نوری می تواند سرگرم کننده برای تجربه و بحث باشد ، اما درک چگونگی درک مغز انسان از این پدیده های مختلف ، منطقه فعال تحقیقات علمی باقی می ماند. برای یک طبقه از توهمات نوری ، به نام پدیده های زمینه ای ، این برداشت ها بستگی به متن دارد. به عنوان مثال ، رنگی که فکر می کنید یک دایره مرکزی باشد به رنگ حلقه اطراف آن بستگی دارد. بعضی اوقات رنگ بیرونی باعث می شود رنگ داخلی بیشتر شبیه به هم باشد ، مانند یک حلقه سبز همسایه که یک حلقه آبی را فیروزه ای جلوه می دهد اما بعضی اوقات رنگ بیرونی باعث می شود رنگ داخلی کمتری به نظر برسد ، مانند حلقه صورتی که یک دایره خاکستری را سبز می کند به نظر می رسد.

تیمی از کارشناسان بینایی رایانه ای دانشگاه براون برای درک مکانیسم های عصبی این پدیده های متنی به میدان برگشتند. مطالعه آنها در تاریخ 20 سپتامبر در روانشناسی مروری منتشر شد .

توماس سر ، استادیار علوم شناختی ، زبانی و روانشناختی در براون و نویسنده ارشد مقاله می گوید: "این اتفاق نظر وجود دارد که توهمات نوری یک اشکال نیست بلکه یک ویژگی است." "من فکر می کنم آنها یک ویژگی هستند. آنها ممکن است موارد مهم برای سیستم بینایی ما باشند ، اما دید ما در زندگی روزمره و در شناخت اشیاء بسیار قدرتمند است."

برای مطالعه ، تیم تحت هدایت سر ، که وابسته به انستیتوی براون کارنی برای علوم مغز است ، با یک مدل محاسباتی محدود شده توسط داده های آناتومیکی و نوروفیزیولوژیک قشر بینایی شروع به کار کردند . این مدل با هدف ثبت چگونگی ارسال نورونهای قشر مغز همسایه به یکدیگر و تنظیم پاسخهای یکدیگر در هنگام ارائه محرکهای پیچیده مانند توهمات نوری متنی ارائه شده است.

Serre گفت: یکی از نوآوری هایی که تیم در مدل خود شامل الگوی خاصی از ارتباطات بازخورد فرضی شده بین نورون ها بود. این اتصالات بازخورد بسته به متن بصری ، قادر به افزایش یا کاهش - تحریک یا مهار - پاسخ یک نورون مرکزی است.

این اتصالات بازخورد در اکثر الگوریتم های یادگیری عمیق موجود نیست. یادگیری عمیق نوعی هوش مصنوعی قدرتمند است که قادر به یادگیری الگوهای پیچیده در داده ها ، مانند شناخت تصاویر و تجزیه گفتار عادی است و بستگی به چندین لایه شبکه عصبی مصنوعی دارد که با هم کار می کنند. با این حال ، اکثر الگوریتم های یادگیری عمیق فقط شامل اتصالات فید بین لایه ها می شوند ، نه پیوندهای بازخورد ابتکاری Serre بین نورونهای درون یک لایه.

پس از ساخت مدل ، تیم انواع توهمات وابسته به متن را ارائه دادند. محققان استحكام اتصالات تحریكی یا مهاری را بازخورد كنند تا نورون های مدل به روشی متناسب با داده های نوروفیزیولوژی از قشر بصری اولیه پاسخ دهند.

سپس آنها مدل را بر روی انواع توهمات زمینه ای آزمایش کردند و دوباره دریافتند که این مدل توهمات مانند انسان را درک می کند.

برای آزمایش اینکه آیا آنها مدل را بی نیاز پیچیده ساخته اند ، آنها مدل را ضعیف کرده اند - بطور انتخابی برخی از اتصالات را حذف می کنند. هنگامی که مدل برخی از اتصالات را گم می کرد ، داده ها با داده های ادراک انسان به طور دقیق مطابقت ندارند.

Serre گفت: "مدل ما ساده ترین مدل است که هم برای توضیح رفتار قشر بینایی در رابطه با توهمات متنی لازم و کافی است." "این واقعاً کار علوم اعصاب محاسباتی کتاب درسی بود. ما با یک مدل شروع به توضیح داده های نوروفیزیولوژی کردیم و با پیش بینی اطلاعات روانشناسی فیزیکی انسان به پایان رسید."

Serre علاوه بر ارائه توضیحی وحدت آمیز در مورد چگونگی دیدن طبقه ای از توهمات نوری ، این مدل را با هدف بهبود دید مصنوعی بنا می کند .

وی خاطرنشان کرد: الگوریتم های پیشرفته بینایی مصنوعی ، مانند مواردی که برای برچسب زدن چهره یا به رسمیت شناختن علائم توقف استفاده می شوند ، در دیدن زمینه مشکل دارند. وی با درج اتصالات افقی تنظیم شده توسط توهمات نوری وابسته به متن ، امیدوار است این ضعف را برطرف کند.

شاید برنامه های یادگیری عمیق بصری که زمینه را در نظر می گیرند ، فریب دادن سخت تر خواهد بود. Serer گفت ، یک برچسب خاص ، هنگامی که روی یک علامت توقف گیر بیفتد ، می تواند یک سیستم دید مصنوعی را فریب دهد و این یک علامت محدودیت سرعت 65 مایل در ساعت است که خطرناک است.

 http://opensocialfactory.com/story4692610/پمپ-وکیوم-آبی

محققان در دانشگاه شانگهای روش جدیدی را برای دستیابی به سنتز نوع مکانیسم های موازی تحت فشار غیر هلونومیک ایجاد کرده اند. روش آنها ، که در مقاله ای منتشر شده در آستانه فضانوردی ، می تواند به پیشرفت روبات های فضایی برای عملیات سرویس دهی در مدار کمک کند.

