صفحه ی اصلی > اخبار و رویدادها > تازه های تکنولوژی
تازه های تکنولوژی
معامله Microsoft-Nuance: فشار جدیدی برای فناوری صوتی؟ مشاهده در قالب PDF چاپ فرستادن به ایمیل
نوشته شده توسط نسا فرنودی   
شنبه, 11 اردیبهشت 1400 ساعت 20:32

معامله Microsoft-Nuance: فشار جدیدی برای فناوری صوتی؟

alt

به گفته تحلیلگران ، تصمیم مایکروسافت برای خرید شرکت تشخیص گفتار Nuance Communications به قیمت 19.7 میلیارد دلار ، بزرگترین خرید این شرکت از زمان دریافت 26 میلیارد دلار برای LinkedIn ، می تواند یک تقویت واقعی برای فناوری صوتی باشد.

بلر Pleasant ، رئیس جمهور و تحلیلگر اصلی COMMFusion ، گفت: "بسیاری از شرکت ها و شرکت های نوپا مشغول شناسایی صدا هستند ، اما Nuance سال ها در این زمینه پیشرو بوده است."  این شرکت از فناوری ، مشارکت ، مشتری و تخصص لازم برای موفقیت بیشتر و رشد برخوردار است. "
تشخیص صدا به عنوان ابزاری در سالهای اخیر شتاب بیشتری پیدا کرده است ، بنابراین طرح یک ادعا در بازارهای فناوری هوش و گفتار منطقی است - به ویژه اینکه رقبایی مانند گوگل ، آمازون و اپل از بسیاری جهات تلاش مایکروسافت را تحت الشعاع خود قرار داده اند.  (قبل از اینکه اپل به نسخه داخلی بپردازد ، نرم افزار Nuance پایه و اساس دستیار صوتی Apple را ایجاد کرد.)

[مرتبط: فن آوری صوتی چگونه می تواند محل کار پس از همه گیری را شکل دهد]
مایکروسافت روز دوشنبه در بیانیه ای ضمن تبلیغ این معامله ، به استفاده Nuance از "هوش بالینی محیطی مبتنی بر ابر" در صنعت بهداشت و درمان اشاره کرد.  و مدیر عامل شرکت مایکروسافت ساتیا نادلا در گفتگوی بعدی تأکید کرد که در مورد خرید صحبت کند.
نادلا گفت: هوش مصنوعی مهمترین اولویت فناوری است و مراقبت های بهداشتی فوری ترین کاربرد آن است. "ما با همکاری اکوسیستم شریک زندگی خود راه حل های پیشرفته هوش مصنوعی را در اختیار متخصصان در همه جا قرار خواهیم داد تا تصمیم گیری بهتری داشته باشیم و ارتباطات معنی دارتری ایجاد کنیم.  ، همانطور که ما رشد Microsoft Cloud را در زمینه بهداشت و مراقبت و تسویه حساب تسریع می کنیم. "

این معامله به مایکروسافت امکان دسترسی گسترده به بخش بهداشت و درمان را می دهد ، زیرا تقریباً 90٪ ایالات متحده از قابلیت های Nuance استفاده می کند.  طبق بیانیه مالی Nuance از فوریه ، بیمارستان ها.  انتظار می رود این اقدام زیربنای تلاشهای مایکروسافت برای ارائه پیشنهادات ابری ویژه صنعت به شرکتهایی باشد که هنوز با اختلال و فرصت های ایجاد شده توسط بیماری همه گیر COVID-19 سازگار هستند.
از جمله این پیشنهادات Microsoft Cloud برای بهداشت و درمان است که اولین بار سال گذشته معرفی شد.

اهمیت فناوری صوتی
مایکروسافت از زمان معرفی دستیار مجازی خود کورتانا در سال 2015 به عنوان بخشی از نسخه اولیه ویندوز 10 ، دستی در فناوری صوتی داشته است.  از آن زمان ، کورتانا توسعه یافته است تا از دستگاه های Android و iOS ، Xbox ، مرورگر Edge ، هدست های Windows Mixed Reality و دستگاه های شخص ثالث مانند ترموستات و بلندگوهای هوشمند پشتیبانی کند.
طبق گفته مایکروسافت ، در حال حاضر بیش از 150 میلیون نفر از کورتانا استفاده می کنند.  اخیراً ، این شرکت کورتانا را تغییر داد تا به جای استفاده عمومی بیشتر به عنوان یک دستیار دفتر کار کند.

Pleasant گفت: "تشخیص صدا در حال شتاب گرفتن است و در هر نوع صنعت - از رونویسی گرفته تا انواع برنامه های کنترل و کنترل - مورد استفاده قرار می گیرد و خرید یک فروشنده پیشرو در این زمینه کاملا منطقی است."  وی تأکید کرد که با آشنایی کاربران با کورتانا ، سیری و الکسای آمازون در خانه ، انتظار می رود فناوری های مشابه گفتار را در محل کار خود ببینند.
وی همچنین خاطرنشان کرد که مایکروسافت یکی از معدود شرکتهایی است که منابع لازم برای خریداری شرکتی مانند Nuance را دارد و به این شرکت اجازه می دهد از رقبایی که ممکن است بخواهند همان کار را انجام دهند جلوتر باشد.

