Connect with us
https://ainews.site/wp-content/uploads/2021/11/zox-leader.png

Published

on

The Ultimate Managed Hosting Platform

MIT के शोधकर्ताओं ने वास्तविक जानकारी के आधार पर कृत्रिम जानकारी बनाने के लिए एक जनरेटिव मशीन-लर्निंग मॉडल का उपयोग करके प्रदर्शित किया है, जिसका उपयोग चित्र वर्गीकरण के लिए एक अन्य मॉडल को प्रशिक्षित करने के लिए किया जा सकता है। यह चित्र जनरेटिव पुतला की परिवर्तन रणनीतियों के उदाहरण प्रदर्शित करता है। क्रेडिट स्कोर: विशेषज्ञता के मैसाचुसेट्स संस्थान

तस्वीर वर्गीकरण कर्तव्यों को पूरा करने के लिए मशीन-लर्निंग फैशन को प्रशिक्षित करने के लिए बड़ी मात्रा में जानकारी की आवश्यकता होती है, जैसे कि एक वास्तविक आपदा के बाद पीसी छवियों के लिए उपग्रह टीवी में नुकसान का पता लगाना। बहरहाल, ये जानकारी आमतौर पर वापस आने के लिए आसान नहीं होती है। डेटासेट्स उत्पन्न करने के लिए सैकड़ों हजारों {डॉलर} का मूल्य दे सकते हैं, यदि प्रयोग करने योग्य जानकारी पहले स्थान पर मौजूद है, और यहां तक ​​​​कि सबसे अच्छे डेटासेट में आमतौर पर पूर्वाग्रह शामिल होते हैं जो पुतले की दक्षता को नकारात्मक रूप से प्रभावित करते हैं।

डेटासेट द्वारा पेश किए गए मुद्दों को दरकिनार करने के लिए, MIT के शोधकर्ताओं ने कोचिंग के लिए एक तरीका विकसित किया कि, डेटासेट का उपयोग करने के बजाय, असाधारण रूप से उचित कृत्रिम जानकारी उत्पन्न करने के लिए एक विशेष प्रकार के मशीन-लर्निंग पुतले का उपयोग करता है जो डाउनस्ट्रीम कल्पनाशील और प्रेजेंटेटिव कर्तव्यों के लिए एक अन्य पुतला तैयार कर सकता है।

उनके परिणामों से पता चलता है कि केवल इन कृत्रिम सूचनाओं का उपयोग करने वाले मॉडल का अध्ययन करने वाला एक विपरीत चित्रण दृश्यमान प्रतिनिधित्व सिखाने के लिए तैयार है जो वास्तविक डेटा से प्राप्त किए गए प्रतिद्वंद्वी और यहां तक ​​​​कि बेहतर प्रदर्शन करते हैं।

यह विशेष मशीन-लर्निंग पुतला, जिसे अक्सर a . कहा जाता है , किसी डेटासेट की तुलना में खुदरा विक्रेता या साझा करने के लिए बहुत कम याद दिलाने की आवश्यकता होती है। कृत्रिम जानकारी का उपयोग करने से गोपनीयता और उपयोग के अधिकारों के आसपास कुछ मुद्दों को दूर करने की क्षमता भी होती है जो कुछ वास्तविक जानकारी को वितरित करने के तरीके को प्रतिबंधित करते हैं। जाति या लिंग जैसी निश्चित विशेषताओं को दूर करने के लिए एक जनरेटिव पुतला संपादित किया जा सकता है, जो पारंपरिक डेटासेट में मौजूद कुछ पूर्वाग्रहों को संभाल सकता है।

“हम जानते थे कि इस तकनीक को अंततः काम करना चाहिए; हम बस उच्च और उच्चतर प्राप्त करने के लिए इन जनरेटिव फैशन में भाग लेना चाहते थे। हालाँकि, हम इस बात की पुष्टि करने के बाद विशेष रूप से खुश हैं कि यह तकनीक आम तौर पर वास्तविक कारक से भी अधिक है, ”अली जहाँियन, पीसी साइंस एंड सिंथेटिक इंटेलिजेंस लेबोरेटरी (CSAIL) के एक विश्लेषण वैज्ञानिक और पेपर के प्रमुख निर्माता कहते हैं।

जहानियन ने सीएसएएल ग्रेड कॉलेज के छात्रों जेवियर पुइग और योंगलोंग तियान, और वरिष्ठ निर्माता फिलिप इसोला, इलेक्ट्रिकल इंजीनियरिंग और पीसी साइंस के डिवीजन के एक सहायक प्रोफेसर के साथ पेपर लिखा था। अध्ययन प्रतिनिधित्व पर विश्वव्यापी सम्मेलन पर विश्लेषण की पेशकश की जा सकती है।

कृत्रिम जानकारी का निर्माण

जैसे ही एक जनरेटिव पुतला वास्तविक जानकारी पर कुशल हो जाता है, यह कृत्रिम जानकारी उत्पन्न कर सकता है जो इतनी उचित है कि वे वास्तविक कारक से व्यावहारिक रूप से अप्रभेद्य हैं। प्रशिक्षण पाठ्यक्रम में जनरेटिव मॉडल को प्रदर्शित करने की आवश्यकता होती है जिसमें एक विशिष्ट वर्ग (जैसे ऑटोमोबाइल या बिल्लियों) में वस्तुओं को शामिल करने वाले हजारों चित्र होते हैं, जिसके बाद यह सीखता है कि एक कार या बिल्ली कैसी दिखती है ताकि यह संबंधित वस्तुओं को उत्पन्न कर सके।

मुख्य रूप से एक स्वैप फ्लिप करके, शोधकर्ता विशिष्ट, उचित चित्रों की एक कोमल धारा का उत्पादन करने के लिए एक पूर्व-प्रशिक्षित जनरेटिव मॉडल का उपयोग कर सकते हैं जो मुख्य रूप से मॉडल के प्रशिक्षण डेटासेट में इन पर आधारित होते हैं, जहांियन कहते हैं।

हालांकि, उत्पादक फैशन बहुत अधिक सहायक होते हैं क्योंकि वे उस अंतर्निहित जानकारी को फिर से तैयार करना सीखते हैं जिस पर वे कुशल होते हैं, वे कहते हैं। यदि मॉडल कारों की तस्वीरों पर कुशल है, तो यह “सोच सकता है” कि एक कार कई स्थितियों में कैसी दिखेगी – ऐसी स्थितियां जो उसने प्रशिक्षण के दौरान नहीं देखीं – जिसके बाद आउटपुट तस्वीरें जो कार को विशिष्ट पोज़, रंगों या आकारों में प्रस्तुत करती हैं .