هر ساله ، تقریباً 100 ماهواره برای نظارت بر فعالیت های روی زمین و فعال کردن سرویس هایی مانند ارتباطات یا سیستم های GPS به فضا پرتاب می شوند. اصطلاح "سرویس دهی در مدار" به انواع عملیات با هدف حفظ سیستم های فضایی در مدار اشاره دارد که می تواند شامل تعمیرات ، مونتاژ ، سوخت گیری و به روزرسانی فضاپیما پس از استقرار آنها باشد.

در آینده ، ربات های فضایی می توانند بدون نیاز به کمک های انسانی ، ماموریت های سرویس دهی در مدار را به سرعت و به طور مؤثر انجام دهند. روباتیک موازی غیر هولوگونیک یک رویکرد ویژه امیدوارکننده در رباتیک فضایی است که براساس اصول خاص مکانیکی و فیزیکی ساخته شده است.

در فیزیک و ریاضیات ، یک سیستم غیر هولوگونیک سیستمی است که وضعیت آن به مسیری که برای رسیدن به آن در نظر گرفته شده است بستگی دارد. در رباتیک ، سیستمهای غیر هولوگونیک در رابطه با برنامه ریزی حرکت و خطی سازی بازخورد برای روبات های موبایل ، اهمیت ویژه ای کسب کرده اند.

محققان در مقاله خود نوشتند: "مکانیسم موازی غیر هولوگونیک تحت فشار ، جهت جدیدی از روباتیک فضایی موازی است ، با حجم کمی ، وزن سبک ، هزینه کم ، مصرف انرژی پایین و انعطاف پذیری بالا."

یکی از مسائل مهم در ایجاد مکانیسم های موازی ، سنتز نوع است که شامل یافتن انواع ممکن مکانیسم های موازی تولید حرکتی از سکوی متحرک با درجه آزادی مشخص (DOF) یا الگوی حرکت است. رویکردهای سیستماتیک به سنتز نوع مکانیسم های موازی را می توان در دو گروه اصلی طبقه بندی کرد: رویکردهایی با تعداد مشخصی از DOF و کسانی که دارای الگوی حرکت مشخص هستند.

محققان توضیح دادند: "روش های موجود در سنتز نوع نمی تواند با معرفی جفت های کروی غیر هلونومیک در مکانیسم های موازی ، مکانیسم های موازی غیر هولوگونیک تحت فشار را ایجاد نکند." "این مقاله به نوع سنتز مکانیسم های موازی تحت اثر تحریک با الگوی حرکت کروی همراه با تولید جفت های کروی غیر هلونومیک در مکانیسم های موازی با الگوی حرکت کروی اختصاص یافته است."

محققان در مطالعه خود روش جدیدی برای تماس با غلتکها و همچنین یک روش تولید جفتهای کروی غیر هلونومیک در مکانیزمهای کم تحرک موازی با الگوی حرکت کروی پیشنهاد کردند. مکانیسم محدودیت کروی غیر هلونومیکی که آنها ایجاد کرده اند ساختار مکانی را ساده تر کرده و دقت ساختار محدودیت غیر هولونومیک کروی را بهبود می بخشد.

محققان با استفاده از مثال مکانیسم مشترک کم تحرک غیر هولوگونیک یک ربات فضایی برای عملیات سرویس دهی در مدار ، نشان دادند که چگونه می توان روش آنها را در سناریوهای زندگی واقعی به کار برد. در آینده، این روش می تواند مورد استفاده برای توسعه سبک، انعطاف پذیر و ارزان تر فضای روبات با مصرف انرژی پایین تر است.

 http://dirstop.com/story5842456/پمپ-وکیوم-آبی

خمیازه. یکی دیگر از روبات های خانگی که در پیش سفارش قرار گرفته اند ، ارزش عناوین خبری را دارند؟ این یکی در حال گرفتن رسانه های بی روح است. از این گذشته ، داستان در مورد Aibo ، یک سگ ربات است که طراحان آن برای ذوب قلب ها دست به کار شده اند. سونی Aibo جدید و بهبود یافته خود را در حال حاضر برای پیش فروش در ایالات متحده در دسترس کرده است.

Aibo 2.0 یک قدم بزرگتر از سگ توله سگ اصلی رباتیک است که برای اولین بار توسط سونی در سال 1999 آغاز شد. روزنامه دیلی میل گزارش داد که Aibo می تواند رشد کند و تغییر کند و اطلاعات خود را در ابر به روز کند. یک بانک اطلاعاتی حافظه شخصیت خود را با صاحب خود قادر می سازد با گذشت زمان رشد و تکامل یابد.

برای شیرین کردن پیشنهادی مبنی بر اینکه مردم باید یکی را سفارش دهند ، این پیشنهاد فقط برای یک ربات نیست بلکه یک کیت Aibo است. توله سگ دارای (1) ابر برنامه ریزی خوب برای سه سال (2) توپ صورتی (3) ایبون (4) ایستگاه شارژ و (5) برچسب سگ به صورت جداگانه است. برنامه AI Cloud با ترفندهای جدید ، ویژگی های جدید و قابلیت های هوش مصنوعی جدید ، رشد عملکردی آینده را به وجود می آورد.

