حکمرانی به کمک رایانه (CAG)-انقلابی در سیستم های پشتیبانی تصمیم گیری خودکار

آینده پشتیبانی حکومتداری DAO از طریق پشته Commons

مقاله پشته Commons ، همکاری نویسنده با مایکل ضرغام

توجه: این مقاله در ابتدا در وبلاگ BlockScience در 7 اوت 1919 منتشر شد ، می توانید این را در اینجا پیدا کنید.

همانطور که قبلاً متوجه شده اید ، ما در Commons Stack واقعاً از پتانسیل ابزارهای طراحی به کمک رایانه هنگام ساختن شبکه های رمزنگاری شده بسیار هیجان زده است. استفاده از cadCAD برای شبیه سازی ، آزمایش و اعتباربخشی تصمیمات طراحی ما قبل از راه اندازی کد ، یک حلقه تکرار مهندسی مهم را معرفی می کند که امروزه در فضای بلاک چین وجود ندارد. این تحول در جهت اتخاذ یک روش مهندسی استاندارد نشانه ای از یک صنعت در حال بلوغ است و بدون شک منجر به قابلیت همکاری بیشتر اجزای منبع باز و نتایج بهتر در ماندگاری طولانی مدت پروتکل های زیرساخت عمومی در حال ساخت می شود. اما ارزش این ابزارهای طراحی به کمک کامپیوتر دارای دمی بلندتر از آن چیزی است که در این مرحله به راحتی قابل تشخیص است.

نمایشی از ادغام مورد نیاز بین حلقه های مهندس (طراحی) و خلبان (استقرار) ، و ابزارها و فرایندهایی که تکرار موفق بین این دو را تسهیل می کند. (اعتبار: مایکل ضرغام)

وقتی محیط های اقتصادی (یعنی cadCAD) را شبیه سازی می کنیم و حلقه های بازخورد تحلیلی حلقه را بر نتایج به دست آمده می بندند (یعنی داشبورد تجزیه و تحلیل Commons ، یک جزء برنامه ریزی شده از پشته Commons) ، ما ما خود را برای تصمیم گیری الگوریتمی در سطح دیگری به طور کامل آماده می کنیم-چیزی که ما آن را به کمک رایانه (CAG) می نامیم.

حکمرانی به کمک رایانه چیست؟

راهی آسان برای تعریف CAG این است که آن را از آنچه نیست تشخیص دهد. CAG توسط رایانه ها اداره نمی شود. برای ما بسیار مهم است که انسانها سرپرست باشند-ما فقط می خواهیم آنها به خوبی آگاه باشند!

CAG یک فرایند پشتیبانی از تصمیم است که از فناوری بلاک چین و cadCAD برای شبیه سازی نتایج بالقوه حکمرانی استفاده می کند. سیاستها منجر به تصمیم گیری آگاهانه تر می شوند.

ستون Commons پیشنهاد می کند سیستم های حکومتی فعلی ما را با ایجاد ابزارهایی برای مدل سازی و آزمایش نتایج سیاست ها بهبود بخشد تا شرکت کنندگان اطلاعات بهتری داشته باشند و بهترین تصمیمات ممکن را بگیرند. درست مانند CAD که فرآیندهای پیش نگارش پیش دیجیتالی را متحول کرد (و در این فرایند ماشین ها ، جاده ها ، ساختمان ها و ابزارک های ایمن تری به ما ارائه شد) ، cadCAD + CAG این پتانسیل را دارد که اساساً فرایندهای حکمرانی را بهینه کند. CAG عاملیت انسانی را تضعیف نمی کند. فقط تصویری واضح تر از بازیگران حکومتی در مورد آنچه آنها انجام می دهند-و برنامه ریزی برای انجام آن.

سیستم های پشتیبانی تصمیم آینده ما؟ (اعتبار: bert sz on Unsplash)

مشکلات حکومتی

امروزه در سیستم های حکمرانی در دنیای واقعی ما ، غالباً از درک پیچیده ای از سیستم برخوردار نیستیم. سیاستی که ما تصویب می کنیم ممکن است به صورت شهودی راه حل صحیح یک مشکل معین به نظر برسد ، اما اغلب فقط به جای صرف انگیزه سیستم غالب به سمت برد-برد واقعی ، صرف منابع غیر بهینه می شود.