بهداشت و درمان و فراتر از آن
در طی سال گذشته ، همه گیری همه گیر باعث ایجاد نیاز به تشخیص صدا شده است ، در حال حاضر اکثر فروشندگان کنفرانس ویدیویی قابلیت رونویسی را در جلسات ارائه می دهند.  و با توجه به اهمیت روزافزون بخش بهداشت و درمان ، خرید شرکتی با روابط با بازیگران اصلی صنعت بسیار منطقی است.
با افزایش جمعیت ، یافتن راه هایی برای بهبود فرایندهای مراقبت های بهداشتی و کاهش هزینه ها ضروری است. "  "کاهش زمان لازم برای دیدن بیماران و همچنین کاهش زمان برای سایر کارهای مرتبط و فرایندهای کاری ، به کاهش هزینه ها کمک می کند ، که ضروری است."

Gregg Pessin ، تحلیلگر ارشد مدیر گارتنر که در گروه ارائه دهنده خدمات بهداشتی کار می کند ، موافق است.  او استدلال کرد که توانایی پردازش به زبان طبیعی با هدف رونویسی پزشکی ، Nuance را از سایر شرکت های دیگر جدا می کند.
اگرچه او فکر نمی کند که این خرید در ابتدا تأثیر زیادی در مراقبت های بهداشتی داشته باشد ، زیرا Nuance قبلاً به عنوان یک بازیگر مطرح شناخته شده است ، Pessin صدا را به عنوان یک جز component مهم در رابط های آینده ماشین انسان و تجربه کاربر می داند.

وی گفت: "این امر شامل رونویسی پزشکی ، كاتبان دیجیتال محیط ، سیستم های تعاملی بیمار ، هم به سبک [پاسخ صوتی متقابل} و چه برای برنامه های داخلی ، به علاوه راه حل های دیگر است."
در حالی که Nuance برای صنعت بهداشت و درمان یک محصول پیشرو در بازار دارد ، از فناوری های آن می توان در سایر موارد عمودی نیز استفاده کرد.  طبق تحقیقات انجام شده توسط IDC ، هزینه های هوش مصنوعی تا سال 2024 به 110.7 میلیارد دلار خواهد رسید ، در حالی که بانکداری ، تولید و بهداشت و درمان تقریباً نیمی از این رقم جهانی را نشان می دهد.

Ritu Jyoti ، معاون برنامه آزمایش هوش مصنوعی و اتوماسیون در سراسر جهان در IDC ، معتقد است که اگرچه مایکروسافت ممکن است در ابتدا روی مراقبت های بهداشتی تمرکز کند ، اما شرکت در دراز مدت تمرکز خود را گسترش می دهد.
فراتر از مراقبت های بهداشتی ، Nuance مهارت های هوش مصنوعی و راه حل های جذب مشتری را در سراسر پاسخ صوتی تعاملی (IVR) ، دستیارهای مجازی و راه حل های دیجیتال و بیومتریک به شرکت های سراسر جهان در همه صنایع ارائه می دهد. "  "این تخصص همراه با وسعت و عمق ابر مایکروسافت ، از جمله Azure ، Teams و Dynamics 365 ، برای ارائه تعامل مشتری و نسل بعدی مشتری ارائه خواهد شد.


تاریخ:

13 آپریل 2021

مترجم :

خانم نسا فرنودی – اردیبهشت 1400

آخرین بروز رسانی در شنبه, 11 اردیبهشت 1400 ساعت 20:50
 
10 کاربرد هوش مصنوعی مشاهده در قالب PDF چاپ فرستادن به ایمیل
نوشته شده توسط المیرا بخشی   
سه شنبه, 24 فروردین 1400 ساعت 20:31

همانطور که می‌دانید این روز‌ها، هوش مصنوعی، به ویژه یادگیری ژرف (Deep Learning)، حرف اول را در خیلی از زمینه‌های پژوهشی و البته صنعتی می‌زند و نتایج و محصولات حاصل از آن طی سال‌های اخیر، بسیار شگفت انگیز بوده اند. برای آشنایی بیشتر با هوش مصنوعی می‌توانید با ما همراه باشید .

ai

ساندار پیچای، مدیر عامل شرکت گوگل، طی پُستی در وبلاگ این شرکت اعلام کرد که جهان در حال گذر از حالت Mobile-first به حالت AI-first است و شرکت گوگل تمام محصولاتش را با این محوریت توسعه می‌دهد. بنابراین واضح است که در این جهانِ AI-first استفاده از هوش مصنوعی برای تولید محصولات و آموزش مفاهیم و کاربرد‌های آن برای کارآفرینان و مهندسان بسیار حا‌یز اهمیت است.

یادگیری ژرف و شبکه‌های عصبی مصنوعی، شاخه ای از یادگیری ماشین اند که از ساختار لایه ای مغز انسان و سلول های عصبی متصل به هم الگو گرفته اند.


