Αφού ανέλυσε σε βάθος τα έργα και την τεχνική του μεγάλου Ολλανδού ζωγράφου Ρέμπραντ, ένας υπολογιστής δημιούργησε ένα νέο πρωτότυπο πίνακα με το ίδιο ακριβώς στιλ. Ο πίνακας στη συνέχεια εκτυπώθηκε τρισδιάστατα.

Το επίτευγμα, στο πλαίσιο του διετούς προγράμματος «Ο επόμενος Ρέμπραντ», προέκυψε από συνεργασία ερευνητών της Microsoft, του ολλανδικού Πανεπιστημίου Τεχνολογίας του Ντελφτ, δύο ολλανδικών μουσείων και του χρηματοπιστωτικού οργανισμού ING, σύμφωνα με το BBC.

«Θέλαμε πραγματικά να καταλάβουμε τι κάνει ένα πρόσωπο να μοιάζει με Ρέμπραντ», δήλωσε ο επικεφαλής του προγράμματος Εμάνουελ Φλόρες, αναφερόμενος στο πορτρέτο ενός άνδρα ηλικίας 30 έως 40 ετών με μαύρα ρούχα, το οποίο πρόκειται να εκτεθεί δημοσίως.

Οι ερευνητές ανέπτυξαν ειδικούς αλγόριθμους μηχανικής μάθησης, ώστε να μιμηθούν στο μεγαλύτερο δυνατό βαθμό το στιλ του Ρέμπραντ. Το πορτρέτο που δημιουργήθηκε, αντικατοπτρίζει τη «δημιουργικότητα» του ίδιου του υπολογιστή.

«Ο στόχος μας ήταν να κάνουμε ένα μηχάνημα να εργάζεται σαν τον Ρέμπραντ. Έτσι, θα κατανοήσουμε καλύτερα τι κάνει αριστούργημα ένα αριστούργημα. Αν και δεν νομίζω πως μπορούμε να υποκαταστήσουμε τον Ρέμπραντ, ο οποίος είναι μοναδικός», ανέφερε ο Φλόρες.

imerisia.gr

Ερευνητής του CSAIL (Computer Science and Artificial Intelligence Lab) του ΜΙΤ ανέπτυξε ένα σύστημα εντοπισμού εμποδίων που επιτρέπει σε ένα drone να προβαίνει σε απότομες κινήσεις αποφυγής μέσα σε «δύσκολα» περιβάλλοντα, όπως ένα δάσος.

«Όλοι φτιάχνουν drones σήμερα, αλλά κανείς δεν ξέρει πώς να τα κάνει να μην πέφτουν πάνω σε πράγματα» λέει ο Άντριου Μπάρι, διδακτορικός του CSAIL, που ανέπτυξε το σύστημα σε συνεργασία με τον Ρας Τέντρεικ, καθηγητή του ΜΙΤ.

«Αισθητήρες όπως το lidar είναι πολύ βαριοί για να τοποθετηθούν σε μικρά αεροσκάφη, και η δημιουργία χαρτών του περιβάλλοντος εκ των προτέρων δεν είναι πρακτική.

Αν θέλουμε drones που μπορούν να πετούν γρήγορα και να πλοηγούνται στον πραγματικό κόσμο, χρειαζόμαστε καλύτερους, ταχύτερους αλγορίθμους».

Ο αλγόριθμος stereo-vision «τρέχει» 20 φορές γρηγορότερα από άλλα υπάρχοντα λογισμικά και επιτρέπει στο drone να εντοπίζει αντικείμενα και να φτιάχνει έναν πλήρη χάρτη του περιβάλλοντός του σε πραγματικό χρόνο.

Λειτουργώντας στα 120 frames/ δευτερόλεπτο, το λογισμικό, που είναι open-source και είναι διαθέσιμο online, βγάζει πληροφορίες βάθους σε ταχύτητα 8,3 μιλισεκόντ ανά frame.

Όσον αφορά στο drone, το οποίο έχει βάρος κάτι λιγότερο από μισό κιλό και έχει άνοιγμα φτερών 86 εκατοστά, κατασκευάστηκε από εμπορικά διαθέσιμα τμήματα, με συνολικό κόστος 1.700 δολάρια- περιλαμβανομένης μιας κάμερας σε κάθε φτερό και δύο επεξεργαστών αντίστοιχων αυτών που βρίσκει κανείς σε κινητά τηλέφωνα.

«Παραδοσιακοί» αλγόριθμοι που επικεντρώθηκαν στο συγκεκριμένο ζήτημα θα χρησιμοποιούσαν τις εικόνες από κάθε κάμερα και θα πραγματοποιούσαν αναζητήσεις σε πολλαπλές αποστάσεις- 1 μέτρο, 2 μέτρα, 3 και ούτω καθεξής- για να διαπιστώνουν εάν υπάρχουν αντικείμενα στον δρόμο του drone.