विपरीत अध्ययन कहलाने वाली विधि के लिए एक ही तस्वीर के कई दृश्य होना आवश्यक है, जहां एक मशीन-लर्निंग मॉडल को कई बिना लेबल वाली तस्वीरों को दिखाया जाता है कि कौन से जोड़े संबंधित हैं या अलग हैं।

शोधकर्ताओं ने एक पूर्व-प्रशिक्षित जनरेटिव मॉडल को एक विपरीत अध्ययन मॉडल से इस तरह से जोड़ा जिससे दोनों शैलियों को एक साथ नियमित रूप से काम करने की अनुमति मिली। जहानियन बताते हैं कि विपरीत शिक्षार्थी किसी वस्तु के पूरी तरह से अलग विचारों की आपूर्ति करने के लिए जनरेटिव पुतले को सूचित कर सकता है, जिसके बाद उस वस्तु को कई कोणों से स्थापित करना सिखाया जा सकता है।

“यह दो बिल्डिंग ब्लॉक्स को जोड़ने जैसा था। क्योंकि जनरेटिव मॉडल हमें एक ही चीज के बारे में अलग-अलग विचार दे सकता है, यह विपरीत तकनीक को बेहतर प्रतिनिधित्व सिखाने में मदद कर सकता है, ”वे कहते हैं।

वास्तविक कारक से भी अधिक

शोधकर्ताओं ने अपनी तकनीक की तुलना कई अलग-अलग चित्र वर्गीकरण शैलियों से की है जो वास्तविक जानकारी का उपयोग करने में कुशल रहे हैं और पाया है कि उनकी तकनीक अन्य शैलियों की तुलना में अच्छी तरह से और कभी-कभी बेहतर होती है।

एक जनरेटिव पुतला का उपयोग करने का एक लाभ यह है कि यह, सिद्धांत रूप में, अनंत प्रकार के नमूने बना सकता है। इसलिए, शोधकर्ताओं ने यह भी अध्ययन किया कि नमूनों की संख्या ने मॉडल की प्रभावशीलता को कैसे प्रभावित किया। उन्होंने पाया कि, कुछ मामलों में, बड़ी संख्या में विशिष्ट नमूनों का उत्पादन करने से और वृद्धि हुई।

“इन जनरेटिव फैशन के बारे में अच्छा कारक यह है कि किसी अन्य व्यक्ति ने उन्हें आपके लिए कुशल बनाया है। आप उन्हें ऑनलाइन रिपॉजिटरी में पाएंगे, ताकि हर कोई उनका इस्तेमाल कर सके। और साथ ही आपको अच्छे प्रतिनिधित्व पाने के लिए पुतले के भीतर हस्तक्षेप करने की आवश्यकता नहीं है, ”जहानियन कहते हैं।

हालांकि वह सावधान करते हैं कि जनरेटिव फैशन के उपयोग की कुछ सीमाएं हैं। कुछ परिस्थितियों में, ये फैशन आपूर्ति जानकारी प्रकट कर सकते हैं, जो गोपनीयता के खतरे पैदा कर सकते हैं, वे आमतौर पर उन डेटासेट के भीतर पूर्वाग्रहों को बढ़ा सकते हैं जिन पर वे कुशल हैं यदि वे सही ढंग से ऑडिट नहीं किए जाते हैं।

वह और उसके सहयोगी भविष्य के काम में इन सीमाओं को संभालने की योजना बना रहे हैं। एक अन्य स्थान जिसे वे खोजना चाहते हैं वह है इस प्रणाली का उपयोग कोने की परिस्थितियों को उत्पन्न करने के लिए जो मशीन अध्ययन फैशन को बढ़ाएगी। नुक्कड़ परिस्थितियों को आमतौर पर वास्तविक जानकारी से महसूस नहीं किया जा सकता है। उदाहरण के लिए, यदि शोधकर्ता सेल्फ-ड्राइविंग कार के लिए एक कंप्यूटर कल्पनाशील और पूर्वज्ञानी मॉडल का प्रशिक्षण दे रहे हैं, तो वास्तविक जानकारी में एक कुत्ते और उसके मालिक के हाइवे पर काम करने के उदाहरण शामिल नहीं होंगे, इसलिए कभी नहीं सिखाया जाएगा कि इस स्थिति में क्या करना है। उस नुक्कड़ मामले की जानकारी को कृत्रिम रूप से तैयार करना कुछ उच्च-दांव स्थितियों में फैशन का अध्ययन करने वाली मशीन की दक्षता को बढ़ा सकता है।

उनका कहना है कि शोधकर्ताओं को अतिरिक्त रूप से अधिक परिष्कृत चित्रों की रचना करने की अनुमति देने के लिए पीढ़ीगत शैलियों को बढ़ाना जारी रखना होगा, वे कहते हैं।


मशीन लर्निंग मॉडल यथार्थवादी भूकंपीय तरंगें उत्पन्न करता है


अतिरिक्त जानकारी:

कागज: बहुदृश्य चित्रण अध्ययन के लिए ज्ञान की आपूर्ति के रूप में जनरेटिव फैशन। openreview.net/pdf?id=qhAeZjs7dCL

उद्धरण:
एआई के मामले में, क्या हम डेटासेट को छोड़ सकते हैं? (2022, 15 मार्च)
15 मार्च 2022 . को पुनः प्राप्त
https://techxplore.com/information/2022-03-ai-ditch-datasets.html . से

यह दस्तावेज़ कॉपीराइट का विषय है। व्यक्तिगत शोध या विश्लेषण के उद्देश्य से किसी भी सत्य व्यवहार के अलावा, नहीं
आधा भी लिखित अनुमति के बिना पुन: प्रस्तुत किया जा सकता है। सामग्री सामग्री केवल सूचना कार्यों के लिए आपूर्ति की जाती है।



The Ultimate Managed Hosting Platform

Source link

Continue Reading

ताज़ा खबर

मशीन लर्निंग रोग निदान के लिए सेल काउंटिंग के कार्यभार को मौलिक रूप से कम करता है – आर्टिफिशियल इंटेलिजेंस में नवीनतम | एआई रोबोटिक्स

Published

on

Machine learning radically reduces workload of cell counting for disease diagnosis

The Ultimate Managed Hosting Platform

यू ऑफ टी इंस्टीट्यूट फॉर एयरोस्पेस रिसर्च में ह्यूग्स थॉमस और उनके सहयोगियों ने रोबोटिक नेविगेशन के लिए एक बिल्कुल नई तकनीक बनाई जो ज्यादातर स्व-पर्यवेक्षित गहन अध्ययन पर आधारित थी। क्रेडिट स्कोर: सफा जिंजे

टोरंटो कॉलेज के प्रोफेसर टिम बारफुट के नेतृत्व में शोधकर्ताओं का एक दल एक नई तकनीक का उपयोग कर रहा है जो रोबोट को अपने पथ के गतिशील बाधाओं के दीर्घकालिक क्षेत्रों की भविष्यवाणी करके व्यक्तियों से टकराने से बचने की अनुमति देता है।

संभवत: मई के अंत में फिलाडेल्फिया में रोबोटिक्स और ऑटोमेशन पर वर्ल्डवाइड कन्वेंशन में चुनौती पेश की जाएगी।

सिमुलेशन के परिणाम, जो कि सहकर्मी-समीक्षा नहीं हैं, arXiv प्रीप्रिंट सेवा पर पाए जा सकते हैं।

“हमारे काम का सिद्धांत है a भविष्यवाणी करते हैं कि व्यक्ति तेजी से भविष्य में क्या करने जा रहे हैं, ”ह्यूजेस थॉमस कहते हैं, कॉलेज ऑफ यूटिलाइज्ड साइंस एंड इंजीनियरिंग में एयरोस्पेस रिसर्च के लिए यू के टी इंस्टीट्यूट में बारफुट की प्रयोगशाला में डॉक्टरेट के बाद के शोधकर्ता। “यह रोबोट को उन लोगों की गति का अनुमान लगाने की अनुमति देता है जो इन बाधाओं का सामना करते ही प्रतिक्रिया की तुलना में मामूली रूप से सामना करते हैं।”

पैंतरेबाज़ी करने के लिए जगह को हल करने के लिए, रोबोट स्पैटिओटेम्पोरल ऑक्यूपेंसी ग्रिड मैप्स (SOGM) का उपयोग करता है। ये रोबोट के प्रोसेसर के भीतर बनाए गए 3 डी ग्रिड मैप हैं, जिसमें प्रत्येक 2 डी ग्रिड सेल में एक विशेष समय में उस घर में व्यायाम के बारे में अनुमानित विवरण होता है। रोबोट वर्तमान प्रक्षेपवक्र-नियोजन एल्गोरिदम के माध्यम से इन मानचित्रों को संसाधित करके अपने भविष्य के कार्यों को चुनता है।

चालक दल द्वारा उपयोग किया जाने वाला एक अन्य प्रमुख सॉफ्टवेयर सौम्य पहचान और रेंज (लिडार) है, एक दूर संवेदी तकनीक है जो रडार की तरह है इसके अलावा यह ध्वनि के विकल्प के रूप में कोमल का उपयोग करता है। लिडार का हर पिंग रोबोट की याद में कुछ हद तक सहेज कर रखता है। पहले चालक दल के काम ने इन कारकों को उनके गतिशील गुणों के आधार पर लेबल करने का लक्ष्य रखा है। यह रोबोट को अपने वातावरण के अंदर विभिन्न प्रकार की वस्तुओं को स्वीकार करने में मदद करता है।

चालक दल का SOGM समुदाय वर्तमान में 4 लिडार स्तर की कक्षाओं को स्वीकार करने में सक्षम है: नीचे; विभाजन के अनुरूप चिरस्थायी जुड़नार; ऐसे मुद्दे जो चलने योग्य होते हैं, लेकिन अचल होते हैं, कुर्सियों और मेजों के अनुरूप होते हैं; और व्यक्तियों के अनुरूप गतिशील बाधाएं। जानकारी के किसी मानव लेबलिंग की आवश्यकता नहीं है।

“इस काम के साथ, हम रोबोट को एक अतिरिक्त सामाजिक रूप से जागरूक तरीके से भीड़-भाड़ वाले इनडोर क्षेत्रों के माध्यम से नेविगेट करने की अनुमति देने की उम्मीद करते हैं,” बारफुट कहते हैं। “व्यक्तियों और अन्य वस्तुओं के स्थान की भविष्यवाणी करके, हम उन रास्तों की योजना बनाने में सक्षम हैं जो अनुमान लगाते हैं कि गतिशील भाग क्या करेंगे।”

