Tagماشینی

گوگل حالا می تواند به کمک یادگیری ماشینی اجزای داخل ویدیو را شناسایی کند

گوگل حالا می تواند به کمک یادگیری ماشینی اجزای داخل ویدیو را شناسایی کند

مدیر تیم محققان هوش مصنوعی و یادگیری ماشینی در گوگل کلاد، Fei-Fei Li اخیراً به استیج کنفرانس Next Cloud گوگل رفته تا به صحبت درباره نسل بعدی اپلیکیشن های مبتنی بر هوش مصنوعی کمپانی بپردازد. این تکنولوژی ها تفاوت های قابل توجهی در اتومبیل های خودران، حفظ سلامت و البته فیلترهای اسنپچت و قابلیت های جستجوی گوگل فوتوز به وجود خواهند آورد.

وی نمایشی از رابط برنامه نویسی هوشمند ویدیو روی استیج داشت و نشان داد که این رابط برنامه نویسی می تواند یک سگ پا کوتاه را هنگام ورود به ویدیو شناسایی کند و بعد تشخیص دهد که ویدیو، یک آگهی تبلیغاتی بوده است. در دمویی دیگر، با جستجوی آسان لغت «ساحل – Beach»، ویدیوهایی یافته می شود که شامل تصاویری از سواحل هستند. بنابراین کافی است که عبارت «غروب آفتاب – Sunset» را در اپلکیشن گوگل فوتوز جستجو کنید تا بهترین تصاویرتان به هنگام فرا رسیدن تاریکی شب یافته شوند.

تا پیش از این، کامپیوترها قادر به درک مستقیم محتویات یک ویدیو نبودند و نیاز به علامت گذاری دستی احساس می شد. گوگل در حال اطمینان حاصل کردن از دسترسی تمام توسعه دهندگان به این رابط برنامه نویسی هست و البته چند رابط برنامه نویسی یادگیری ماشینی نیز برای آنها در نظر گرفته است.

گوگل برای اثبات جدیت خود برای فعالیت در حوزه سرویس های ابری و و علامت دادن به سرمایه گذاران، نایب رییس ارشد گوگل کلاد، یغتی دیانا گرین را به روی استیج آورد و بعد از آن، ساندار پیچای، مدیر عامل کمپانی و اریک اشمیت، رییس هیئت مدیره آلفابت به سخنرانی پرداختند.

سوال بزرگ اینجاست که تلاش گوگل برای رقابت با آمازون و مایکروسافت به ثمر خواهد نشست و اوضاع را به نفع کمپانی تغییر خواهد داد یا خیر. وال استریت ژورنال در گزارشی می گوید که گوگل به اندازه قابل توجهی از دو رقیبش جا مانده؛ حتی با وجود رقابتی بودن تکنولوژی هوش مصنوعی و یادگیری ماشینی.اما اگر گوگل بتواند تکنولوژی خود را همانطور که به نمایش در آورد به دست مشتریان برساند، قطعاً به بازی برخواهد گشت.

The post appeared first on .

گوگل حالا می تواند به کمک یادگیری ماشینی اجزای داخل ویدیو را شناسایی کند

علوم داده و یادگیری ماشینی چه نقشی در مبارزه با سرطان دارند؟

علوم داده و یادگیری ماشینی چه نقشی در مبارزه با سرطان دارند؟

پیچیدگی درمان سرطان، چندین دهه است که محققین را کلافه کرده و اگرچه پیشرفت های خوبی را شاهد بودیم، اما هنوز مبارزه با این بیماری به سختی پیش می رود، و سرطان به عنوان یکی از علل اصلی مرگ و میر در سرتاسر جهان شناخته می شود.

در عصر حاضر، دانشمندان به نیروی کمکی ارزشمندی در این نبرد دست یافته اند که به شیوه های مختلف در رفع پیچیدگی نبرد مورد بحث ایفای نقش می کند: ماشین های هوشمند. تکنیک های مورد استفاده در حوزه یادگیری ماشینی و هوش مصنوعی می توانند حل معمای بزرگ سرطان را تسهیل نمایند.