اگر نسخه Aitter First Litter Edition ، همانطور که از آن خوانده می شود ، سلطنتی به نظر می رسد ، قیمت آن نیز می تواند راه شما باشد تا به همسایگان خود اطلاع دهید که آینده مالی شما دیگر مسئله ای نیست. Aibo با قیمت 2،899.99 دلار بخشی از آینده شما خواهد بود. سونی گفت ورود به تعجب عاج از عیار 4.85 پوند برای ماه دسامبر و در زمان تعطیلات.

این محصول ممکن است برای پذیرندگان اولیه مشتاق جذاب باشد. برایان هیتر در TechCrunch اظهار داشت: "این گفته است ،" این محصول با شگفت آور در ژاپن با قیمت حدود 20،000 دستگاه فروخته می شود. "

گرچه ممکن است برای برخی از قیمتها این کار بیش از حد به نظر نرسد ، علاقه مندان به روبات تشخیص می دهند که محرک ها و سنسورهای آن باعث شده Aibo خاص شوند. کلمات لازم نیست. می توان Aibo را در سایت مشاهده کرد تا درک کند که نه تنها مانند یک سگ واقعی حرکت می کند بلکه شخصیت منحصر به فردی نیز دارد که مخصوص تعامل سگ و صاحب آن است.

با این وجود ، مهندسان آن محتاط بودند که به Aibo لایک و تمایز خود را ندهند: هر چیزی صورتی را دوست دارد ، اما "این طرفدار بزرگی از ارتفاعات و مکانهای تنگ نیست".

جان فینگاس در Engadget از Aibo جدید به عنوان یک همراه همواره در حال پیشرفت نام برد.

آنی پالمر در دیلی میل گزارش داد که Aibo می تواند رشد کند و تغییر کند و داده های خود را در ابر به روز کند. بانک اطلاعاتی حافظه آن به ایجاد شخصیت منحصر به فرد آن کمک می کند تا با گذشت زمان رشد و تکامل یابد ، به گونه ای که سبک مالک در تعامل با آیبو شخصیت او را شکل می دهد. دوست خوب ، همراه صمیمی؟ سگ فعال دوست داشتنی؟ Aibo همان چیزی است که شما می خواهید آن باشد.

پالمر در روزنامه دیلی میل خاطرنشان كرد: Aibo اکنون با "تنهای دوربین ، حسگرهای لمسی و میکروفن ها همراه شده است تا بتواند آن را بیشتر و جذاب تر جلوه دهد". در گزارش ها آمده است که Aibo هنگام خراش دادن به لمس شما پاسخ می دهد و می تواند سخنان ستایش را تشخیص دهد.

مایک فاسولو ، مدیر اجرایی سونی الکترونیک ، این را به TechCrunch گفت . وی گفت: "4000 قطعه در این محصول وجود دارد. چشمان آن از OLEd ساخته شده است که باعث می شود آن را شایان ستایش بگذارد ، اما همچنین آن را به یک وسیله عالی برای ضبط عکس تبدیل می کند. فناوری هسته اصلی در داخل حول سنسورهای تصویر ما ساخته شده است. این دستگاه دارای 22 محور حرکت و بیشتر است. انعطاف پذیری از آنچه در ربات دیده ام . این نشان دهنده نوآوری سونی و متعهد شدن به آینده و احتمالاً کمی از برند در این راه است. "

چشم ها با دو نمایشگر ارگانیک LED سونی سونی که می توانند صاحب آن را در اطراف خود دنبال کنند ، از نظر پیوند قلبی خاص استفاده کردند.

سونی گفت آیبو تا 14 اکتبر در نیویورک به نمایش گذاشته می شود و این نمایشگاه برای عموم آزاد است.

 http://socialmediainuk.com/story5567485/پمپ-وکیوم-آبی

آیا ویندوز ایمیل شما را ذخیره می کند؟ راحت ترین فکر نیست ، زیرا در عناوین داده های کاربران فیس بوک در اوایل سال جاری بهبود می یابیم. با این حال، از نظر ذخیره ایمیل برداشت توجه جوئل Hruska ، ExtremeTech در ، و دیگر ناظران تکنولوژی به تازگی زمانی که آنها از یک کشف اخلال توسط دست جرمی Skeggs .

Skeggs ، یک تحلیلگر پزشکی قانونی ، تصمیم طراحی ویندوز 8.1 و 10 را شایسته نگاه دقیق تر دانست. Skeggs آشکار در GitHub اظهار داشت: "WaitList.dat (لیست انتظار) فایل داده است که یافت شده است است که شامل تکمیل نشده متن از ایمیل، ارتباط و سند فایل را به صورت تابعی از ویندوز جستجو شاخص."

ZDNet موضوع دیگری را در مورد ویندوز و نامه گزارش داد. "یک ویژگی کوچک شناخته شده ویندوز فایلی را ایجاد می کند که متن استخراج شده از همه ایمیل ها و پرونده های متن ساده موجود در رایانه شخصی شما را ذخیره کند ، که بعضی اوقات ممکن است رمزهای عبور یا مکالمات خصوصی را فاش کند."

بلند و کوتاه، فایل WaitList.dat "را می توان در کمتر از یک ثانیه کپی و به احتمال زیاد حاوی اطلاعات حساس و یا کلمه عبور بر روی کامپیوتر بسیاری از مردم خواهد شد، گفت:" اشعیا Mayersen در تخصصی موبایل .