कागज के भीतर, चालक दल सिमुलेशन में किए गए एल्गोरिदम से लाभदायक परिणामों का अध्ययन करता है। अगली समस्या वास्तविक दुनिया की सेटिंग में संबंधित दक्षता को इंगित करने की है, जहां मानव कार्यों की भविष्यवाणी करना मुश्किल होगा। इस प्रयास के तहत, टीम ने इंजीनियरिंग इनोवेशन एंड एंटरप्रेन्योरशिप के लिए यू के टी के मायहाल सेंटर के पहले मैदान पर उनके डिजाइन की जांच की, जहां रोबोट पिछले व्यस्त छात्रों को स्थानांतरित करने में सक्षम था।







क्रेडिट स्कोर: टोरंटो कॉलेज

थॉमस कहते हैं, “एक बार जब हम अनुकरण में प्रयोग करते हैं, तो हमारे पास दलाल होते हैं जो एक निश्चित आचरण के लिए एन्कोडेड होते हैं और वे वहां पहुंचने के लिए सबसे अच्छे प्रक्षेपवक्र का पालन करके एक निश्चित स्तर तक जाने वाले होते हैं।” “हालांकि ऐसा नहीं है जो व्यक्ति वास्तविक जीवन में करते हैं।”

जब लोग क्षेत्रों के माध्यम से स्थानांतरित होते हैं, तो वे किसी अन्य व्यक्ति से बात करने के लिए जल्दी या अचानक बंद कर सकते हैं या बिल्कुल अलग रास्ते में बदल सकते हैं। इस तरह के आचरण से निपटने के लिए, समुदाय एक मशीन अध्ययन दृष्टिकोण का उपयोग करता है जिसे स्व-पर्यवेक्षित अध्ययन कहा जाता है।

स्व-पर्यवेक्षित अध्ययन विभिन्न के साथ विरोधाभास करता है , मजबूत अध्ययन के अनुरूप, जहां एल्गोरिदम एक परीक्षण-और-त्रुटि पद्धति में इनाम की धारणा को अधिकतम करके एक गतिविधि को अंजाम देना सीखता है। जबकि यह रणनीति कुछ कर्तव्यों के लिए प्रभावी ढंग से काम करती है – उदाहरण के लिए, एक पीसी जो शतरंज या गो के समान खेल खेलना सीख रहा है – यह इस तरह के नेविगेशन के लिए सबसे अच्छा नहीं है।

“साथ में , आप एक ब्लैक फील्ड बनाते हैं जो इसे एंटर के बीच के संबंध को अस्पष्ट बनाता है – रोबोट क्या देखता है – और आउटपुट, या रोबोट करता है,” थॉमस कहते हैं। “इसके अलावा रोबोट को सही कॉल सीखने से पहले कई बार विफल होने की आवश्यकता हो सकती है, और हमें यह नहीं चाहिए कि हमारा रोबोट व्यक्तियों में दुर्घटनाग्रस्त होकर अध्ययन करे।”

इसके खिलाफ, स्व-पर्यवेक्षित अध्ययन आसान और समझने योग्य है, जिसका अर्थ है कि यह देखना आसान है कि रोबोट कैसे अपनी पसंद बना रहा है। यह रणनीति वस्तु-केंद्रित की तुलना में मामूली रूप से बिंदु-केंद्रित भी हो सकती है, जो यह बताती है कि समुदाय के पास बिना पके सेंसर ज्ञान की बेहतर व्याख्या है, जो मल्टीमॉडल भविष्यवाणियों के लिए अनुमति देता है।

“कई पारंपरिक रणनीतियाँ व्यक्तियों को विशेष व्यक्ति वस्तुओं के रूप में पहचानती हैं और उनके लिए प्रक्षेपवक्र बनाती हैं। हालांकि चूंकि हमारा मॉडल बिंदु-केंद्रित है, इसलिए हमारा एल्गोरिदम व्यक्तियों को विशेष व्यक्ति वस्तुओं के रूप में निर्धारित नहीं करता है, लेकिन उन क्षेत्रों को स्वीकार करता है जहां व्यक्तियों को होना चाहिए। और अगर आपके पास व्यक्तियों का एक बड़ा समूह है, तो क्षेत्र बड़ा हो जाएगा, ”थॉमस कहते हैं।

“यह विश्लेषण एक आशाजनक मार्ग प्रदान करता है जिसका स्वायत्त ड्राइविंग और रोबोट आपूर्ति से संबंधित क्षेत्रों में रचनात्मक प्रभाव होगा, जहां एक सेटिंग पूरी तरह से अनुमानित नहीं है।”

जल्दी या बाद में, चालक दल यह देखना चाहता है कि क्या वे एक दृश्य में गतिशील भागों से अतिरिक्त नाजुक संकेतों का अध्ययन करने के लिए अपने समुदाय का विस्तार करेंगे।

“यह बहुत अधिक कोचिंग ज्ञान ले सकता है,” बारफुट कहते हैं। “लेकिन यह निश्चित रूप से संभव होना चाहिए क्योंकि हमने खुद को अतिरिक्त कम्प्यूटरीकृत तरीके से जानकारी उत्पन्न करने के रूप में स्थापित किया है: जहां रोबोट नेविगेट करते समय अतिरिक्त ज्ञान एकत्र कर सकता है, संचालन में नहीं होने पर उच्च भविष्य कहनेवाला फैशन का अभ्यास करें और फिर इनका उपयोग करें अगली बार जब यह किसी क्षेत्र को नेविगेट करता है। ”


मनुष्यों को वस्तुओं को सौंपने के लिए रोबोट की क्षमता में सुधार करने के लिए एक मॉडल


अधिक जानकारी:

ह्यूग्स थॉमस, मैथ्यू गैलेट डी सेंट ऑरिन, जियान झांग, टिमोथी डी। बारफुट, डायनेमिक दृश्यों में आजीवन नेविगेशन के लिए स्पैटिओटेम्पोरल ऑक्यूपेंसी ग्रिड मैप्स का अध्ययन। arXiv:2108.10585v2 [cs.RO], doi.org/10.48550/arXiv.2108.10585