اما در این میان نکته مهمی نیز وجود دارد. حتی با این روش های جدید نیز به تنهایی نمی توان سرطان را درمان یا ریشه کن ساخت، مگر اینکه به داده های بیشتری دسترسی داشته باشیم؛ اما بسیاری از مجموعه داده ها از جمله سوابق پزشکی، آزمایش های ژنتیکی و ماموگرافی، از دسترس بهترین مغزهای علمی و پیشرفته ترین الگوریتم های یادگیری خارج هستند.

google_genomics_stanford_university_0

خبر خوب اینکه در حال حاضر، کلان داده در تحقیقات سرطان به جایگاه تعیین کننده ای رسیده، و تحقیقات متعددی در بخش های دولتی و خصوصی در مقیاس وسیع برای توالی یابی ژنتیکی آغاز شده است. در این میان می توان به برنامه Million Veteran Program در ایالات متحده؛ پروژه یکصد هزار ژنوم در انگلستان، و طرح اطلس ژنوم سرطان در مؤسسه ملی سلامت آمریکا برای نگهداری داده های مربوط به بیش از 11 هزار بیمار اشاره کرد.

اطلاعات موجود در تمامی این مراکز به صورت رایگان در دسترس محققین سرتاسر جهان قرار دارد، و تجزیه و تحلیل آنها بر بستر کلاود صورت می گیرد. طبق تحقیقی جدید، پیش بینی می شود تا سال 2025 بیش از 2 میلیارد ژنوم انسان به طور کامل توالی یابی گردند.

روندهای دیگری نیز وجود دارند که داده های تازه ای را می طلبند، به خصوص در آزمایشات ژنتیکی. در سال 2007 توالی یابی ژنوم یک انسان بیش از 10 میلیون دلار هزینه داشت. امروز می توان این کار را با هزینه کمتر از 1000 دلار انجام داد. به عبارت دیگر، به ازای توالی یابی ژنتیکی هر انسان در 10 سال قبل، اکنون می توان این عملیات را روی 10 هزار نفر صورت داد.

نتایج این وضعیت بسیار قابل توجه است: کشف یک جهش ژنتیکی که می تواند ریسک ابتلا به نوع خاصی از سرطان را افزایش دهد، اطلاعات ارزشمندیست که جان انسان های دیگر را نجات خواهد داد. حال با کاهش هزینه این فرایند، چنین تحقیقاتی می تواند در مقیاسی بزرگ تر صورت گیرد.

یکی از چالش های بزرگ پیش روی محققین و البته جامعه، این است که مجموعه داده های کنونی از نظر حجم و تنوع نژادی چندان گسترده نیستند. علاوه بر این، دانشمندان معمولاً با محدودیت هایی از نظر قانونی مواجهند و بنابراین تمایلی به اشتراک گذاری اطلاعات ندارند.

حتی زمانی که سازمان ها داده های ژنومیک را به اشتراک بگذارند، توافق اصلی باید بین خود مؤسسات مالک آن اطلاعات ایجاد شود. در حال حاضر پیشرفت های خوبی در این زمینه داشته ایم، اما باز هم به قوانین و پلتفرم های استاندارد بیشتری برای تسریع و تسهیل دسترسی نیاز داریم.

gene-therapy

مزایای این فناوری های جدید فراتر از شناسایی خطرات و غربالگری است. پیشرفت در یادگیری ماشینی می تواند به توسعه سریع تر داروهای ضد سرطان و انتخاب نوع درمان کمک شایانی نماید، و پزشکان با استفاده از آنها می توانند به راحتی بیماران را با آزمایشات بالینی مطابقت دهند. بدین ترتیب، توانایی درمانگر در ارائه راهکارهای درمانی برای بیماران مبتلا به سرطان تا حد زیادی افزایش خواهد یافت.