برای به عنوان مثال ، سرکوب مواد مخدر وارداتی ممکن است با حسن نیت باشد ، اما اغلب منجر به کاهش عرضه مواد مخدر محلی ، افزایش قیمت و افزایش منابع و انگیزه بیشتر جنایتکاران برای واردات بیشتر مواد مخدر می شود. در این سناریو ، هم دولت و هم مافیا منابع را برای نشستن هزینه می کنندبن بستی که اگر هردو تلاش خود را برای ایجاد تعادل سیستم به نفع خود متوقف کنند ، هزینه کمتری خواهد داشت. راه حل م effectiveثرتر این است که به طرح تشویقی خود سیستم بپردازیم - راه حلی که می تواند توسط CAG پیشنهاد شود. شناسایی تاثیرات غیر خطی سیستم های پیچیده. داده های بزرگ ”برای اقتصاد الگوریتمی. از نظر اقتصاد الگوریتمی ، ما به یک اقتصاد رمزگذاری شده کامپیوتری مانند بیت کوین اشاره می کنیم که در آن شما فقط مجاز به انجام برخی اقدامات هستید - در مورد بیت کوین ، این اقدامات به سادگی "خرید" یا "فروش" است. تجزیه و تحلیل و تحلیل این "داده های کلان اقتصادی" بسیار ساده تر از اقتصاد فیزیکی امروز ما است ، که دارای بازارهای سیاه و انواع قانون شکنی است که سیستم اقتصادی فعلی ما نمی تواند از آن جلوگیری کند. علیرغم این همه تار شدن قوانین ، اقتصاد فیزیکی در مقیاس بزرگ هنوز مطابق اصول حوزه ای به نام طراحی بازار اداره می شود. یک سطح مفهومی بالاتر از طراحی مکانیسم ، طراحی بازار توسط آلوین روث آغاز شد و جنبه هایی از علوم رایانه ، طراحی مکانیسم ، تحقیقات عملیات و اقتصاد را برای هدایت سیستم هایی که نمی توان آنها را کاملاً کنترل کرد ، بلکه با توجه به معیارهای رمزگذاری مطلوب و یا هدایت شده نگهداری می کند. حالتهای سالم سیستم ، حتی با پیشرفت در طول زمان. در برخی موارد ، ممکن است واقعاً راحت تر باشد. جریان داده های عظیم و پویایی پیچیده سیستم را درک کنید. (اعتبار: Joshua Sortino، Unsplash)

نرمال بودن بازار

در یک اقتصاد با الگوریتم تعریف شده ، ما به مردم نمی گوییم که "باید" چه کاری انجام دهند ، اما ما یک اهرم قوی داریم نکته ای در تعریف آنچه آنها می توانند انجام دهند و "اگر آنها انجام دهند چه اتفاقی می افتد." داده های رفتار سیستم بسیار مفید را از تجزیه و تحلیل های دقیق که از این مکانیسم های بازخورد و پویایی سیستم مربوطه آگاه هستند استخراج کنید. بر اساس این داده ها ، حکمرانی به کمک رایانه می تواند نکات م effectiveثر در سیاستگذاری را که ممکن است برای تصمیم گیرندگان غیرقابل تصور باشد پیشنهاد کند یا خطرات احتمالی یک پیشنهاد را به همراه داشته باشد.

نمایشی از نوآوری سیستم در تمام عمر که می تواند توسط CAG تسهیل شود ، هم با رعایت الزامات نرم افزاری فنی و هم با الزامات اکوسیستم اجتماعی. این نمودار دو مقیاس ارتقاء را نشان می دهد: طراحی کامل (مجدد) و به روزرسانی های تکاملی جزئی ، هر دو نوع سیستم با توجه به حکمرانی به کمک رایانه که در این سیستم ها تعبیه شده است تغییر می کند. (اعتبار: مایکل ضرغام)

همه بیش از حد انسان

در حال حاضر انسان ها کاپیتان این سیستم پیچیده ای هستند که ما آن را جامعه خود می نامیم و ما ثابت می کنیم که در پیش بینی بصری کاملاً ناتوان هستیم اثرات غیر خطی که اقدامات سیاست ما می تواند بر نتایج واقعی داشته باشد. با CAG ، شاید بتوانیم این کار را آسان تر کنیمخودمان.