خوب ، ابتدا در مورد ویندوز 8.1: "من در هنگام بررسی یک رایانه شخصی ویندوز 8.1 برای حضور یک ایمیل شناخته شده ، اثر" WaitList.dat "را شناسایی کردم. یک نسخه از این ایمیل برای من تهیه شده است و بخشی از تحقیقات مربوط به شناسایی این موضوع است یا خیر. این ایمیل تا کنون در رایانه متولی وجود نداشته است .پس از پردازش بایگانی صندوق پستی .PST و .OST بر روی رایانه شخصی ، وجود ایمیل را شناسایی نکردم. سپس نسخه های سایه را پردازش کردم ، حکاکی و پردازش برای فروشگاه های مختلف صندوق پستی و پرونده های ایمیل ، و هنوز ایمیل را شناسایی نکردید. به عنوان یک تلاش نهایی ، جستجوی رشته ای برای ایمیل انجام دادمخط موضوع در کل تصویر پزشکی قانونی. 1 ضربه در "WaitList.dat" دریافت کردم. با بررسی این پرونده 140 مگابایتی ، ابرداده و متنی کامل از بیش از 36،000 ایمیل و اسناد شناسایی شد که مدت سه سال به طول انجامید. "

Hruska یک نکته کلیدی را تأکید کرد که "داده های ذخیره شده در WaitList.dat هنگام حذف اسناد حذف نمی شوند" ، و به نوبه خود می تواند برای بازیابی اطلاعات از رایانه شخصی استفاده شود.

اگر کاربران نگران باشند که این پرونده بیش از حد لانه شاخ است ، می توانند آن را ریشه کن کنند. Cimpanu در ZDNet گفت كه برای كسانی كه نگران داده های خود هستند ، "تنها کاری كه باید انجام دهید حذف پرونده WaitList.dat و غیرفعال كردن تشخیص دست نویس است."

سیمپانو در زمان نگارش اظهار داشت که هیچ مدرکی مبنی بر بارگذاری داده ها در مایکروسافت و هیچ بدافزار وجود ندارد. در همان زمان ، او گفت ، "خوب خواهد بود که مایکروسافت یک به روزرسانی را منتشر کند که پرونده را کمی ایمن تر ذخیره کند."

Latesthackingnews.com با نگاهی به شناخت دست نویس Windows ، گفت: "بسیاری از کاربران ویندوز که به عنوان روشهای ورودی ، صفحه لمسی یا قلم را ترجیح می دهند ، از اهمیت این ویژگی مطلع هستند ."

Skeggs نوشت: "از زمان انتشار ویندوز 8 و رابط کاربری" Metro "، ورودی صفحه لمسی در تعداد فزاینده ای از دستگاههای ویندوز از جمله مایکروسافت سرفیس پرو / کتاب ، دو درج ، لپ تاپ قابل تبدیل و تبلت انجام شده است. از این روند استفاده کرده است ، و تبدیل بین دست نوشته های لمسی / قلم به متن رایانه را در نرم افزارهایی مانند OneNote انجام داده است. "

 http://prbookmarkingwebsites.com/story5101186/پمپ-وکیوم-آبی

تعداد زیادی سایت از جمله HotHardware گزارش شده است که یک Virobot با طعم باج افزار با قابلیت keylogger قادر به اسارت رایانه های شخصی در یک بات نت است . این امر در اهداف ایالات متحده تأثیر می گذارد.

این نرم افزار نه تنها کامپیوترهای آلوده را قفل می کند بلکه به عنوان بخشی از بات نت در لیست آنها قرار می گیرد. گزارش براندون هیل در روز جمعه ، رایانه های قربانی قرار داده شده در نوعی بات نت زامبی با یک جزء باج افزار ، و نه کمتر.

هیل می گوید: "رایانه کاربر آلوده ، یادداشت باج را به نمایش می گذارد ،" اما اگرچه Virobot در درجه اول کاربران ایالات متحده را تحت تأثیر قرار داده است ، اما به زبان فرانسه نوشته شده است. "

چقدر درخواست می کند؟ آلفرد نگ در CNET گفت که این یادداشت "حدود 520 دلار بیت کوین" را طلب کرده است.

هیل در HotHardware گفت یک وکتور حمله "چند برابر" در کار بود. Ng در CNET همچنین گفت این بدافزار مطمئناً "اجازه نمی دهد تا بخشی از کامپیوتر آلوده به هدر رود." CNET گفت ویروس ویروس ها را آلوده می کند و سپس آنها را مجبور می کند تا بدافزارها را از طریق ایمیل گسترش دهند.

با ایمیل خود اشتباه کردید؟ هیل گفت Virobot "همچنین می تواند کنترل کاملی بر Microsoft Outlook برای پیوستن به کمپین ارسال نامه الکترونیکی انجام دهد." نگ گفت که نامه الکترونیکی دارای یک نسخه از Virobot است به امید گسترش بدافزار.

سرگیو گاتلان در مورد این موضوع در Softpedia بحث کرد : نامه های الکترونیکی آلوده به لیست مخاطبین Outlook قربانی ارسال می شوند که حاوی یک نسخه از بدافزار یا پیوندی به پرونده بارگذاری شده است که با باز شدن پیام اسپم در دستگاه مورد نظر بارگیری می شود.

چه کسی متوجه آن شد؟ طبق گزارش ها ، محققان Trend Micro در اوایل ماه جاری انجام داده اند. وبلاگ Trend Micro خوانندگان را از طریق آنچه اتفاق می افتد و چگونه می گذرد قدم برداشت. نه اینکه باعث شوک شد که باج افزار هنوز در حال افزایش سر خود در سال 2018 است.

این شرکت در وبلاگ خود در تاریخ 21 سپتامبر نوشت: "پیش بینی کرده ایم که حملات باج افزار در سال 2017 به فلات می رود اما از نظر روش های حمله متنوع خواهد شد." با روش های خلاقانه تر برای افزایش هرچه سریعتر ".