द्वारा आपूर्ति
टोरंटो विश्वविद्यालय


उद्धरण:
शोधकर्ताओं ने ‘सामाजिक रूप से जागरूक’ रोबोट डिजाइन किए हैं जो स्थानांतरण पर व्यक्तियों से अनुमान लगा सकते हैं और सुरक्षित रूप से दूर रह सकते हैं (2022, 18 मई)
19 मई 2022 को लिया गया
https://techxplore.com/information/2022-05-socially-aware-robots-safely-people.html से

यह दस्तावेज़ कॉपीराइट का विषय है। व्यक्तिगत जांच या विश्लेषण के उद्देश्य से किसी भी ईमानदार सौदे के अलावा, नहीं
आधा भी लिखित अनुमति के बिना पुन: प्रस्तुत किया जा सकता है। सामग्री सामग्री केवल सूचना कार्यों के लिए आपूर्ति की जाती है।



The Ultimate Managed Hosting Platform

Source link

Continue Reading

ताज़ा खबर

डीपफेक डिटेक्शन एल्गोरिदम को प्रशिक्षित करने का एक नया तरीका उनकी सफलता में सुधार करता है – आर्टिफिशियल इंटेलिजेंस में नवीनतम | एआई रोबोटिक्स

Published

on

A new way to train deepfake detection algorithms improves their success

The Ultimate Managed Hosting Platform

एक बार जब वे डिजिटल दुनिया में जाते हैं तो लोग ब्रेडक्रंब का रास्ता छोड़ देते हैं, जो उनके जीवन के साथ-साथ उनकी भलाई के बारे में सुराग प्रदान करते हैं। पूर्वोत्तर के मौरिसियो सैंटिलाना इन सुरागों को बीमारी के प्रकोप के लिए एक प्रारंभिक चेतावनी प्रणाली में दिखाने के लिए एल्गोरिदम का अध्ययन करने वाले मशीन का उपयोग कर रहे हैं। क्रेडिट स्कोर: मैथ्यू मोडूनो / नॉर्थईस्टर्न कॉलेज

ऐसा लगता है कि पिछले दो वर्षों के महामारी जीवन के बारे में मजाक करने वाले किसी के लिए एक और पंचलाइन है। हालांकि भविष्य में बीमारी के प्रकोप की भविष्यवाणी करने वाले वैज्ञानिकों के लिए, यह आवश्यक ज्ञान है।

सुगंधित मोमबत्तियों को की आमद मिलने लगी 2020 में ऑनलाइन। असंतुष्ट ग्राहकों ने घोषणा की कि यांकी कैंडल जैसी प्रसिद्ध फर्मों के कुछ सबसे सुगंधित, सबसे गर्म उत्पादों में “कोई गंध नहीं” थी और यहां तक ​​​​कि खतरनाक गंध भी थी।

यह सिर्फ कुछ खतरनाक मूल्यांकन नहीं थे। अमेज़ॅन पर खरीदी जाने वाली पसंदीदा सुगंधित मोमबत्तियों को 2020 से पहले 4 से 4½ सितारों का औसत प्राप्त हो रहा था, लेकिन महामारी के पहले वर्ष के दौरान, मूल्यांकन कुछ पूर्ण स्टार द्वारा गिर गया। सोशल मीडिया उपयोगकर्ताओं ने इन हानिकारक मूल्यांकनों और COVID-19 संक्रमणों से संबंधित गंध की भावना की कमी के बीच कुछ लिंक का उपयोग किया।

जब 2021 के अंत में ओमिक्रॉन संस्करण के कारण COVID-19 के मामले फिर से बढ़े, तो शोधकर्ताओं ने इन हानिकारक “नो गंध” मूल्यांकनों में एक और वृद्धि की।

ये हानिकारक ऑनलाइन मूल्यांकन हैं जिन्हें मौरिसियो सैंटिलाना “ब्रेडक्रंब” कहते हैं। जैसे-जैसे व्यक्ति नेविगेट करते हैं , वे अपने ऑफ़लाइन जीवन में क्या हो रहा है, इसका पता लगाते हैं, पूर्वोत्तर में सामुदायिक विज्ञान संस्थान के भीतर भलाई और सेटिंग (MIGHTE) की बेहतरी के लिए मशीन इंटेलिजेंस ग्रुप के निदेशक बताते हैं। ये “ब्रेडक्रंब” संतिलाना जैसे शोधकर्ताओं के लिए अनुपालन करने के लिए एक रास्ता दूर जाते हैं क्योंकि वे भविष्य में COVID-19 और अन्य बीमारियों के संभावित प्रकोप का जोखिम उठाते हैं।

यदि ऑनलाइन विकास में विसंगतियाँ हैं – Google में एक स्पाइक मुर्गी नूडल सूप भेजने वाले आउटलेट की खोज करता है, परिवार के एक संगरोध सदस्य को नेविगेट करने के बारे में ट्वीट्स की अचानक हड़बड़ी, या सुगंधित मोमबत्तियों पर खतरनाक मूल्यांकन – यह इंगित कर सकता है कि परेशान है पक रहा है। तो Santillana बना रहा है विसंगतियों की पहचान करने, उन सुरागों को समझने और बीमारी के प्रकोप के लिए एक प्रारंभिक चेतावनी प्रणाली बनाने के लिए।

शामिल करके संयोजन के लिए, “हम विभिन्न दूरबीनों का उपयोग करके बीमारी की एक वेधशाला बना रहे हैं,” सेंटिलाना कहते हैं, भौतिकी और {इलेक्ट्रिकल के} और लैपटॉप इंजीनियरिंग, जो हाल ही में हार्वर्ड कॉलेज से नॉर्थईस्टर्न में शामिल हुए थे।