1.تبدیل گفتار به نوشتار

تبدیل گفتار به نوشتار، یکی از جالب‌ترین کاربرد های یادگیری ماشین است که این روزها در بسیاری از اپلیکیشن‌های موبایل (برای مثال کیبور گوگل) استفاده شده و شاهد دقت بسیاربالای آن حتی برای زبان فارسی هستیم.

alt

2.برچسب گذاری خودکار تصاویر

زمانی که تصاویر خود را در Google Photos ذخیره می‌کنید، این تصاویر به صورت خودکار، برچسب گذاری و دسته بندی می‌شوند. به عنوان مثال تصاویر مربوط به یک شخص خاص در یک دسته و تصاویر مربوط به مناظر طبیعی در دسته ای دیگر قرار می‌گیرند و برای جستجو کافی است یک عکس جدید از یک نفر بگیرید و آن عکس را در آلبوم تصاویر جستجو کنید. خواهید دید که تمام عکس‌هایی که فرد مورد نظر در آنها حضور داشته ظاهر خواهند شد.

alt

3.تبدیل طرح اولیه Mockup به کد HTML

با ظهور کامپیوتر ها، برنامه‌نویس ها، نرم‌افزار‌هایشان را جایگزین بسیاری از افراد خبره و مشاغل کردند، اما به نظر می‌رسد این بار نوبت خودشان است. محققان با استفاده از یادگیری ژرف توانسته اند Mockup های طراحی شده توسط UX Designer ها را به کد HTML تبدیل کنند. با این تفاسیر انتظار برنامه‌نویسی از کامپیوتر ها نیز انتظار دور از ذهنی نیست!


alt

4.اتوموبیل خودران

یکی از جذاب‌ترین و پردرآمدترین شغل ها در سال ۲۰۱۸ طراحی اتوموبیل‌های خودران است که تماما بر اساس هوش مصنوعی و یادگیری ژرف بنا نهاده شده است. با اینکه هنوز تا قابل استفاده شدن این سیستم ها در زندگی روزمره فاصله داریم اما شرکت هایی مثل Waymo و Tesla به صورت خیلی جدی در حال کار و پژوهش در این حوزه هستند و به زودی شاهد فراگیر شدن این سیستم ها و همینطور پهباد‌های خودمختار خواهیم بود.


alt

5.تشخیص چهره از پشت دیوار

دانشگاه MIT طی یک تحقیق، سیستمی ساخته که با استفاده از امواج RF قادر است موقعیت و حرکت انسان‌ها در پشت دیوار را تشخیص دهد.

معمولا بیشترین سرمایه‌گزاری ای که بر روی هوش مصنوعی می‌شود برای تحقیقات نظامی است. چند ماه پیش بود که ارتش آمریکا خبر ساخت سیستمی بر اساس یادگیری ژرف را داد که قادر است چهره فرد را از پشت دیوار و در تاریکی تشخیص دهد.


alt

6.یادگیری و استخراج سبک

هوش مصنوعی قادر است با نگاه کردن به یک تصویر، موسیقی، فیلم یا ...، سبک (Style) آن را یادگرفته و استخراج کند. سپس این سبک را روی تصویر، موسیقی یا ... دیگر اعمال کند.


alt

7.طراحی لباس بر اساس سلیقه کاربر

این روز ها بیشتر سایت‌های خرده‌فروشی آنلاین، از سامانه‌های پیشنهاد دهنده (Recommender Systems) برای پیشنهاد محصولات به کاربران خود و افزایش Conversion Rate بهره می‌برند، با این حال محققان پا را فرا تر گذاشته و اقدام به ساخت الگوریتم هوشمندی برای طراحی و تولید یک لباس جدید بر اساس سلیقه کاربر کرده اند.

alt

8.تبدیل تصویر به تصویر

یکی از کاربرد های جالب هوش مصنوعی تبدیل تصویر به تصویر است. برای مثال تبدیل یک نقاشی به شی واقعی آن، تبدیل یک تصویر سیاه و سفید به معادل رنگی آن، تبدیل یک اسب به گورخر، تبدیل عکس ماهواره ای به نقشه متناظر و ...


alt

9.تشخیص چهره

یکی از کاربردی ترین ایده های هوش مصنوعی، تشخیص چهره است. از این سیستم ها برای مقاصد امنیتی مانند قفل درب ها یا گوشی های موبایل، سیستم های حضور و غیاب و البته برای یافتن و تعقیب مجرمان یا کهنسالان در معابر استفاده می‌شود.

طبق اعلام دولت چین، طی دو سال گذشته، ۲۰۰۰ مجرم در این کشور توسط سیستم تشخیص چهره Skynet در معابر دستگیر شده اند.


alt

10.همگام‌سازی لب ها در ویدیو با صدا هایی غیر از صدای اصلی

بعد از مشاهده ویدیوی زیر، دیگر حتی به چشم های خود نیز اعتماد نخواهید کرد. این ویدیو نشان می‌دهد که چگونه می‌توان به کمک هوش مصنوعی صدایی که متعلق به یک ویدیوی دیگر است (یا حتی به صورت fake از صدای فرد ساخته شده است) را روی تصویر گذاشت به‌طوری که حرکت لب های گوینده در تصویر کاملا بر صدا و گفتار منطبق شود.