بیایید یک قیاس با خلبان هواپیما انجام دهیم. هواپیما با الگوهای باد و پویایی پیچیده روبرو است (تقریباً مانند جوامع ما) ، و خلبان این توانایی را ندارد که هر نیرویی را که بر هواپیمای خود وارد می کند (مانند تصمیم گیرندگان حاکم ما) محاسبه کند. خوشبختانه ، خلبان مجبور نیست تصمیم بگیرد که کدام فلپ و تثبیت کننده تا چه درجه ای در هر دور حرکت کند-او فقط ورودی قابل فهم انسان را در یوغ خود تغذیه می کند (به عنوان مثال هواپیما باید پایین بیاید ، بنابراین با یوغ به جلو فشار بیاورید.) اتوماسیون ساخته شده در طراحی مهندسی مکانیک هواپیما سپس تصمیم ساده انسان را به مجموعه ای از فعل و انفعالات پیچیده تبدیل می کند که منجر به حرکت فلپ ها و تثبیت کننده ها به زوایای مناسب می شود تا این تصمیم تسهیل شود.

سیستم های پیچیده و نوظهور مانند شبکه جهانی ترافیک هوایی ما در واقع مبتنی بر لایه های زیادی از فرایندها و فناوری ها هستند که هر یک جزء قوی لازم است برای ثبات سطوح بالاتر پیچیدگی. (اعتبار: مایکل ضرغام)

حال که این قیاس را گامی دیگر برداشته ایم ، اجازه دهید سیستم های تصمیم گیری موجود برای کنترل کننده ترافیک هوایی را بررسی کنیم. آنها از تجزیه و تحلیل های پیشرفته مبتنی بر تحقیقات عملیات استفاده می کنند ، که شامل حجم زیادی از شبیه سازی و علم داده برای هدایت ده ها هزار هواپیما در سراسر جهان در هر لحظه است. سپس ، حتی در بالای آن سیستم ، نهادهای نظارتی وجود دارند که استاندارد سیستم ها و رویه های کنترل ترافیک هوایی را مدیریت می کنند. در ایالات متحده ، این نهاد FAA است ، که باید با سایر نهادهای نظارتی در حوزه های قضایی در سراسر جهان ارتباط برقرار کند! این نهادهای نظارتی در حال حاضر از مدلهای سیستم پیچیده مبتنی بر داده برای تصمیم گیری آگاهانه برای ایمنی و رفاه عمومی استفاده می کنند-اجازه دهید آن را به سایر حوزه های حاکمیتی که به شدت مورد نیاز است بسط دهیم.

با کمک رایانه حکمرانی ، ما در حال بررسی سیستم های بازخورد و شبیه سازی رفتاری پویای رفتاری هستیم که می تواند توانایی تصمیم گیری ما را به عنوان مباشر سیستم های پیچیده اجتماعی ما به میزان قابل توجهی بهبود بخشد. تصور کنید اگر بتوانیم توصیه های سیاست پیشنهادی را آزمایش کنیم و شبیه سازی و برآورد اثرات این سیاست ها را مشاهده کنیم. تصور کنید اگر سیستم بتواند تغییرات خط مشی را توصیه کند که به احتمال زیاد منجر به نتایج واقعی مورد نظر ما شود! به منظور دستیابی م goalsثر به اهداف مشترک خود ، از چندین لایه خودکار از پروتکل های رمزنگاری گرفته تا هوش مصنوعی کمک می کنیم.

