Artık hemen hemen her endüstri ve şirkette önemli bir teknoloji olan makine öğrenimi ve yapay zeka alanındaki araştırmalar, herkesin hepsini okuması için çok hacimlidir. Perceptron (önceden Deep Science) adlı bu sütun, özellikle yapay zekayla ilgili, ancak bununla sınırlı olmamak üzere, en güncel keşiflerden ve makalelerden bazılarını toplamayı ve neden önemli olduklarını açıklamayı amaçlamaktadır.
AI’da bu hafta, araştırmacılar keşfetti Düşmanların, robotların iletişimleri uçtan uca şifrelenmiş olsa bile, uzaktan kontrol edilen robotların hareketlerini izlemesine izin verebilecek bir yöntem. Glasgow’daki Strathclyde Üniversitesi’nden ortak yazarlar, çalışmalarının en iyi siber güvenlik uygulamalarını benimsemenin otonom sistemlere yönelik saldırıları durdurmak için yeterli olmadığını gösterdiğini söyledi.
Uzaktan kumanda veya teleoperasyon, operatörlerin bir veya daha fazla robotu çeşitli ortamlarda uzaktan yönlendirmesini sağlamayı vaat ediyor. Pollen Robotics, Beam ve Tortoise gibi girişimler, teleoperasyonlu robotların marketlerde, hastanelerde ve ofislerde kullanışlılığını kanıtladı. Diğer şirketler, bomba imha veya ağır radyasyonlu alanları araştırma gibi görevler için uzaktan kumandalı robotlar geliştiriyor.
Ancak yeni araştırma, teleoperasyonun, sözde “güvenli” olduğunda bile, gözetime duyarlılığı açısından riskli olduğunu gösteriyor. Strathclyde ortak yazarları, uzaktan kumandalı bir robotun hangi işlemleri gerçekleştirdiği hakkında bilgi çıkarmak için bir sinir ağı kullanan bir makalede açıklar. örnekleri topladıktan sonra TLS– robot ve kontrolör arasındaki trafiği koruyarak ve bir analiz yürüterek, sinir ağının zamanın yaklaşık %60’ında hareketleri tanımlayabildiğini ve ayrıca “depolama iş akışlarını” (örneğin paketleri toplama) “yüksek doğrulukla” yeniden yapılandırabildiğini buldular.
Resim Kredisi: Şah ve ark.
Daha az acil bir şekilde alarm vermek yeni bir ders çalışma Google ve Michigan Üniversitesi’nden, yasaların zayıf olduğu ve yapay zeka için “ülke çapında iyimserliğin” olduğu ülkelerde insanların yapay zeka destekli sistemlerle ilişkilerini araştıran araştırmacılardan. Araştırma, risk modelleme yapay zekası tarafından belirlenen kredi ile borçluları hedefleyen Hindistan merkezli, “finansal olarak stresli” anlık kredi platformlarının kullanıcılarını araştırdı. Ortak yazarlara göre, kullanıcılar anlık kredilerin “nimetleri” ve zorlu koşulları kabul etme, hassas verileri fazla paylaşma ve yüksek ücretler ödeme zorunluluğu karşısında borçluluk duygusu yaşadılar.
Araştırmacılar, bulguların, özellikle finansal hizmetlerde yapay zeka ile ilgili olduğunda, daha fazla “algoritmik hesap verebilirlik” ihtiyacını gösterdiğini savunuyorlar. “Hesap verebilirliğin platform-kullanıcı güç ilişkileri tarafından şekillendirildiğini savunuyoruz ve politika yapıcıları algoritmik hesap verebilirliği teşvik etmek için tamamen teknik bir yaklaşım benimseme konusunda dikkatli olmaya çağırıyoruz” diye yazdılar. “Bunun yerine, kullanıcıların temsilciliğini artıran, anlamlı şeffaflık sağlayan, tasarımcı-kullanıcı ilişkilerini yeniden yapılandıran ve uygulayıcılarda daha geniş hesap verebilirliğe yönelik eleştirel bir düşünceyi harekete geçiren yerleşik müdahaleler için çağrıda bulunuyoruz.”
daha az asık AraştırmaTU Dortmund Üniversitesi, Rhine-Waal Üniversitesi ve Hollanda’daki LIACS Universiteit Leiden’den bir bilim insanı ekibi, Rocket League oyununu “çözebileceğini” iddia ettikleri bir algoritma geliştirdi. Oyun oynayan yapay zeka oluşturmak için hesaplama açısından daha az yoğun bir yol bulmaya motive olan ekip, yapay zeka sistemini kalecilik ve vuruş gibi oyun içi görevleri gerçekleştirmek için eğiten “sim-to-sim” transfer tekniği olarak adlandırdıkları şeyden yararlandı. Rocket League’in sadeleştirilmiş, basitleştirilmiş versiyonu. (Roket Ligi, üç kişilik takımlarda insan oyuncular yerine arabalar dışında, temel olarak salon futboluna benzer.)
Resim Kredisi: Pleines ve ark.