Ωστόσο, τέτοιες προσεγγίσεις είναι δύσκολες υπολογιστικά, οπότε και απαιτείται πιο εξειδικευμένο hardware για να μπορεί να πετάξει σε άξιες λόγου ταχύτητες το αεροσκάφος.

Ο Μπάρι αντιλήφθηκε πως, στις ταχύτητες στις οποίες πετά το συγκεκριμένο drone, ο κόσμος γύρω δεν αλλάζει σημαντικά ανάμεσα στα frames, οπότε και απαιτείται μόνο ένα μικρό ποσοστό μετρήσεων – σε απόσταση 10 μέτρων.

«Δεν χρειάζεται να γνωρίζεις για οτιδήποτε βρίσκεται πιο κοντά ή πιο μακριά» αναφέρει σχετικά, τονίζοντας ότι αυτός ο ορίζοντας «προχωρά» συνεχώς προς τα εμπρός.

Όπως σημειώνει, εργάζεται ήδη πάνω στη βελτίωση των αλγορίθμων έτσι ώστε να μπορούν να λειτουργούν σε πολλαπλά βάθη και σε περιβάλλοντα με ποικιλία εμποδίων.

ΠΗΓΗ: naftemporiki.gr

Η ανθρώπινη διαίσθηση γενικά θεωρείται κάτι το οποίο οι μηχανές δεν θα μπορούσαν ποτέ να αντιγράψουν, ωστόσο αυτό ίσως τελικά να μην ισχύει:

Ερευνητές του MIT σκοπεύουν να βγάλουν το ανθρώπινο στοιχείο από την ανάλυση big data μέσω ενός νέου συστήματος το οποίο όχι μόνο αναζητεί μοτίβα σε άγνωστα δεδομένα με σκοπό την πρόγνωση, αλλά σχεδιάζει μόνο του και το επιθυμητό σετ χαρακτηριστικών για την απαιτούμενη διαδικασία.

Για σκοπούς δοκιμών του πρώτου πρωτοτύπου, έγιναν τρεις διαγωνισμοί data science, στους οποίους είχε να ανταγωνιστεί ανθρώπινες ομάδες, με κοινό σκοπό την εύρεση μοτίβων πρόβλεψης σε άγνωστα σετ δεδομένων.

Από τις 906 ομάδες που συμμετείχαν συνολικά, το Dara Science Machine κατάφερε να σημειώσει καλύτερες επιδόσεις από τις 615.

Στους δύο εκ των τριών διαγωνισμών, οι προβλέψεις είχαν ακρίβεια της τάξης του 94% και του 96%, ενώ στην τρίτη «μόλις» 87%.

Ωστόσο, δεν μπορεί να παραλειφθεί το ότι οι άνθρωποι συμμετέχοντες δούλευαν πάνω στους αλγορίθμους πρόγνωσής τους για μήνες, ενώ το Data Science Machine χρειάστηκε μεταξύ 2 και 12 ωρών για την αντίστοιχη εργασία.

Κατά τον Μαξ Κάντερ, στη δουλειά του οποίου έχει βασιστεί το σύστημα, το Data Science Machine αποτελεί «βοήθεια» προς την ανθρώπινη νοημοσύνη/ αναλυτική δυνατότητα.

«Υπάρχουν τόσα πολλά δεδομένα προς ανάλυση εκεί έξω, και αυτή τη στιγμή απλά “κάθονται”, χωρίς να αξιοποιούνται.

Οπότε ίσως να μπορούμε να σκεφτούμε μια λύση που, τουλάχιστον, θα μας βοηθήσει να αρχίσουμε πάνω στο αντικείμενο, τουλάχιστον να αρχίσουμε να κινούμαστε».

Το σύστημα χρησιμοποιεί μια σειρά από «κόλπα» για να εξομοιώσει την ανθρώπινη διαίσθηση όσον αφορά στον εντοπισμό μοτίβων, όπως την αξιοποίηση της δομής των βάσεων δεδομένων που αναλύει για τη δημιουργία νέων συγκριτικών δεδομένων, κάτι που ακολουθείται από μια σειρά διαφορετικών υπολογισμών προκειμένου να βρεθούν συσχετισμοί.

Επίσης, ιδιαίτερη προσοχή δίνεται σε συγκεκριμένα δεδομένα (όπως ένας μήνας, ένα όνομα ενός brand ή κάτι ανάλογο), προκειμένου να μελετώνται οι σχέσεις μεταξύ των κατηγοριών τους και των νέων συγκριτικών δεδομένων.

ΠΗΓΗ: naftemporiki.gr