آخرین بروز رسانی در سه شنبه, 24 فروردین 1400 ساعت 20:57
 
قدرت DNA برای ذخیره اطلاعات ارتقا می یابد مشاهده در قالب PDF چاپ فرستادن به ایمیل
نوشته شده توسط علیرضا رجائی   
سه شنبه, 30 دی 1399 ساعت 21:35


alt


تیمی از محققان میان رشته ای تکنیک جدیدی را برای ذخیره اطلاعات DNA (در این مورد به اسم "جادوگر اوز" ترجمه شده به اسپرانتو) با دقت و کارایی بی سابقه ای کشف کرده اند. این تکنیک از قابلیت ذخیره اطلاعات رشته های درهم تنیده DNA برای رمزگذاری و بازیابی اطلاعات به روشی با دوام و فشرده استفاده می کند.

این روش در مقاله ای در مجموعه مقالات آکادمی علوم ملی این هفته شرح داده شده است.

کلید دستیابی به موفقیت مهم یک الگوریتم رمزگذاری شده است که امکان بازیابی دقیق اطلاعات را حتی در صورت آسیب دیدن رشته های DNA در حین ذخیره سازی فراهم می کند، این گفته های ایلیا فینکلشتاین ، استادیار علوم زیستی مولکولی و یکی از نویسندگان این تحقیق است.

انسان ها در حال تولید اطلاعات با نرخهای بسیار بالاتر از گذشته هستند و این امر روشی است که برای ذخیره سازی اطلاعات بیشتر به طرز موثر و به روشی که مدت زمان طولانی داشته باشد کمک می کنند. شرکت هایی مانند گوگل و مایکروسافت از جمله شرکت هایی هستند که با استفاده از DNA برای ذخیره اطلاعات کاوش می کنند.

استفان جونز: یک دانشمند تحقیقاتی که در پروژه با فینکلشتاین همکاری داشت، بیل پرس: استادی که به طور مشترک در علوم کامپیوتر و زیست تلفیقی منصوب شده است و فارق التحصیل دکتری، جان هاوکینز، گفتند: "ما به روشی برای ذخیره این داده ها نیاز داریم تا در هر زمان و در صورت نیاز با قالبی قابل خواندن در دسترس باشد، این ایده از آنچه زیست شناسی میلیاردها سال انجام می دهد بهره می برد: ذخیره اطلاعات زیادی در یک فضای بسیار کوچک که مدت زمان طولانی طول می کشد. DNA فضای زیادی اشغال نمی کند ، می توان آن را در دمای اتاق ذخیره کرد و می تواند صدها هزار سال دوام بیاورد.

DNA حدود 5 میلیون برابر کارآمدتر از روش های ذخیره سازی فعلی است. به عبارت دیگر ، یک قطره DNA یک میلی لیتری می تواند اطلاعاتی را به اندازه دو Walmart پر از سرورهای داده، ذخیره کند. و DNA نیازی به خنک کننده دائمی و دیسک های سخت مستعد نقص مکانیکی ندارد.

فقط یک مشکل وجود دارد: DNA مستعد خطا است. و وقتی یک کد ژنتیکی دارای خطا باشد ، بسیار متفاوت از زمانی است که یک کد رایانه دارای خطا است. خطاها در کدهای رایانه ای به عنوان نقاط خالی کد نشان داده می شوند. خطاها در توالی DNA به صورت درج یا حذف نشان داده می شوند. مشکلی که وجود دارد این است که وقتی چیزی در DNA حذف یا اضافه می شود ، کل توالی تغییر می کند ، بدون اینکه نقاط خالی برای هشدار به کسی باشد.

قبلاً ، هنگامی که اطلاعات در DNA ذخیره می شد ، اطلاعاتی که باید ذخیره می شدند ، مانند یک پاراگراف از یک رمان ، 10 تا 15 بار تکرار می شدند. هنگام خواندن اطلاعات ، تکرارها برای از بین بردن درج یا حذف مقایسه می شوند.

جونز گفته: ما راهی برای ساختن اطلاعات بیشتر شبیه شبکه پیدا کردیم. هر بخش اطلاعات،اطلاعات دیگر را تقویت می کند. به این ترتیب ، فقط یکبار باید آن را خواند.

زبانی که محققان ایجاد کردند همچنین از بخشهایی از DNA که مستعد خطا هستند یا خواندن آنها دشوار است جلوگیری می کند. پارامترهای زبان همچنین می توانند با توجه به نوع اطلاعات ذخیره شده تغییر کنند. به عنوان مثال ، یک کلمه رها شده در یک رمان به اندازه از قلم افتادن صفر در اظهارنامه مالیاتی اهمیتی ندارد.