آنها گفتند كه ويروبوت كشف شده توسط ترند ميكرو يك مورد موردي است كه با قابليت باج افزار و قابليت هاي بات نت نيز مشاهده شده است.

"پس از بارگیری ویروس در یک دستگاه ، وجود کلیدهای رجیستری (GUID دستگاه و کلید محصول) را بررسی می کند تا مشخص شود که آیا این سیستم باید رمزگذاری شود. آیا این باج افزار یک کلید رمزنگاری و رمزگشایی را از طریق ژنراتور شماره تصادفی رمزنگاری تولید می کند. با کلید تولید شده ، Virobot سپس داده های جمع آوری شده دستگاه را از طریق POST به سرور C&C ارسال می کند. "

Virobot فرایند رمزگذاری را شروع می کند و پس از آن نمایش یک برگه باج ("پرونده های شخصی شما رمزگذاری شده است" می آید).

خبر خوب: سرور C&C Virobot آفلاین است ، نوشت: Hill. این باج افزار دیگر قادر به رمزگذاری فایل ها نیست. در حال حاضر سرور Virobot فرماندهی و کنترل (C&C) خاموش شده است. "Gatlan در Softpedia گفت: " و این بدافزار قادر به رمزگذاری موفقیت آمیز سیستم های آلوده نخواهد بود تا زمانی که بازیگران تهدید کننده ای که طراحی کرده اند به جدید تغییر پیدا کنند. یکی

هه گاتلان گفت که " بدافزارها قادر به رمزگذاری موفقیت آمیز سیستمهای آلوده نخواهند بود تا اینکه بازیگران تهدیدکننده ای که آنرا طراحی کرده اند ، به یک نسخه جدید تبدیل شوند." تا اینکه بازیگران روی یک چیز جدید جدید تغییر پیدا کنند ... ارزش تکرار دارد؟

هیل در مقاله خود اظهارنظر مشابهی داشت ، اظهار داشت: "هیچ راهی برای دانستن اینکه آیا دیگر جهش های ویروبوت در روزها و هفته های آینده شروع به پخش می کنند وجود ندارد."

http://bookmark-template.com/story6994851/پمپ-وکیوم-آبی

گوگل روز دوشنبه تولد 20 سالگی خود را جشن گرفت و دو دهه را نشان داد که در آن از راهی ساده تر برای کشف اینترنت به موتور جستجوگر رشد کرده است که در زندگی روزمره بافته شده است و نام آن به فعل تبدیل شده است.

این شرکت قرار بود بیستمین سالگرد خود را با رویدادی در سانفرانسیسکو که به آینده جستجوی آنلاین اختصاص داده شده است ، نوید دهد و چند خبر غافلگیرانه را نوید دهد.

شروع موتور

لری پیج و سرگئی برین دانشجوی دانشگاه استنفورد - معروف به مکان خود در نزدیکی سیلیکون ولی - بودند که راهی پیدا کردند تا بتوانند به صورت کارآمد شاخص و جستجوی اینترنت را جستجو کنند.

این دوگانه فراتر از شمارش تعداد دفعات استفاده از کلمات کلیدی ، فراتر رفت و نرم افزاری را ایجاد کرد که فاکتورهایی مانند روابط بین صفحات وب را در نظر می گرفت تا بتواند در تعیین جایگاه آنها در نتایج جستجو به شما کمک کند .

گوگل در سپتامبر سال 1998 در یک گاراژ اجاره ای در شهر منلو پارک کالیفرنیایی اجاره داده شد. نام این نمایشنامه با اصطلاح ریاضی "googol" است که به شماره 1 اشاره دارد که 100 صفر دنبال کرده است.

طبق گزارش ها ، گوگل مدتی در سرورهای رایانه در استنفورد ، جایی که نسخه جستجو آزمایش شده بود ، دوید.

و افسانه سیلیکون ولی این را دارد که برین و پیج پیشنهاد دادند که شرکت را زودتر به قیمت یک میلیون دلار بفروشند ، اما هیچ توافقی با هم حاصل نشد.

افسانه Silicon Valley آن را بنیانگذاران گوگل ، سرگئی برین (L) و لری پیج پیشنهاد دادند كه این شركت را زودتر به قیمت یك میلیون دلار بفروشند ، اما هیچ توافقی با هم نرسید.
Google بعداً دفتر مرکزی خود را به Mountain View منتقل کرد ، جایی که در آن باقی مانده است.

در آگوست 2004 ، گوگل با سهام 85 دلار به بازار سهام رفت. سهام شرکت چند میلیارد دلاری اکنون بالای 1000 دلار معامله می شود.

قانون پیشین این رفتار شامل یک بند "افسوس" نیست که اکنون افسانه ای است. مأموریت اعلام شده آن این است که اطلاعات جهان را در دسترس همه قرار دهد.

این شرکت با ابزارهایی که تبلیغات آنلاین را بر اساس آنچه کاربران آشکار می کنند قرار داد و به بازاریابان اجازه می دهد تنها در صورتی که افراد روی پیوندهای تبلیغاتی کلیک می کنند ، پرداخت کنند ، به درآمد مادر درآمد.

نقشه ها و موارد دیگر

اینک مجموعه ای از پیشنهادات از جمله Maps ، Gmail ، مرورگر اینترنت Chrome و سیستم عامل دستگاه همراه دستگاه همراه را ارائه داده است که برای سازندگان تلفن های هوشمند یا رایانه های لوحی رایگان است.

گوگل همچنین گوشیهای هوشمند پیکسل را به نمایش می گذارد تا اندروید را به نمایش بگذارد ، که با گوشی های ساخته شده توسط تولید کنندگان ، در بازار حاکم است.