این نمودار ضرورت یک جمعیت آگاه در مورد حکمرانی خوب را نشان می دهد. وقتی حلقه بازخورد برای آگاهی مردم در مورد پیامدهای سیاست های حکمرانی گذشته با حکمرانی به کمک رایانه را می بندیم ، مردم می توانند کنترل مناسبی را بر فرایندهای حکمرانی اعمال کنند تا از اهداف گروهی خود اطمینان حاصل کنند. (اعتبار: مایکل ضرغام)

عصر جدیدی برای دموکراسی

در هر سیستم حکومتی دموکراتیک که به خوبی کار می کند ، مردم باید در مورد وضعیت گذشته و حال حاضر اطلاعات کافی داشته باشند سیستم به منظور تصمیم گیری خوب در مورد آینده. یک فروپاشی دموکراتیک می تواند زمانی رخ دهد که مردم در مورد این موضوع گمراه شوندحقایق ، یا هنگامی که نتایج مطلوب کوتاه مدت دارای پیامدهای بلند مدت ناخواسته است (یعنی زمانی که حداکثرهای محلی و جهانی در یک راستا نباشند-فاجعه عوام دوباره رخ می دهد!) جوامع این روزها بر نفوذ و پیام های همسالان و گروه های دیگر تکیه می کنند ، که می تواند به راحتی متناسب با برنامه های جایگزین منحرف شوید. اگرچه نمی توانیم این تأثیر کج را به طور کامل کاهش دهیم ، اما می خواهیم از اهرم هایی که چنین تاکتیک هایی در سیستم های تصمیم گیری ما دارد ، بکاهیم. در داشبورد تجزیه و تحلیل قابل درک برای افراد ، کاربران می توانند در درک تأثیرات بالقوه سیاست بدون نیاز به توجه زیادی که امروزه نیاز دارند ، نمایندگی بالاتری را تجربه کنند. با اولویت بندی تجربه کاربری (UX) هنگام ایجاد این جامعه که نرم افزار پشتیبانی تصمیم گیری را تقویت می کند ، ما کاربران را قادر می سازیم که به راحتی و به طور دقیق خود را مطلع کرده و در نتیجه شرکت کنندگان بهتری در دموکراسی شوند. ما آینده ای را پیش بینی می کنیم که در آن این فناوری گمراه کردن مردم از طریق تاکتیک های جایگزین را برای بازیگران مخالف دشوارتر می کند ، آینده ای که در آن مجبور نخواهیم شد جانبداری از پیش داوری های پیش فرض خود و تراژدی عوام را انجام دهیم. از طریق داده ها ، می توانیم دموکراسی های قوی تری ایجاد کنیم. اما ما به کمک شما احتیاج داریم.

سیستم تصمیم حکمرانی

داده های مغزی و مدل های کسب و کار: چگونه رابط مغز و رایانه با هوش مصنوعی به بازار داده پردرآمد دامن می زند

چگونه یادگیری ماشین همراه با رابط مغز و رایانه می تواند جریان درآمد جدیدی ایجاد کند

عکس مورگان هوسل در Unsplash

اخیراً این شانس را داشتم که شرکت کنم یک گروه وظیفه مسئول ایجاد مدلهای تجاری جدید مربوط به رابطهای مغز و رایانه. هدف این بود که به یک شرکت بزرگ فناوری کمک کند تا بفهمد چگونه می تواند از داده های مغز به طور اخلاقی استفاده کند.

با افزایش رابط های غیرتهاجمی مغز و رایانه (BCIs) ، توسعه راه حل های یادگیری عمیق برای کمک به بهبود دقت BCIs و کاهش هزینه هدست های EEG (Electroencephalography) ، تعداد فزاینده ای از استارتاپ ها و شرکت های بزرگ فناوری به دنبال راه های جدیدی برای ایجاد درآمد از داده های مغز هستند.

در واقع ، توسعه رابط های مغز و رایانه بازار سودآوری داده ها را تقویت کرده و توسعه "سرمایه داری عصبی" را تسریع می کند. چندین شرکت در حال تلاش برای یافتن بهترین استراتژی هستند تا قبل از اینکه BCI های تهاجمی و غیرتهاجمی به یک محصول بازار انبوه تبدیل شوند.

در این مقاله ، اهمیت تجارت داده های مغزی را توضیح خواهم داد. با الگوریتم ها ، مدل های تجاری احتمالی آینده مربوط به BCI ها ، نحوه ترکیب BCI و AI اکوسیستم های محصول قوی تر و مفهوم "neuropapitalism".

رابط مغز و کامپیوتر-توضیح

برای کسانی که با اصطلاح "رابط مغز و رایانه" آشنا نیستند ، دستگاهی را تعریف می کند که امکان برقراری ارتباط مستقیم بین مغز و ماشین را دارد.