सेंटिलाना सामुदायिक विज्ञान संस्थान के निदेशक एलेसेंड्रो वेस्पिग्नानी और पूर्वोत्तर में स्टर्नबर्ग घरेलू विशिष्ट प्रोफेसर के साथ मिलकर काम कर रहे हैं, जो संक्रामक-रोग मॉडलर्स के एक कार्यबल का नेतृत्व करते हैं, जो कि COVID-19 महामारी के प्राप्य भविष्य से संबंधित अनुमानों का एक सेट बढ़ा रहे थे। कारण है कि आपदा शुरू हुई।

Vespignani के फैशन मामलों की संख्या, अस्पताल में भर्ती, मृत्यु, मानव गतिशीलता पैटर्न, आमतौर पर लोग एक साथ कैसे काम करते हैं, वायरस कैसे प्रसारित होता है और बीमारी पर लक्षित अतिरिक्त ज्ञान जैसे विवरणों को जोड़ता है। संतिलाना का कहना है कि उनका विश्लेषण मानव व्यवहार के डिजिटल निशान पर एक नज़र डालकर एक अद्वितीय प्रकार का थर्मामीटर प्रदान करता है जो महामारी विज्ञान के ज्ञान से एक कदम दूर हो सकता है।

“एक तरह से, हम COVID-19 जैसे प्रकोपों ​​​​की एक और पूरी छवि पेश करने के लिए इन दो विचारों को सामूहिक रूप से व्यक्त करने का प्रयास कर रहे हैं,” सेंटिलाना कहते हैं।

Santillana और Vespignani पहले से ही सहयोग कर रहे हैं, इस डिजिटल व्यवहार ज्ञान को उनके मॉडलिंग कार्य के महामारी विज्ञान ज्ञान के साथ जोड़ रहे हैं। में छपे एक पेपर में विज्ञान अग्रिम पिछले 12 महीनों में, उन्होंने पुष्टि की कि इस तरह की सामंजस्यपूर्ण प्रारंभिक चेतावनी प्रणाली COVID-19 मामलों में वृद्धि और दो से कुछ हफ्तों तक मौतों का अनुमान लगा सकती है। सेंटिलाना सामुदायिक विज्ञान संस्थान का सदस्य बनने के साथ, यह जोड़ी बीमारी के प्रकोप के लिए इस पूर्व-चेतावनी प्रणाली को और विकसित करने के लिए सामूहिक रूप से काम करेगी- और केवल COVID-19 के लिए नहीं।

सेंटिलाना जो जानकारी एकत्र करती है, उसमें विशाल, विविध प्रकार की जानकारी शामिल होती है—न कि केवल Google खोज विकास, सोशल मीडिया पोस्ट, और ऑनलाइन खरीदारी मूल्यांकन या आदेश। उन्होंने अज्ञात अच्छे थर्मामीटर डेटा का उपयोग यह निर्धारित करने के लिए भी किया है कि किसी क्षेत्र में किसी प्रकार की बीमारी कब टिक सकती है, स्मार्टफ़ोन से अज्ञात गतिशीलता डेटा जो दिखाता है कि अधिक लोग कब बीमार रह सकते हैं, साथ ही कुछ प्रकार के लिए चिकित्सक खोजों में विकास उपचार या संकेत।

यहां तक ​​कि गूगल सर्च और सोशल मीडिया पोस्ट में भी कई तरह की जानकारियां होती हैं। लोग शायद अपने लक्षणों या संगरोध सुझावों के बारे में अधिक जानकारी प्राप्त करने की कोशिश कर रहे हों, या वे केवल कफ सिरप या सूप खरीदने के लिए जगह निर्धारित करने का प्रयास कर रहे हों।

किसी क्षेत्र में इन सभी व्यवहारों में से केवल एक में वृद्धि यह संकेत दे सकती है कि COVID-19 या कोई अन्य संक्रामक बीमारी एक समूह में फैल रही है, या यह केवल एक नई Sci-Fi फिल्म थी जो सामने आई और आम तौर पर महामारियों के बारे में लोगों की जिज्ञासा को और अधिक बढ़ाया। यही कारण है कि संतिलाना का कहना है कि उनके फैशन के लिए कई विभिन्न ज्ञान स्रोतों को ध्यान में रखना आवश्यक है। फैशन का अध्ययन करने वाली मशीन को अतिरिक्त रूप से यह निर्धारित करने के लिए डिज़ाइन किया गया है कि कुछ Google खोजों में वृद्धि, उदाहरण के लिए, वास्तव में संक्रमणों और अस्पताल में भर्ती होने के साथ यह तय करने में सक्षम है कि यह बीमारी के प्रकोप के अग्रदूत के रूप में विचार करने योग्य है या नहीं।

इस नए प्रकार का “टेलीस्कोप”, जैसा कि सेंटिलाना ने कहा, संभवत: अमेरिका की नई बीमारी पूर्वानुमान पहल, मिडिल फॉर फोरकास्टिंग एंड आउटब्रेक एनालिटिक्स (सीएफए) का एक तत्व होगा। Santillana उस प्रयास की सलाह देने वाले सलाहकारों के एक कार्यबल का एक हिस्सा है।

“उसी दृष्टिकोण में कि जलवायु पूर्वानुमान कार्यक्रम दुनिया भर में काम करते हैं, ” वह बताते हैं, “विचार वास्तविक समय और डिजाइन कार्यक्रमों में उत्पादित होने वाली जानकारी पर एक नज़र डालने के वैकल्पिक तरीकों का योगदान करना है जो एक चीज के विसंगति होने पर स्वीकार कर सकते हैं। ”

जलवायु पूर्वानुमान कंपनियों की तरह, सीएफए मूल रूप से एक होगा बीमारी का प्रकोप कब और कहां हो सकता है, इसका पता लगाना ताकि जन-स्वास्थ्य अधिकारी उन्हें विनाशकारी बनने से रोकने के लिए कार्रवाई कर सकें।