برای نشان دادن بازیابی اطلاعات از DNA تخریب شده ، تیم کد "جادوگر اوز" را در معرض دمای بالا و رطوبت شدید قرار داد. رشته های DNA توسط این شرایط سخت آسیب دیده بودند ، اما همه اطلاعات با موفقیت رمزگشایی شدند. هاوكینز كه اخیراً در موسسه مهندسی محاسبات و علوم اودن بود، گفت: "ما سعی كردیم به طور همزمان با بسیاری از مشكلات این فرآیند مقابله كنیم."

منبع :

وب سایت July 13, 2020 - sciencedaily

مترجم :

رحمان زاده - SMR

آخرین بروز رسانی در سه شنبه, 30 دی 1399 ساعت 21:56
 
سریعترین پردازنده نورومورفیک نوری جهان مشاهده در قالب PDF چاپ فرستادن به ایمیل
نوشته شده توسط رجایی   
یکشنبه, 28 دی 1399 ساعت 22:40



رونمایی از سریع‌ترین و قدرتمندترین پردازنده نورومورفیک جهان برای هوش مصنوعی

یک تیم تحت هدایت سوینبرن سریعترین و قدرتمندترین پردازنده نورومورفیک نوری جهان را برای هوش مصنوعی به نمایش گذاشته است. پردازنده نورومورفیک سریعتر از 10 تریلیون عملیات در ثانیه کار می کند و قادر به پردازش داده های در مقیاس فوق العاده بزرگ است.



یک تیم بین المللی از محققان به سرپرستی دانشگاه صنعتی سوینبرن سریعترین و قدرتمندترین پردازنده نورومورفیک نوری جهان را برای هوش مصنوعی (AI) نشان داده است که با سرعت بیشتری از 10 تریلیون عملیات در ثانیه کار می کند و قادر به پردازش فوق العاده داده های مقیاس بزرگ است.


این موفقیت در مجله Nature منتشر شده است و نشان دهنده جهشی عظیم برای شبکه های عصبی و به طور کلی پردازش نورومورفیک است.


شبکه های عصبی مصنوعی ، یک شکل اصلی از هوش مصنوعی ، می توانند "یاد بگیرند" و عملیات پیچیده ای را با برنامه های گسترده ای برای بینایی رایانه ، پردازش زبان طبیعی ، تشخیص چهره ، ترجمه گفتار ، بازی های استراتژیک ، تشخیص پزشکی و بسیاری از زمینه های دیگر انجام دهند. شبکه های عصبی مصنوعی با الهام از ساختار بیولوژیکی سیستم قشر بینایی مغز ، ویژگی های اصلی داده های خام را برای پیش بینی خواص و رفتار با دقت و سادگی بی سابقه استخراج می کنند.


تیم تحت هدایت پروفسور سوینبرن ، دیوید ماس ، دکتر زینگ یوان (مایک) خو (سوئینبرن ، دانشگاه موناش) و استاد برجسته آرنان میچل از دانشگاه RMIT ، به یک استثنای فوق العاده در شبکه های عصبی نوری دست یافتند: سرعت محاسبات و قدرت پردازش آنها را به سرعت افزایش می دهد.


این تیم پردازنده نورومورفیک نوری را نشان می دهد که بیش از 1000 برابر سریعتر از هر پردازنده قبلی کار می کند ، همچنین این سیستم تصاویر بسیار بزرگ در اندازه رکورد را پردازش می کند - برای دستیابی به تشخیص کامل تصویر صورت کافی است ، چیزی که دیگر پردازنده های نوری قادر به انجام آن نیستند انجام بدهند.


پروفسور ماس ، مدیر مرکز علوم نوری سوینبرن و اخیراً به عنوان یکی از رهبران برجسته تحقیقات استرالیا در فیزیک گفت: این موفقیت با" ریز شانه های نوری "به دست آمد ، همانطور که سرعت داده های اینترنتی ما در جهان با رکورد جهانی گزارش شد. ریاضیات در زمینه اپتیک و فوتونیک توسط استرالیایی.


در حالی که پردازنده های پیشرفته الکترونیکی مانند Google TPU می توانند فراتر از 100 TeraOP / s کار کنند ، این کار با ده ها هزار پردازنده موازی انجام می شود. در مقابل ، سیستم نوری نشان داده شده توسط تیم از یک پردازنده واحد استفاده می کند و با استفاده از یک تکنیک جدید به طور همزمان درهم آمیختن داده ها در زمان ، طول موج و ابعاد فضایی از طریق یک منبع میکرو شانه یکپارچه به دست آمد.


میکرو شانه ها دستگاه های نسبتاً جدیدی هستند که مانند رنگین کمان ساخته شده از صدها لیزر مادون قرمز با کیفیت بالا روی یک تراشه عمل می کنند. آنها بسیار سریعتر ، کوچکتر ، سبک تر و ارزان تر از هر منبع نوری دیگر هستند.


پروفسور ماس می گوید : "در طی 10 سالی که من آنها را اختراع کردم ، تراشه های میکرو شانه یکپارچه بسیار مهم شده اند و دیدن آنها که این پیشرفتهای عظیم در ارتباطات و پردازش اطلاعات را امکان پذیر می کنند واقعاً هیجان انگیز است. میکرو شانه ها نویدبخش زیادی برای ما برای پاسخگویی به نیاز سیری ناپذیر جهان به اطلاعات است ".