برای تحقق این امر به چند شرط اساسی نیاز داریم. اولاً بیماران باید بتوانند به راحتی اطلاعات خود را با دیگران به اشتراک بگذارند. این اطلاعات شامل سوابق پزشکی، تصاویر رادیولوژی، و آزمایشات ژنتیک است. شرکت های آزمایشگاهی و مراکز درمانی نیز باید فرم رضایتنامه عمومی را به کار گیرند تا در مراحل قانونی به مشکل بر نخورند.

در مرحله بعد، به سرمایه بیشتری برای محققین فعال در مراکز هوش مصنوعی، علوم داده و تحقیقات سرطان نیاز داریم؛ و نهایتاً نیازمند تولید مجموعه داده های جدیدی هستیم که مردمانی از تمام نژادها را در بر بگیرند. بدین ترتیب، پیشرفت در تحقیقات سرطان حد و مرزی نخواهد شناخت.

The post appeared first on .

علوم داده و یادگیری ماشینی چه نقشی در مبارزه با سرطان دارند؟

گوگل در روش RAISR به کمک یادگیری ماشینی کیفیت تصاویر را افزایش می دهد

گوگل در روش RAISR به کمک یادگیری ماشینی کیفیت تصاویر را افزایش می دهد

گوگل می گوید روش جدیدی برای بهبود کیفیت عکس در دست توسعه دارد که RAISR نامیده می شود و یادگیری ماشینی را برای این منظور مورد استفاده قرار می دهد.

بر اساس توضیحات پیمان میلان فر، محقق گوگل، در حال حاضر برای بهبود کیفیت تمام تصاویر روش یکسانی مورد استفاده قرار می گیرد و نوع عکس در این میان تاثری ندارد.

اما در روش RAISR، فیلترهای اعمال شده برای هر عکس متفاوت است و به موارد مختلفی بستگی دارد.

گوگل برای توسعه این روش یک جفت عکس؛ یکی با کیفیت بالا و دیگری پایین را در اختیار کامپیوتر قرار داده تا الگوریتم هایش به مرور یاد بگیرند با اعمال چه فیلترهایی در چه شرایطی می توانند کیفیت هر پیکسل از تصاویر را بهبود دهند.

هنوز مشخص نیست این روش جدید در نهایت کجا و چگونه مورد استفاده قرار می گیرد، اما آقای میلان فر اعتقاد دارد RAISR از پتانسیل بالایی برخوردار است و حتی می توان آن را به شکل زنده در تلفن های هوشمند به کار گرفت.

بر همین اساس می توان پیشبینی کرد در آینده ی نزدیک، شاهد اضافه شدن قابلیت بهبود کیفیت تصاویر به اپلیکیشن دوربین گوگل باشیم.

در پایان از شما دعوت می کنیم دو تصویر که کیفیت یکی از آنها با روش RAISR بهبود یافته را با یکدیگر مقایسه نمایید. به نظر شما فیلترهای گوگل روی کدام یک اعمال شده اند؟

 

The post appeared first on .

گوگل در روش RAISR به کمک یادگیری ماشینی کیفیت تصاویر را افزایش می دهد

دانلود زاپیا برای کامپیوتر

پهپاد SPHERE با یادگیری ماشینی پرواز در جاذبه صفر را آموخته است

پهپاد SPHERE با یادگیری ماشینی پرواز در جاذبه صفر را آموخته است

حتی روی زمین هم هدایت پهپاد هیجان زیادی دارد و لازم است مراقب باشید با چیزی برخورد نکنید، اما با این حال یکی از پهپادهای موجود در ایستگاه فضایی بین المللی موفق شده با استفاده از روش و تنها استفاده از یک دوربین به شکل خودکار در هوا حرکت کند، آن هم بدون اینکه خسارتی به بار آورد.

محیط داخل یک سفینه فضایی چندان جادار نیست و قطعات پر تعدادی در گوشه و کنار پراکنده هستند که برخورد با هر یک از آنها می تواند فاجعه آمیز باشد، اما پهپاد SPHERE به خوبی توانسته چنین مشکلاتی را از سر راه خود بردارد.