گوگل هم اکنون بازیگر اصلی هوش مصنوعی است
در همین حال ، این پلت فرم 18 ماهه اشتراک گذاری ویدیوی YouTube را در سال 2006 با معامله ای به ارزش 1.65 میلیارد دلار خریداری کرد - که در آن زمان نجومی به نظر می رسید اما با حرکت سرگرمی به صورت آنلاین ، هوشمندانه ظاهر شده است.

این شرکت همچنین پمپاژ پول را به آزمایشگاه X اختصاص داده شده به "عکسهای ماه" فن آوری مانند عینک متصل به اینترنت ، اتومبیل های خودران و استفاده از بالن های ارتفاع بالا برای ارائه خدمات اینترنتی در مکان های دور افتاده انجام داد.

برخی از این شرکت ها در شرکت ها تکامل یافته اند ، مانند واحد اتومبیل رانندگی Waymo. اما گوگل همچنین شاهد خرابی هایی همچون عینک بسیار بد Google+ بوده است.

در جای دیگر ، شبکه اجتماعی Google+ که برای رقابت با فیس بوک راه اندازی شده است ، کشش معنی داری را مشاهده نکرده است.

در اکتبر سال 2015 ، با تغییر ساختار شرکتی شاهد ایجاد شرکت مادر الفبا ، ساخت شرکتهای تابعه گوگل ، ویمو ، واحد علوم بهداشتی واقعاً و سایر املاک بود.

گوگل همچنین اکنون یک بازیگر مهم در زمینه هوش مصنوعی ، دستیار دیجیتالی آن در بلندگوهای هوشمند و موارد دیگر است. رقبای هوش مصنوعی آن شامل آمازون ، اپل و مایکروسافت است.

ظهور گوگل این نگرانی را در مورد احتمال سوءاستفاده از سلطه خود در میان صندلی های تنظیم کننده ، به ویژه در اروپا ، قرار داده است.
نگرانی های حریم خصوصی

علی رغم تلاش برای متنوع سازی مشاغل خود ، الفبای - که بیش از 80،000 کارمند در سراسر جهان دارد - هنوز بیشتر درآمد خود را از تبلیغات آنلاین بدست می آورد. ردیاب صنعت eMarketer پیش بینی می کند که گوگل و فیس بوک در سال جاری 57.7 درصد درآمد تبلیغ دیجیتال ایالات متحده را به دست آورند.

در سه ماهه دوم سال 2018 ، گوگل علیرغم جریمه 5.1 میلیارد دلاری (4.34 میلیارد یورو) که توسط اتحادیه اروپا وضع شده ، سود 3.2 میلیارد دلاری را گزارش کرده است.

ظهور گوگل آن را به دلیل نگرانی از احتمال سوءاستفاده از تسلط خود بر جستجوی و تبلیغات آنلاین و همچنین نرم افزارهای عملی تلفن های هوشمند در شلوغی تنظیم کننده ها ، به ویژه در اروپا ، قرار داده است.

این نگرانی ها وجود داشته است که الفبای بیشتر از آنکه در حفظ حریم شخصی آنها باشد ، به پول در آوردن از داده های مردم علاقه مند باشند.

گوگل همچنین با تهیه داستان در نتایج جستجوی آنلاین ، متهم شده است که پول و خوانندگان را به دور از سازمان های خبری اصلی متهم می کند و می تواند در تبلیغات خود پول دریافت کند.

این یکی از شرکت های فنی است که از آنها خواسته می شود از گسترش اطلاعات نادرست محافظت کنند - و همچنین هدف دونالد ترامپ رئیس جمهور ایالات متحده نیز بوده است که وی صدای خود را به گروهی از جمهوری خواهان اضافه کرد که مخالف دیدگاه های محافظه کار هستند و در نتایج جستجو کمرنگ می شوند .

 http://mediajx.com/story8045941/پمپ-وکیوم-آبی

محققان دانشگاه ادینبورگ چارچوب سلسله مراتبی مبتنی بر یادگیری تقویت عمیق (RL) را ایجاد کرده اند که می تواند استراتژیهای مختلفی را برای کنترل تعادل انسانوئید به دست آورد. چارچوب آنها ، در مقاله ای که از قبل روی arXiv چاپ شده و در کنفرانس بین المللی Robotics Humanoid 2017 ارائه شده است ، می تواند رفتارهای متعادل کننده تر از انسان را نسبت به کنترل کننده های معمولی انجام دهد.

در هنگام ایستادن یا راه رفتن ، انسان به صورت ذاتی و مؤثر از تعدادی تکنیک برای کنترل کم تحرک استفاده می کند که به آنها کمک می کند تعادل خود را حفظ کنند. اینها شامل کج شدن پنجه و نورد پاشنه است که باعث ایجاد ترخیص پا بهتر از پا می شوند. تکرار رفتارهای مشابه در روبات های انسان نما می تواند قابلیت های حرکتی و حرکتی آنها را تا حد زیادی بهبود بخشد.

دکتر ژیبین لی ، مدرس رباتیک و کنترل در دانشگاه ادینبورگ ، که مطالعه را انجام داده است ، گفت: "تحقیقات ما به استفاده از RL عمیق برای حل حرکات پویا روبات های انسان نما متمرکز شده است." "در گذشته ، تحرک عمدتاً با استفاده از رویکردهای تحلیلی معمولی انجام می شد. مدل مبتنی بر آن محدود است زیرا به تلاش و دانش انسانی نیاز دارند و برای اجرای آنلاین نیاز به قدرت محاسباتی بالایی دارند."