"این پردازنده می تواند به عنوان یک جلوی پهنای باند فوق العاده پهنای باند برای هر سخت افزار نورومورفیک - مبتنی بر نوری یا الکترونیکی - عمل کند و یادگیری ماشین با داده های عظیم را برای داده های باند پهنای باند زمان واقعی در دسترس قرار دهد ،" دکتر Xu ، آلوم Swinburne و فوق دکترا با گروه مهندسی سیستم های برق و کامپیوتر در دانشگاه موناش.


دکتر Xu می گوید: "ما در حال حاضر به اوج نگاهی دقیق به پردازنده های آینده می رسیم. این واقعاً به ما نشان می دهد که با استفاده نوآورانه از میکروکامب ها می توانیم به میزان چشمگیری از قدرت پردازنده های خود استفاده کنیم."


پروفسور RMIT میچل می افزاید: "این فناوری در همه انواع پردازش و ارتباطات قابل استفاده است - تأثیر بسزایی خواهد داشت. در بلند مدت امیدواریم بتوانیم سیستم های کاملاً یکپارچه ای را روی تراشه تحقق بخشیم و هزینه و مصرف انرژی را بسیار کاهش دهیم."


پروفسور دیمین هیکس ، طرفدار اصلی تیم تحقیقاتی ، از سوئینبرن ، موسسه والتر و الیزابت هال ، می گوید: "شبکه های عصبی کانولوشن در انقلاب هوش مصنوعی مهم بوده اند ، اما فناوری سیلیکون موجود به طور فزاینده ای گلوگاهی در سرعت پردازش و بهره وری انرژی ایجاد می کند." .


وی اضافه می کند ، "این پیشرفت نشان می دهد که چگونه یک فناوری نوری جدید باعث ایجاد چنین شبکه هایی سریعتر و کارآمدتر شده و نمایشی عمیق از مزایای تفکر میان رشته ای در داشتن الهام و شجاعت برای گرفتن ایده از یک زمینه و استفاده از آن برای یک مشکل اساسی را در دیگری حل کنید. "


منبع :

مطالب ارائه شده توسط دانشگاه موناش.

تاریخ:

7 ژانویه 2021

مترجم :

خانم نسا فرنودی – دی ماه 1399


آخرین بروز رسانی در یکشنبه, 28 دی 1399 ساعت 22:57
 
جهشی نوین در عرصه رابط های مغز و کامپیوتر مشاهده در قالب PDF چاپ فرستادن به ایمیل
نوشته شده توسط مهراد رحمانی   
یکشنبه, 14 دی 1399 ساعت 21:47

محققان روشی را ابداع کردند که در آن یک کامپیوتر با نظارت بر سیگنال های مغز انسان ، درک بصری را میسازد. به طوری که انگار کامپیوتر سعی میکند تصور کند که یک انسان به چه چیزی فکر میکند. در نتیجه این تصور، کامپیوتر قادر به تولید اطلاعات کاملا جدیدی خواهد بود، به طور مثال تصاویر خیالی که هیچوقت دیده نشده بودند. این روش از رمان رابط کامپیوتر و مغز(brain-computer interface) الهام گرفته شده است.

داستان کامل:

محققان در دانشگاه هلسینکی روشی را ابداع کردند که در آن یک کامپیوتر با نظارت بر سیگنال های مغز انسان ، درک بصری را میسازد. به طوری که انگار کامپیوتر سعی میکند تصور کند که یک انسان به چه چیزی فکر میکند. در نتیجه این تصور، کامپیوتر قادر به تولید اطلاعات کاملا جدیدی خواهد بود، به طور مثال تصاویر خیالی که هیچوقت دیده نشده بودند. این روش از رمان رابط کامپیوتر و مغز(brain-computer interface) الهام گرفته شده است. در گذشته ، رابط های مغز و کامپیوتر مشابهی قادر به برقراری ارتباط یک طرفه از مغز به کامپیوتر بوده اند، مانند هجی کردن حروف منفرد یا حرکت دادن مکان نما.

تا آنجا که مشخص است ، این تحقیق جدید اولین تحقیقی است که در آن هر دو روش ارائه اطلاعات و سیگنال های مغزی توسط کامپیوتر با استفاده از روش های هوش مصنوعی به طور همزمان مدلسازی شده اند. تصاویری که با ویژگی های بصری متمرکز شده اند، از طریق تعامل بین پاسخ مغز انسان و یک شبکه عصبی مولد مطابقت دارد.

این تحقیق در مجله Scientific Reports در ماه سپتامبر چاپ شد. Scientific Reports یک ژورنال چند رشته ای آنلاین و با دسترسی آزاد از ناشران Nature است.

مدل سازی مولد عصبی:

محققان این روش را مدل سازی مولد عصبی تطبیقی می نامند. در مجموع 31 داوطلب در تحقیقی که اثربخشی این روش را ارزیابی می کند شرکت کردند. به شرکت کنندگان صدها تصویر تولید شده توسط هوش مصنوعی از افراد متنوع نشان داده شد در حالی که نوار مغزی آن ها ضبط میشد.