به عبارت دیگر ، BCI یک "کامپیوتر- سیستم مبتنی بر سیگنال های مغزی ، آنها را تجزیه و تحلیل می کند و آنها را به دستوراتی که برای انجام عمل مورد نظر به یک دستگاه خروجی منتقل می شوند ، ترجمه می کند. "(1). قصد انسان با استفاده از تکنیک های یادگیری ماشین برای طبقه بندی سیگنال های الکتریکی تولید شده توسط مغز به با استفاده از ابزارهای خاص ، امکان تبدیل این سیگنال های بیومتریک به بینش های کاربردی برای اندازه گیری احساسات و کنترل دستگاه های متصل وجود دارد.

یادگیری ماشین و توسعه BCI غیرتهاجمی

در این مقاله ، من اغلب به "یادگیری ماشین" به دو دلیل اشاره می کنم. اولین مورد این است که BCI می تواند به ایجاد جلوه های بهتر شبکه داده و جمع آوری داده های استراتژیک کمک کند. مورد دوم مربوط به این است که چگونه ML می تواند به BCI ها برای آماده شدن در بازار کمک کند.

در واقع ، توسعه رابط مغز و کامپیوتر با یادگیری ماشین ارتباط تنگاتنگی دارد. تکنیک های ML (از جمله یادگیری عمیق) نقش کلیدی در "استخراج ویژگی ها و طبقه بندی سیگنال های EEG/ECoG" (2) ایفا می کند.

بر اساس تجربه من ، رمزگشایی فعالیت الکتریکی مغز با تنوع زیاد و غیر سر و صدای ثابت به یک سیگنال معنی دار دشوار است. بنابراین ، استفاده از تکنیک های یادگیری ماشین کلیدی برای حل برنامه های کاربردی BCI است.

برای مقابله با چالش های کاربرد BCI ، چندین سازمان برای بهبود استخراج ویژگی های ضروری از سیگنال های EEG تلاش می کنند.

از نظر تجربه مشتری ، استفاده از هوش مصنوعی و BCI می تواند به این شکل باشد. بگذارید تصور کنیم که در خیابان شخصی را می بینید که تی شرت مورد علاقه شما را پوشیده است. بعداً ، در حالی که در برنامه رسانه های اجتماعی مورد علاقه خود حرکت می کنید ، یک تی شرت با ظاهر مشابه را روی یک پست حمایت شده مشاهده می کنید. ممکن است شخصی که این تی شرت را می پوشد شبیه شما باشد محتوای مبتنی بر شبکه های مخالف تولیدی (GAN). این سناریو می تواند به زودی به واقعیت تبدیل شود.

رابط مغز و رایانه و داده های بازاریابی

با استفاده از BCI ها ، شرکت ها می توانند داده های کلیدی بازاریابی مانند فعال سازی حافظه را جمع آوری کنند.

این وضعیت به شرکت ها این امکان را می دهد تا اطلاعات شخصی تری درباره مصرف کنندگان جمع آوری کرده و نحوه تعامل ما با دستگاه های روزمره را به طور اساسی تغییر دهند.

تصویر نویسنده

رابط مغز و رایانه به شرکت ها این امکان را می دهد که" سفرهای مشتری ، احساسات و ترجیحات آنها "(4) را به طور عمیق تری پیگیری کنند. تبلیغات و تجربیات سفارشی را افزایش دهید تا فروش را مستقیماً به مغز یا دستگاه های پوشیدنی خود افزایش دهید.

BCI ها همچنین می توانند برای "بهینه سازی تبلیغات اینترنتی و نقاط تلویزیونی" استفاده شوند (5). با اطمینان می توان فرض کرد که داده های امواج مغزی به جای داده های کوکی به هنجار جدیدی برای تبلیغات آینده مبتنی بر وب تبدیل می شود.

اگر شرکتی مانند Google تصمیم به توسعه BCI ها داشته باشد ، می تواند تشخیص دهد که آیا شما توجه به تبلیغات ویدیویی ، احساسی که نسبت به آنها دارید و اینکه آیا آنها شخصاً به شما مربوط هستند یا خیر. شرکتی مانند اپل می تواند BCI ایجاد کند که لیست پخش موسیقی را با توجه به روحیه شما انتخاب می کند.