मोबाइल ‘स्थान’ डेटा COVID-19 सामाजिक दूर करने के उपायों को निर्देशित करने में मदद कर सकता है


अधिक जानकारी:

निकोल ई। कोगन एट अल, वास्तविक समय के करीब कई डिजिटल निशानों के साथ COVID-19 अभ्यास देखने के लिए एक प्रारंभिक चेतावनी विधि, विज्ञान अग्रिम (2021)। डीओआई: 10.1126/sciadv.abd6989

उद्धरण:
आपकी Google खोजें और ट्वीट निम्नलिखित बीमारी के प्रकोप का पूर्वानुमान लगाने में सहायता कर सकते हैं (2022, 18 मई)
19 मई 2022 को लिया गया
https://techxplore.com/information/2022-05-google-tweets-disease-outbreak.html से

यह दस्तावेज़ कॉपीराइट का विषय है। व्यक्तिगत जांच या विश्लेषण के उद्देश्य से किसी भी ईमानदार सौदे के अलावा, नहीं
आधा भी लिखित अनुमति के बिना पुन: प्रस्तुत किया जा सकता है। सामग्री सामग्री केवल सूचना कार्यों के लिए पेश की जाती है।



The Ultimate Managed Hosting Platform

Source link

Continue Reading

ताज़ा खबर

सीनेटरों ने IRS प्रदाता ID.me सेल्फी तकनीक की FTC जांच की मांग की

Published

on

huge military data leak has only public information

The Ultimate Managed Hosting Platform

डेमोक्रेटिक सीनेटरों के एक समूह ने संघीय वाणिज्य शुल्क का विश्लेषण करने का अनुरोध किया है कि क्या पहचान सत्यापन फर्म ID.me ने विवादास्पद चेहरे की पहचान सॉफ्टवेयर प्रोग्राम के उपयोग पर ग्राहकों और सरकारी कंपनियों को अवैध रूप से गुमराह किया है या नहीं।

ID.me, जो लोगों की पहचान की ऑनलाइन पुष्टि करने के लिए सेल्फी, डॉक्टर स्कैन और अन्य रणनीतियों के संयोजन का उपयोग करता है, कोरोनोवायरस महामारी के दौरान तेजी से बढ़ा है, इसका मुख्य कारण राज्य के बेरोजगारी विभागों और संघीय कंपनियों के साथ अनुबंधों के साथ-साथ आंतरिक आय भी है। सेवा।

जो कहता है कि उसके 80 मिलियन से अधिक ग्राहक हैं, उस स्थिति पर भी बढ़ते सवालों का सामना करना पड़ा है और साथ ही एक निजी ठेकेदार को वास्तविक द्वारपाल के रूप में व्यवहार करने की अनुमति दी जानी चाहिए या नहीं। . यह पहले से ही गृह निरीक्षण और सुधार समिति द्वारा जांच का विषय है।

मुद्दों की कुंजी ID.me के के उपयोग पर प्रश्न हैं . लंबे समय तक यह दावा करने के बाद कि यह केवल “वन-टू-वन” तकनीक का उपयोग करता है, इसके विपरीत ग्राहकों द्वारा ड्राइवर के लाइसेंस या सरकार द्वारा जारी अन्य आईडी के स्कैन के लिए ली गई सेल्फी के विपरीत, कंपनी ने इस साल की शुरुआत में कहा कि उसने वास्तव में चेहरे के स्कैन का एक डेटाबेस बनाए रखा है और अतिरिक्त विवादास्पद “वन-टू-मैनी” विशेषज्ञता का इस्तेमाल किया।

एफटीसी अध्यक्ष लीना खान को भेजे गए एक पत्र में जांच का अनुरोध करते हुए, सीनेटर रॉन वेडेन, कोरी बुकर, एड मार्के और एलेक्स पडिला ने बुधवार को नियामक से यह देखने का अनुरोध किया कि क्या कंपनी के बयान गैरकानूनी “भ्रामक और अनुचित उद्यम” के उपयोग की ओर इशारा करते हैं या नहीं। अभ्यास। ”

अपने चेहरे की पहचान सॉफ्टवेयर प्रोग्राम के बारे में ID.me के प्रारंभिक बयानों को प्रत्येक ग्राहक को गुमराह करने के लिए नियोजित किया गया प्रतीत होता है और सीनेटरों ने पत्र में लिखा है।

“व्यक्तियों के पास चेहरे की पहचान की इन दो किस्मों के बीच अंतर के संबंध में शामिल होने का स्पष्ट कारण है,” सीनेटरों ने कहा। “जबकि एक-से-एक मान्यता में एक आवेदक की पहचान की पुष्टि करने के लिए दो चित्रों की एक बार की तुलना शामिल है, एक-से-कई मान्यता का उपयोग करना यह दर्शाता है कि लाखों हानिरहित व्यक्तियों की छवियों को एक भाग के रूप में अंतहीन रूप से पूछताछ की जा सकती है। एक डिजिटल “लाइन अप।”

सीनेटरों ने कहा कि एक-से-कई विशेषज्ञता के उपयोग ने झूठे मैचों के बारे में भी चिंता जताई, जिसके कारण उम्मीदवारों को लाभ से वंचित कर दिया गया या उन्हें प्राप्त करने के लिए महीनों भाग लेना पड़ा। रंग के व्यक्तियों के लिए मौका “विशेष रूप से तीव्र” था, कई चेहरे की पहचान एल्गोरिदम प्रदर्शित करने वाली परीक्षाओं ने काले और एशियाई ग्राहकों के लिए झूठे मैचों के शुल्क में वृद्धि की है।