نیاز به تلاش کمتر انسانی و تنظیم دستی ، تکنیک های یادگیری ماشین می تواند منجر به توسعه کنترل کننده های موثرتر و خاص تر از رویکردهای مهندسی سنتی شود. یک مزیت دیگر استفاده از RL این است که محاسبه برای این ابزارها نیز می تواند بصورت آفلاین برون سپاری شود ، در نتیجه عملکرد آنلاین سریعتر برای سیستم های کنترل ابعادی بالا مانند ربات های انسان نما به وجود می آید.

یک ربات شبیه سازی شده والکیری در حالت کج شدن پا و پاشنه. اعتبار: یانگ ، کومورا و لی
"با توجه به الگوریتم های RL عمیق بسیار قدرتمند ، تعداد فزاینده ای از تحقیقات تحقیقاتی با استفاده از RL عمیق برای حل وظایف کنترل شروع کرده اند ، زیرا پیشرفت اخیر در الگوریتم های RL عمیق طراحی شده برای دامنه عمل مداوم ، امکان اعمال وظایف کنترل یادگیری تقویتی را فراهم کرده است. دکتر لی توضیح می دهد که پویایی پیچیده ای را شامل می شود. "هدف اصلی تحقیق ما کشف امکانات استفاده از یادگیری تقویتی عمیق برای دستیابی به سیاستهای کنترل همه کاره قابل مقایسه یا بهتر از رویکردهای تحلیلی در حالی که کمتر از تلاشهای انسانی استفاده می شود."

چارچوبی که توسط دکتر لی با همکاری دکتر تاکو کومورا و دکتری تهیه شده است. دانش آموز Chuanyu یانگ ، با استفاده از RL عمیق برای دستیابی به سیاست های کنترل سطح بالا. به طور مداوم با بازخورد از وضعیت روبات ، این زوایا زاویه های مفصل مورد نظر را در فرکانس پایین تری امکان پذیر می کنند.

"در كنترل سطح پایین ، متناسب و مشتقات (PD) از كنترل كننده ها با فرکانس كنترل بسیار بالاتر استفاده می شود تا حرکات مفصل پایدار را تضمین كند." دانشجوی Chuanyu گفت. "ورودی ها برای کنترل کننده PD با سطح پایین زاویه های مفصل مورد نظر تولید شده توسط شبکه عصبی با سطح بالا هستند و خروجی ها گشتاور مورد نظر برای موتورهای مشترک هستند."

محققان عملکرد الگوریتم خود را آزمایش کرده و به نتایج بسیار امیدوارکننده ای دست یافتند. آنها دریافتند كه انتقال دانش انسان از روشهای مهندسی كنترل به طراحی پاداش برای الگوریتم های RL ، استراتژی های كنترل تعادل را ایجاد می كند كه شباهت هایی با آنچه در انسان استفاده شده است. علاوه بر این ، هرچه الگوریتم های RL از طریق یک فرایند آزمایشی و خطا بهبود می یابند ، به طور خودکار با شرایط جدید تطبیق می یابند ، چارچوب آنها نیاز به تنظیم کمی دستی یا سایر مداخلات مهندسین انسانی دارد.

ویژگی های حالت دوقطبی یانگ ، کومورا و لی
دکتر لی گفت: "مطالعه ما نشان می دهد که یادگیری تقویت عمیق می تواند ابزاری قدرتمند برای تولید نتایج متعادل سازگار با یک کنترلر انسانی طراحی شده با تلاش تنظیم دستی کمتر و زمان کوتاه تر باشد." " الگوریتم یادگیری تقویتی عمیق که ما توسعه دادیم حتی قادر به یادگیری رفتارهای شبیه انسان مانند کج شدن انگشتان پا یا پاشنه پا است که اکثر روشهای مهندسی قادر به انجام آن نیستند."

دکتر لی و همکارانش اکنون در حال کار بر روی مطالعه خود هستند که RL را برای یک ربات تمام بدن Valkyrie در یک شبیه سازی 3 بعدی اعمال می کند. در این تلاش تحقیقاتی جدید ، آنها توانستند استراتژی های متعادل کننده شباهت انسان با راه رفتن و سایر کارهای تحرک را تعمیم دهند.

دکتر لی گفت: "سرانجام ، ما می خواهیم این چارچوب سلسله مراتبی از تلفیق یادگیری ماشین و کنترل ربات را در ربات های انسان نما واقعی و همچنین سایر سکوهای روباتیک اعمال کنیم."

 http://socialmediastore.net/story5674218/پمپ-وکیوم-آبی

نوع جدیدی از رویکرد شبکه سازش طرف مقابل ، ناظران فناوری را در حال خراش دادن سر خود می کند: چگونه تصاویر می توانند جعلی باشند و در عین حال بسیار واقعی به نظر برسند؟

محققان در یک ویدئو گفتند: "ما ژنراتور جدیدی پیدا کرده ایم که به طور خودکار یاد می گیرد جنبه های مختلف تصاویر را بدون نظارت انسانی جدا کند." آنها در مقاله خود اظهار داشتند: "معماری جدید منجر به جدایی خودکار و بدون نظارت از ویژگیهای سطح بالا می شود."

ساخت تصاویر جعلی واقعی به نظر می رسد یک تلاش هنری است که تقریباً جدید نیست ، اما این سه محقق تلاش را به سطح بعدی رسانده اند.

آنها تکنیک خود را در مقاله خود "معماری ژنراتور مبتنی بر سبک برای شبکه های مخالف مولد" بیان کردند. مقاله روی arXiv است و توجه بسیاری را به خود جلب کرده است.

استفن جانسون در Big Think گفت که نتایج "بسیار شگفت آور " بودند. ویل نایت در بررسی فناوری MIT گفت آنچه ما به دنبال آن هستیم "واقع گرایی خیره کننده ، تقریباً وحشتناک" است.