سایر شرکت ها ممکن است برنامه هایی را برای جمع آوری داده های مغز شما با استفاده از BCI ساخته شده توسط یک شرکت دیگر توسعه دهند (کمی شبیه Google Play و برنامه های تلفن همراه شخص ثالث).

تصویر نویسنده > همین شرکتهای بزرگ فناوری نیز بیشتر از اشکال جدید BCI سود خواهند برد. در واقع ، برخی از شرکت ها می توانند از قبل یک رابط مغز و کامپیوتر به شکل هدفون ایجاد کنند (6). اشکال دیگر BCI به مزایای BCIs برای توده ها در یک فرم که مردم به طور منظم از آن استفاده می کنند ، کمک می کند. به همین دلیل است که داده های مغزی برای شرکت ها بسیار استراتژیک می شود. هدست هایی که قادر به اجرای طیف وسیعی از برنامه های شخص ثالث هستند ، اکنون با قیمت 100 دلار (7) خریداری می شود.

نوروکاپیتالیسم & مدلهای تجاری

طی ماموریت من ، ما به این نتیجه رسیدیم که شرکتهای فناوری پیشرفته باید از قبل آماده شدن برای تسریع دوران عصب سرمایه داری را آغاز کنند. سالهای آینده تحت تأثیر تجاری سازی داده های مغزی در بازار مصرف قرار خواهد گرفت. همچنین توسعه دستگاههایی که برای تعامل با BCI ساخته شده اند.

رابط غیرتهاجمی مغز و رایانه باعث می شود که افراد داده های مغزی خود را با خدمات شرکت های خصوصی مبادله کنند.

New Brain-Computer مدلهای تجاری رابط؟

فراتر از ساختن رابطهای مغز و کامپیوتر ، من انتظار دارم که شرکتهای بزرگ فناوری یک اکوسیستم واقعی از برنامه های کاربردی رایگان و سایر دستگاهها را در کنار BCI توسعه دهند.

بر اساس تجزیه و تحلیل ما ، ما معتقدیم که مدل اصلی کسب و کار برای BCI ، مدلی به نام "پرداخت با داده" خواهد بود. به عنوان مثال ، برخی از برنامه های کاربردی BCI مانند انتخاب موسیقی می توانند به صورت رایگان در ازای دسترسی کاربران به تمام داده های مغز خود ارائه شوندمربوط به این برنامه (8).

این داده ها می توانند سازماندهی شوند و یا برای اهداف تبلیغاتی هدفمند استفاده شوند و یا با قیمت مناسب به اشخاص ثالث فروخته شوند. با بهبود کیفیت خدمات و ارتباط تبلیغات ، این مدل کسب و کار به افزایش قفل شدن مشتریان کمک می کند.

Lock In Effect: استراتژی ای که در آن یک شرکت کار را برای مشتریان خود بسیار سخت می کند آنها را ترک کنید. تصویر نویسنده

شرکت ها می توانند همچنین از داده های مغز برای بهبود توصیه های محصول و افزایش ارزش طول عمر هر مشتری استفاده کنید. این برای اکثر شرکت های تجارت الکترونیک استراتژیک است. در این صورت ، داده های مغزی به یک مدل کسب و کار موجود کمک می کند.

ما همچنین انتظار داریم BCI ها رابط کاربری آینده شوند و ارتباطات یکپارچه تری را با دستگاه ها ایجاد کنند. به این ترتیب ، شرکت های بزرگ فناوری سعی خواهند کرد ویژگی های مربوط به BCI را به استراتژی اکوسیستم محصول فعلی خود اضافه کنند. سپس آنها می توانند داده ها را از منابع/دستگاه های متعدد از جمله BCI/داده های مغز جمع آوری کنند. داده های مغزی به بهبود کارایی اکوسیستم و افزایش حداکثر ارزش مشتری و ماندگاری مشتری کمک می کند.