ID.me के उपयोग पर प्रश्न कॉर्पोरेट पर ब्लूमबर्ग बिजनेसवीक लेख के प्रकाशन के बाद जनवरी में सामने आया। यह आईआरएस के साथ 86 मिलियन डॉलर के अनुबंध पर बढ़ते मुद्दों के साथ मेल खाता है, जिसके लिए अमेरिकी करदाताओं को ऑनलाइन प्रदाताओं का उपयोग करने के लिए ID.me में नामांकन करने की आवश्यकता हो सकती है। आईआरएस ने तब से पेश किया है कि यह ID.me के विकल्प हैं।

ब्लूमबर्ग बिजनेसवीक के साथ साक्षात्कार में और बेक कॉरिडोर द्वारा प्रस्तुत एक जनवरी वेबलॉग के अलावा, इसके , ID.me ने आंशिक रूप से यह कहकर अपने चेहरे की पहचान कार्यक्रमों की समानता का बचाव किया था कि कंपनी केवल एक-से-एक मिलान प्रणाली का उपयोग करती है जो व्यक्ति द्वारा ली गई एक सेल्फी की उनकी तस्वीर आईडी से तुलना करती है। “हमारा 1:1 फेस मैच स्मार्टफोन को अनलॉक करने के लिए सेल्फी लेने के समान है। ID.me 1: कई चेहरे की पहचान का उपयोग नहीं करता है, जो अधिक उन्नत और समस्याग्रस्त है,” कॉरिडोर ने पोस्ट में लिखा है।

एक हफ्ते बाद, कॉरिडोर ने लिंक्डइन पर एक पोस्ट में फ़ाइल को सही करते हुए कहा कि कंपनी ने एक से कई चेहरे की पहचान प्रणाली का उपयोग किया है, जिसमें एक तस्वीर तस्वीरों के अक्सर बड़े पैमाने पर डेटाबेस के विपरीत होती है।

कॉरिडोर ने उस पोस्ट में कहा था कि कंपनी का एक-से-कई एल्गोरिदम का उपयोग राष्ट्रपति पद के आवेदनों की जांच तक सीमित था, जो कहता है कि यह संगठित अपराध द्वारा केंद्रित है और इसमें कोई बाहरी या सरकारी डेटाबेस नहीं है।

“यह कदम सिर्फ पहचान सत्यापन से जुड़ा नहीं है,” कॉरिडोर ने लिखा। “यह प्रामाणिक ग्राहकों को उनकी पहचान सत्यापित करने से नहीं रोकता है, न ही इसका उपयोग पहचान की चोरी को रोकने के अलावा हर दूसरे लक्ष्य के लिए किया जाता है। ज्ञान से पता चलता है कि इस प्रबंधन को समाप्त करने से तुरंत महत्वपूर्ण पहचान की चोरी और व्यवस्थित अपराध हो जाएगा। ”

जहां शोधकर्ताओं और कार्यकर्ताओं ने दोनों कार्यक्रमों में गोपनीयता, सटीकता और पूर्वाग्रह के मुद्दों को उठाया है, वहीं कई शोधों से पता चलता है कि एक-से-कई कार्यक्रम गहरे रंग और त्वचा वाले लोगों, विशेषकर महिलाओं की तस्वीरों पर खराब प्रदर्शन करते हैं। Amazon.com Inc. और Microsoft Corp. से संबंधित निगमों ने परिणामस्वरूप पुलिस विभागों को इन प्रकार के सॉफ़्टवेयर प्रोग्राम का प्रचार करना बंद कर दिया है और अनुशासन में राष्ट्रपति पद के नियमन के लिए अनुरोध किया है।

साइबरस्कूप द्वारा प्राप्त आंतरिक स्लैक संदेशों के आधार पर, आईआरएस को प्रदर्शित आईडी.मी के सॉफ्टवेयर प्रोग्राम ने अमेज़ॅन के मान्यता उत्पाद का उपयोग किया, ठीक उसी तरह जिसे अमेज़ॅन ने विनियमन प्रवर्तन को बढ़ावा देना बंद कर दिया है।

कंपनी ने उस महीने की शुरुआत में जारी अपने अनुभव पर एक श्वेत पत्र में मान्यता के उपयोग का खुलासा नहीं किया था।

गोपनीयता और कृत्रिम खुफिया सुरक्षा अधिवक्ताओं ने यह भी शिकायत की है कि ID.me ने अपने चेहरे की पहचान कार्यक्रमों को बाहरी ऑडिट के लिए नहीं खोला है।


हाउस पैनल जांच चेहरे की पहचान सॉफ्टवेयर का उपयोग नहीं करते हैं


©2022 ब्लूमबर्ग एल.पी
ट्रिब्यून सामग्री सामग्री कंपनी, एलएलसी द्वारा वितरित।

उद्धरण:
सीनेटरों ने IRS आपूर्तिकर्ता ID.me सेल्फी विशेषज्ञता की FTC जांच की खोज की (2022, 18 मई)
पुनः प्राप्त 18 मई 2022
https://techxplore.com/information/2022-05-senators-ftc-probe-irs-idme.html से

यह दस्तावेज़ कॉपीराइट का विषय है। व्यक्तिगत जांच या विश्लेषण के उद्देश्य से किसी भी ईमानदार सौदे के अलावा, नहीं
आधा भी लिखित अनुमति के बिना पुन: प्रस्तुत किया जा सकता है। सामग्री सामग्री केवल सूचना कार्यों के लिए पेश की जाती है।

अंतिम प्रबंधित होस्टिंग प्लेटफ़ॉर्म

स्रोत लिंक

पोस्ट सीनेटरों ने IRS प्रदाता ID.me सेल्फी तकनीक की FTC जांच की मांग की पहली बार दिखाई दिया आर्टिफिशियल इंटेलिजेंस में नवीनतम | एआई रोबोटिक्स | मशीन लर्निंग न्यूज.

The Ultimate Managed Hosting Platform

Source link

Continue Reading

Trending