محققان ، Tero Karras ، Samuli Laine و Timo Aila از انویدیا هستند. رویکرد آنها بر ساختن یک شبکه مخالف تولیدی یا GAN متمرکز است ، جایی که یادگیری برای تولید تصاویر کاملاً جدید که از ظاهر عکسهای واقعی تقلید می شود ، صورت می گیرد .

نویسندگان گفتند که تمام تصاویر موجود در این فیلم توسط ژنراتور آنها تولید شده است. "آنها عکس افراد واقعی نیستند."

مقاله آنها "، گفت: نایت ، نشان داد كه چگونه می توان از این رویكرد برای بازی با آنها استفاده كرد ، و عناصری از قبیل نژاد ، جنسیت یا حتی كاری را نیز به كار برد.

سس جادویی تولید کننده سبک آنهاست. Big Think این را به عنوان یک نسخه اصلاح شده از فناوری معمولی توضیح داده است که برای تولید خودکار تصاویر استفاده می شود.

فن آوری آنها در حال آشفتگی با سر شماست و آخرین خندیدن (یا کلام ، هرچند که به آن نگاه کنید).

شما به عنوان یک انسان به "تصاویر" فکر می کنید. با این حال تولید کننده فکر می کند "مجموعه سبک".

تجسم اثر استایل ها در ژنراتور با داشتن سبک هایی که توسط یک کد پنهان (منبع) تولید می شود ، زیر مجموعه ای از سبک های دیگری (مقصد) را نادیده می گیرد. اعتبار: arXiv: 1812.04948 [cs.NE]
هر سبکی جلوه ها را در مقیاس خاص کنترل می کند. سبک های درشت ، سبک های متوسط ​​، سبک های زیبا وجود دارد. (سبک های درشت به شکل ، مو ، فرم صورت اشاره می کنند ؛ سبک های میانی به ویژگی های صورت اشاره می کنند ، چشم ها. سبک های زیبا به طرح رنگ مراجعه می کنند.)

در همین حال ، ویل نایت برخی مشاهدات را در مورد GAN ها انجام داده است: "GAN ها دو شبکه عصبی را برای آموزش کامپیوتر به کار می گیرند تا ماهیت یک مجموعه داده را به اندازه کافی خوب تولید کنند تا جعلی های قانع کننده را بیاموزند. جعلی واقعی. "

جانسون زمینه ای از مفهوم GAN را ارائه داد:

"در سال 2014 ، یک محقق به نام یان گودفول و همکارانش مقاله ای را نوشتند که یک مفهوم یادگیری ماشین جدید به نام شبکه های مخالف مولد را ارائه می داد. این ایده ، به زبان ساده تر ، شامل گودبرداری دو شبکه عصبی در برابر یکدیگر است. مثلاً ، تصاویر سگها را انجام می دهند و سپس تمام تلاش خود را می کنند تا تصویری از آنچه یک سگ به نظر می رسد ، ایجاد کند. شبکه دیگر به عنوان یک تبعیضگر عمل می کند که سعی دارد تصاویر جعلی را از تصاویر واقعی بازگو کند.

"در ابتدا ، ممکن است ژنراتور تصاویری تولید کند که شبیه سگ ها نیست ، بنابراین تشخیص دهنده آنها را به پایین شلیک می کند. ادامه می یابد تا اینکه در تئوری ، تولید کننده تصویر خوبی از یک سگ خلق می کند. "

تیم انویدیا اصول انتقال سبک را به ترکیب GAN اضافه کرد.

دیوین کولدوی در TechCrunch : "اتومبیل ، گربه ، مناظر - همه این موارد کم و بیش متناسب با همان الگوی ویژگی های کوچک ، متوسط ​​و بزرگ است که می توانند جداگانه و تکثیر شوند ."

از نظر فنی ، کارهایشان به خاطر نتایج چشمگیر در تصاویر افرادی که واقعی به نظر می رسند ستایش شده است. از دیدگاه رایج ، تندتر از صحبت های جعلی ، پیشرفت به عنوان یک خطرناک تلقی می شود. جانسون گفت: "توانایی تولید تصاویر مصنوعی واقع گرایانه ، که معمولاً وقتی تصاویر به نظر می رسد مانند افراد قابل تشخیص باشد ، عمیق خوانده می شوند ، در سالهای اخیر نگرانی را ایجاد کرده است."

صفحات سایت تماشای فناوری پر از اظهار نظر در مورد چگونگی "وحشتناک" این بود ، و برخی از نظرات به سادگی سوال بودند: "چرا ما این کار را می کنیم؟" "چه کسی هزینه آن را می پردازد؟" یک پاسخ گفت: "اگر ما مرزهای نظارتی ایجاد نکنیم ، فکر می کنم نبرد بزرگ بعدی تاریخ بشریت علیه هوش مصنوعی که ایجاد می کنیم ، جنگیده شود."

با این وجود ، همه اظهار نظرها ابراز نگرانی نمی کنند. این یک پیشرفت فناوری است و برخی از اظهارات عنوان کردند که برنامه ها می توانند در بخشهای خاص مفید باشند. طراحان ، سازندگان آژانس تبلیغاتی و حتی سازندگان بازی های ویدئویی می توانند از این فناوری قدم به جلو استفاده کنند.

"این چهره AI-تولید قول می دهم به طلیعه چیزی بودن در یک نسل جدیدی از مردم واقعی در بازی های ویدئویی و فیلم بدون نیاز به بازیگران بشر و یا اضافی، گفت:" HotHardware .

 http://ztndz.com/story7344476/پمپ-وکیوم-اصفهان