از سوژه ها خواسته شد تا روی برخی ویژگی ها تمرکز کنند، مانند چهره هایی که به نظر پیر می آیند یا خندان هستند. زمانی سوژه ها که به یک سری تصاویر چهره با سرعت ارائه شده نگاه می کردند، نوار مغزی آن ها به یک شبکه عصبی وارد میشد که استنتاج می کند آیا هر تصویری توسط مغز تشخیص داده شده است با آنچه افراد بدنبال آن بوده اند مطابقت دارد یا نه.

بر اساس این اطلاعات ، شبکه عصبی تخمین خود را در مورد اینکه مردم به چه چهره هایی فکر می کنند متناسب کرد. سرانجام ، تصاویر تولید شده توسط رایانه توسط شرکت کنندگان ارزیابی شد و تقریباً با ویژگی هایی که شرکت کنندگان فکر می کردند مطابقت داشت. دقت آزمایش 83 درصد بود.

توکا رواتسالو ، محقق پژوهشی آکادمی فنلاند در دانشگاه هلسینکی ، فنلاند و دانشیار دانشگاه کپنهاگ دانمارک می گوید: "این روش پاسخهای طبیعی انسان را با توانایی رایانه در ایجاد اطلاعات جدید ترکیب می کند. در این آزمایش ، از شرکت کنندگان فقط خواسته شد تا تصاویر تولید شده توسط رایانه را مشاهده کنند. کامپیوتر نیز به نوبه خود ، با استفاده از پاسخ های مغزی انسان ، تصاویر نمایش داده شده و واکنش انسان را نسبت به تصاویر مدلسازی می کند. از این طریق ، کامپیوتر می تواند تصویری کاملاً جدید ایجاد کند که با قصد کاربر مطابقت داشته باشد."

نگرشهای ناخودآگاه ممکن است در معرض دید قرار گیرند:

تولید تصاویر از چهره انسان تنها یک نمونه از کاربردهای بالقوه این روش است. یکی از فواید عملی این مطالعه می تواند این باشد که کامپیوترها می توانند خلاقیت انسان را تقویت کنند.

رواتسالو میگوید:" اگر می خواهید چیزی را ترسیم یا تصویر کنید اما قادر به انجام آن نیستید ، کامپیوتر ممکن است به شما کمک کند تا به هدف خود برسید. این فقط می تواند کانون توجه را مشاهده کند و آنچه را می خواهید ایجاد کنید پیش بینی کند". اگرچه محققان معتقدند که ممکن است از این روش برای درک آگاهی و فرآیندهای اساسی در ذهن ما استفاده شود.

میشیل اسپاپه ، محقق ارشد می گوید:" این تکنیک افکار را تشخیص نمی دهد بلکه بیشتر به ارتباطاتی که با مقوله های ذهنی داریم پاسخ می دهد. بنابراین ، در حالی که ما قادر به کشف هویت "شخص پیر" خاصی نیستیم که یک شرکت کننده به آن فکر می کرده است ، اما ممکن است آنچه آنها با سن پیری مرتبط می دانند را درک کنیم. بنابراین ، ما معتقدیم که ممکن است راهی جدید برای کسب بینش در مورد فرایندهای اجتماعی ، شناختی و عاطفی فراهم کند".

به گفته اسپاپه ، این از نظر روانشناسی نیز جالب است.

او میگوید: "تصور یک فرد از یک فرد مسن ممکن است با دیگری بسیار متفاوت باشد. در حال حاضر در حال کشف این موضوع هستیم که آیا ممکن است تکنیک ما ارتباطات ناخودآگاه را آشکار کند ، به عنوان مثال با بررسی اینکه آیا کامپیوتر همیشه افراد مسن را مثل افراد خندان ارائه می دهد".

نیاز اصلی برای این روش:

مسئله اصلی برای ساختن رابط های کامپیوتر و مغز قابل اجرا ، قابلیت طبقه بندی کردن Electroencephalogramها است .(Electroencephalogram یا به اختصار EEG (موج نگاره مغز) ، آزمایشی است که برای ارزیابی فعالیت الکتریکی در مغز استفاده می‌شود. سلول‌های مغزی از طریق تکانه‌های الکتریکی با یکدیگر ارتباط برقرار می‌کنند EEG.الگوهای موج مغز را ردیابی و ضبط می‌کند. دیسک‌های فلزی مسطح کوچک به نام الکترود با سیم به پوست سر (جمجمه) وصل می‌شوند. الکترودها، تکانه‌های الکتریکی موجود در مغز را تجزیه و تحلیل می‌کنند و سیگنال‌هایی را به رایانه ارسال می‌کنند که نتایج را ثبت می‌کند. تکانه‌های الکتریکی در یک ضبط EEG مانند خطوط موجی با قله‌ها و دره‌ها به نظر می‌رسند. این خطوط به پزشکان اجازه می‌دهد تا به سرعت وجود یا عدم وجود الگوهای غیر طبیعی را ارزیابی کنند.)