SPHERE برای این منظور ابتدا با استفاده از 12 رانشگر گازی درون ماژول ژاپنی ایستگاه فضایی به پرواز درآمده و همه چیز را با 2 دوربین به خاطر سپرده است. با ثبت چنین اطلاعاتی، پهپاد مورد بحث قادر است تنها با استفاده از یک دوربین خود، بدون برخورد با اشیای داخل سفینه رفت و آمد کند.

البته باید توجه داشته باشید که در این میان نرم افزار مربوط به یادگیری ماشینی از اهمیت بسیار زیادی برخوردار است؛ نرم افزاری که توسط دانشگاه فناوری Delft توسعه یافته و پیشتر با پهپادهای مرسوم مورد آزمایش قرار گرفته است.

یکی از مسئولین پروژه می گوید: «اینکه برای نخستین بار شاهد باشید یک پهپاد با استفاده از آخرین متدهای موجود یادگیری ماشینی را در فضا انجام می دهد بسیار هیجان انگیز است. علاوه بر این باید توجه داشت که به دلیل احتمال خطا، روش یادگیری ماشینی در صنعت هوا و فضا چندان کاربردی به نظر نمی رسد و اطمینان چندانی در موردش وجود ندارد، اما تیم ما برای رسیدن به این هدف 5 سال تلاش کرد و در نهایت موفق شد».

در پایان از شما دعوت می کنیم عملکرد، مراحل توسعه و خصوصیات پهپاد SPHERE را در ویدیوی زیر مشاهده نمایید.

The post appeared first on .

پهپاد SPHERE با یادگیری ماشینی پرواز در جاذبه صفر را آموخته است

حتی روی زمین هم هدایت پهپاد هیجان زیادی دارد و لازم است مراقب باشید با چیزی برخورد نکنید، اما با این حال یکی از پهپادهای موجود در ایستگاه فضایی بین المللی موفق شده با استفاده از روش و تنها استفاده از یک دوربین به شکل خودکار در هوا حرکت کند، آن هم بدون اینکه خسارتی به بار آورد.

محیط داخل یک سفینه فضایی چندان جادار نیست و قطعات پر تعدادی در گوشه و کنار پراکنده هستند که برخورد با هر یک از آنها می تواند فاجعه آمیز باشد، اما پهپاد SPHERE به خوبی توانسته چنین مشکلاتی را از سر راه خود بردارد.

SPHERE برای این منظور ابتدا با استفاده از 12 رانشگر گازی درون ماژول ژاپنی ایستگاه فضایی به پرواز درآمده و همه چیز را با 2 دوربین به خاطر سپرده است. با ثبت چنین اطلاعاتی، پهپاد مورد بحث قادر است تنها با استفاده از یک دوربین خود، بدون برخورد با اشیای داخل سفینه رفت و آمد کند.

البته باید توجه داشته باشید که در این میان نرم افزار مربوط به یادگیری ماشینی از اهمیت بسیار زیادی برخوردار است؛ نرم افزاری که توسط دانشگاه فناوری Delft توسعه یافته و پیشتر با پهپادهای مرسوم مورد آزمایش قرار گرفته است.

یکی از مسئولین پروژه می گوید: «اینکه برای نخستین بار شاهد باشید یک پهپاد با استفاده از آخرین متدهای موجود یادگیری ماشینی را در فضا انجام می دهد بسیار هیجان انگیز است. علاوه بر این باید توجه داشت که به دلیل احتمال خطا، روش یادگیری ماشینی در صنعت هوا و فضا چندان کاربردی به نظر نمی رسد و اطمینان چندانی در موردش وجود ندارد، اما تیم ما برای رسیدن به این هدف 5 سال تلاش کرد و در نهایت موفق شد».

در پایان از شما دعوت می کنیم عملکرد، مراحل توسعه و خصوصیات پهپاد SPHERE را در ویدیوی زیر مشاهده نمایید.

The post appeared first on .

پهپاد SPHERE با یادگیری ماشینی پرواز در جاذبه صفر را آموخته است