Mükemmel değildi, ancak araştırmacıların Rocket League oynama sistemi, kalecilik yaparken neredeyse tüm atışları kurtarmayı başardı. Hücumdayken, sistem şutların %75’ini başarıyla attı ve bu saygın bir rekordu.
İnsan hareketleri için simülatörler de hızla ilerliyor. Meta’nın insan uzuvlarını izleme ve simüle etme çalışması, AR ve VR ürünlerinde bariz uygulamalara sahiptir, ancak robotikte ve yapay zekada daha geniş bir şekilde kullanılabilir. Bu hafta ortaya çıkan araştırma, üst sınırdan bir ipucu aldı. Mark Zuckerberg’den başkası değil.
Myosuite’te simüle edilmiş iskelet ve kas grupları.
MyoSuite nesnelerle ve kendileriyle etkileşime girerken kasları ve iskeletleri 3B olarak simüle eder – bu, ajanların nesneleri ezmeden veya düşürmeden nasıl düzgün bir şekilde tutacaklarını ve manipüle edeceklerini öğrenmeleri için önemlidir ve ayrıca sanal bir dünyada gerçekçi tutuşlar ve etkileşimler sağlar. Belirli görevlerde sözde binlerce kat daha hızlı çalışır, bu da simüle edilmiş öğrenme süreçlerinin çok daha hızlı gerçekleşmesini sağlar. Zuck, “Bu modelleri açık kaynak kodlu hale getireceğiz, böylece araştırmacılar bunları alanı daha da ilerletmek için kullanabilirler” diyor. Ve yaptılar!
Bu simülasyonların çoğu aracı veya nesne tabanlıdır, ancak MIT’den bu proje genel bir bağımsız ajanlar sistemini simüle etmeye bakıyor: kendi kendini süren arabalar. Fikir şu ki, yolda çok sayıda arabanız varsa, sadece çarpışmaları önlemek için değil, aynı zamanda rölantide çalışmayı ve ışıklarda gereksiz durmaları önlemek için birlikte çalışmasını sağlayabilirsiniz.
Yakından bakarsanız, yalnızca öndeki arabalar gerçekten durur.
Yukarıdaki animasyonda görebileceğiniz gibi, v2v protokollerini kullanarak iletişim kuran bir dizi otonom araç, temelde arka arkaya yavaşlayarak en öndeki arabalar dışındaki tüm araçların durmasını engelleyebilir, ancak aslında durma noktasına gelecek kadar değil. . Bu tür aşırı hızlanma davranışı çok fazla benzin veya pil tasarrufu sağlamıyor gibi görünebilir, ancak bunu binlerce veya milyonlarca araca kadar ölçeklendirdiğinizde bir fark yaratır – ve daha konforlu bir sürüş de olabilir. Yine de herkesin kavşağa bu şekilde mükemmel bir şekilde yaklaşması için iyi şanslar.
İsviçre, 3D tarama teknolojisini kullanarak kendisine uzun uzun bakıyor. Ülke, lidar ve diğer araçlarla donatılmış İHA’ları kullanarak devasa bir harita yapıyor, ancak bir yakalama var: dronun hareketi (kasıtlı ve kazara), nokta haritasına manuel olarak düzeltilmesi gereken bir hata getiriyor. Sadece tek bir binayı değil de bütün bir ülkeyi tarıyorsanız sorun değil mi?
Neyse ki, EPFL’den bir ekip, bir nesnenin farklı açılardan defalarca tarandığını belirleyebilen ve bu bilgiyi nokta haritasını tek bir birleşik ağda hizalamak için kullanabilen bir ML modelini doğrudan lidar yakalama yığınına entegre ediyor. Bu haber makalesi özellikle aydınlatıcı değil, ama beraberindeki kağıt daha fazla ayrıntıya giriyor. Ortaya çıkan haritanın bir örneği yukarıdaki videoda görülebilir.
Son olarak, Zürih Üniversitesi’nden bir ekip, beklenmedik ama oldukça hoş bir yapay zeka haberinde, hayvan davranışlarını izlemek için bir algoritma tasarladı böylece zoologların iki flört dansı örneğini bulmak için haftalarca süren görüntüleri taramaları gerekmez. Bu, Zürih Hayvanat Bahçesi ile yapılan bir işbirliğidir ve aşağıdakileri düşündüğünüzde mantıklıdır: “Yöntemimiz, araştırma hayvanlarında stres, endişe veya rahatsızlık belirtileri gibi ince veya nadir görülen davranış değişikliklerini bile tanıyabilir” dedi laboratuvar başkanı Mehmet Fatih Yanık.
Bu nedenle araç, hem esaret altındaki davranışları öğrenmek hem de takip etmek, hayvanat bahçelerindeki tutsak hayvanların iyiliği ve diğer hayvan çalışmaları biçimleri için kullanılabilir. Mezun öğrencilerinin gece geç saatlere kadar video dosyaları üzerinde daha az çalışmasıyla daha az denek hayvanı kullanabilir ve daha kısa sürede daha fazla bilgi alabilirler. Bana bir kazan-kazan-kazan-kazan durumu gibi geliyor.
Resim Kredisi: Ella Marushenko / ETH Zürih
Ayrıca, illüstrasyonu sevin.