در طول دهه گذشته،محققان علاقه بسیار زیادی به این زمینه پیدا کردند.هدف این تحقیق بهبود مدلی برای تجزیه و تحلیل سیگنال های مغزی است.در این تحقیق برای حذف مصنوعات ،از فیلتر بالاگذر استفاده شده است.(دستگاهی است که فرکانس‌های بالاتر از مقدار خاصی را می‌گذراند و فرکانس‌های پایین‌تر از آن را عبور نمی‌دهد و تضعیف می‌کند. این نوع فیلترها به انواع متفاوتی ساخته می‌شوند و می‌توان به دسته RL و RC اشاره نمود. در مدار آنالوگ فیلتر بالا گذر RC، بایستی به صورت سری در ابتدا خازن و سپس مقاومت را در مدار آنالوگ قرار دهیم، زیرا در صورتی که به صورت برعکس عمل کنیم و اول مقاومت قرار گیرد و سپس خازن، مدار فیلتر پایین گذر RC می‌شود. از جمله مواردی که باید در فیلتر بالاگذر محاسبه شوند،اندازه و فاز است. اندازه و فاز برای فیلتر دو مؤلفهٔ مهم محسوب می‌شوند. بایستی اندازه و فاز را به صورت فازوری و با استفاده از تابع تبدیل محاسبه نماییم.)

هم چنین از الگوریتم های تبدیل موجک گسسته (تبدیل موجک دسته‌ای از توابع ریاضی هستند که برای تجزیه سیگنال پیوسته به مؤلفه‌های فرکانسی آن بکار می‌رود که رزولوشن هر مؤلفه برابر با مقیاس آن است.تعداد زیادی تبدیل موجک وجود دارد که یکی از معمول ترین انها تبدیل موجک گسسته است)برای استخراج ویژگی و ویژگی های اماری مانند مقدار میانگین مطلق ،مقدار موثر (در ریاضیات، جذر متوسط مربع یا همان Root Mean Squareکه با نام مقدار RMS و مقدار مؤثر نیز شناخته می‌شود، معیاری آماری از اندازه کمیت متغیر است) و انتگرال مربع ساده استفاده شده است.

هم چنین از انالیز مؤلفه اصلی(تحلیل مؤلفه‌های اصلی یا به اختصار PCA تبدیلی در فضای برداری است، که بیشتر برای کاهش ابعاد مجموعه داده‌ها مورد استفاده قرار می‌گیرد. تحلیل مؤلفه‌های اصلی در سال ۱۹۰۱ توسط کارل پیرسون ارائه شد. این تحلیل شامل تجزیه مقدارهای ویژه ماتریس کواریانس می‌باشد)برای کاهش اندازه بردار ویژگی استفاده شده است. چیزی که از نتایج حاصل شده است ، این است که تکنیک های یکپارچه پیشنهادی عملکرد بهتری نسبت به روش های ذکر شده در مقاله دارند.

کاربرد های این فناوری:

هنوز با قاطعیت نمیتوان گفت که این فناوری تا چه حد کار آمد است ولی میتوان پتانسیل ان را مورد بررسی قرار داد.

کاربرد های نظامی: جای هیچ تعجبی نیست که این فناوری نیز مانند بقیه دارای استفاده نظامی باشد، از این فناوری میتوان در هدایت جنگنده های بدون سرنشین، هدایت تانک ها و... استفاده نمود.

alt


کاربرد های آموزشی: این فناوری میتواند جهش عظیمی در آموزش و یادگیری باشد چرا که با استفاده از این رابطه میان کامپیوتر و مغز انسان میتوان با تبدیل کتاب های درسی به یک دیسک برنامه ریزی شده و تبدیل آن به پیام های الکتریکی و ارسال آن ها به مغز میتوان انقلابی در این عرصه ایجاد کرد؛ یعنی برنامه ریزی هر فرد برای کار مورد نظر او با بالاترین یادگیری و مهارت و در کوتاه ترین زمان ممکن.(پ.ن: از الان داره به بچه های اون دوره حسودیم میشه ! ☹ )

alt

کاربرد های عمومی: استفاده از این فناوری میتواند به کمک ما در تمام روزمرگی هایمان بیاید از رانندگی ماشین هایمان با استفاده از ذهنمان گرفته تا باز کردن درها، روشن کردن لوازم خانه (لامپ ها ، روشن کردن و خاموش کردن گاز و...) تنها با فکر کردن به آنها.

alt

کاربرد پزشکی: با استفاده از این فناوری در علم پزشکی میتوان کارهای بزرگی انجام داد، یکی از کاربرد های آن استفاده ار ان در اعضای مصنوعی است که با خواندن پیام های مغزی و استفاده از آن ها فرد معلول میتواند از آن عضو مانند عضو اصلی بدنش استفاده کند.

alt



تاریخ انتشار: 21 دسامبر 2020

منبع: دانشگاه هلسینکی


آخرین بروز رسانی در سه شنبه, 23 دی 1399 ساعت 04:46
 


اخبار و رویدادها

با ما باشید.

در باره ما

در باره ما

آخرین نظرات

آخرین نظرات

آدرس

آدرس