ادغام BCI با اکوسیستم محصول موجود نیز به افزایش فروش کمک می کند. به عنوان مثال ، اگر مصرف کننده به محصول خاصی در یک فروشگاه توجه می کند ، عینک های هوشمند مجهز به BCI می توانند فکر مربوط به قیمت را طبقه بندی کرده و این اطلاعات را به فروشگاه ارسال کنند که می تواند از قیمت های پویا برای تعدیل قیمت استفاده کند.

اکثر مشاغل فروش محتوای آنلاین از استفاده از داده های مغزی بسیار سود خواهند برد. به عنوان مثال ، شرکت های رسانه ای می توانند از داده های مغز برای تصمیم گیری در مورد ایجاد محتوا استفاده کنند. BCI ها همچنین می توانند سطح توجه هر خواننده را اندازه گیری کرده و محتوا را در زمان واقعی تنظیم کنند.

بهبود ارتباط تبلیغات/پیوندهای وابسته در کنار هر محتوا ممکن می شود. همچنین می توان از داده های مغزی برای ایجاد توصیه های محتوایی بهتر و مشارکت بیشتر استفاده کرد. سپس شرکت ها می توانند برای استفاده (مانند Netflix) هزینه دریافت کنند.

تصویر توسط نویسنده

سایر شرکت ها ممکن است از طریق برنامه خود به داده های مغز شما و همچنین سایر داده های مربوط به شما دسترسی داشته باشند. به عنوان مثال ، LinkedIn می تواند اطلاعات مربوط به تجربیات شغلی گذشته شما و داده های مربوط به نحوه واکنش شما به آگهی های شغلی خاص را بفروشد. به این ترتیب ، شرکت ها می توانند دسترسی به داده های برتر را بفروشند یا حتی دسترسی API را به داده های خام ساخته شده با داده های مغزی بفروشند. ' بهره وری. برخی از شرکت ها قبلاً از BCI استفاده کرده اند تا "تغییرات حالات احساسی در کارکنان خط تولید ، ارتش و در راس قطارهای سریع السیر را تشخیص دهد" (9).

BCI های موجود با سنسورهای بی سیم به طور مداوم "امواج مغزی استفاده کننده را تحت نظر داشته باشید و داده ها را به رایانه هایی که از Machine Learning برای تشخیص موج احساسی مانند افسردگی ، اضطراب یا خشم استفاده می کنند" (10) نظارت کنید. به شرکتهای تخصصی BCI را به عنوان راهی برای افزایش کارایی کلی کارگران با تغییر دفعات و طول زمانهای استراحت برای کاهش استرس روانی ترویج خواهند کرد. من انتظار دارم که اکثر BCI ها را در کلاه ایمنی معمولی یا کلاه های یکنواخت پنهان کنم.

من تصور می کنم که برخی از مشاغل خاص به BCI نیاز دارند (خلبانان ،رانندگان کامیون و غیره).

داده های مغزی کارکنان می تواند به یک منبع درآمد جدید تبدیل شود. در واقع ، داده های مغزی را می توان برای اهداف مرتبط با مجموعه داده یا مطالعات بازار به شرکت های دیگر فروخت. تولید بسیاری از محصولات مبتنی بر یادگیری ماشین بیشتر محصولات یا خدمات فناوری فعلی به کیفیت داده های کاربر بستگی دارد. هرچه تعداد کاربران از یک برنامه بیشتر باشد ، می توان داده های بیشتری جمع آوری کرد تا مدل ها را تربیت کند و دقت بیشتری را ارائه دهد ، که به نوبه خود کاربران بیشتری را جذب می کند.

به نظر من ، داده های مغزی مشاغل ساخته شده را بیشتر تقویت می کند بر اثرات شبکه داده دسترسی به داده های مغزی به معنای مجموعه داده بهتر برای ابتکارات ML ، ML بهتر به معنای خدمات/محصولات بهتر و غیره است. شرکت هایی که توانایی استفاده از داده های مغزی را ندارند ، تأثیرات شبکه شبکه داده های قدرتمندتری خواهند داشت.

تصویر نویسنده ، با الهام از منبع [https://twitter.com/realalexbarge/status/922870908980748288] < h1> فراتر از بازاریابی

تقریباً همه شرکت ها/صنایع تحت تأثیر داده های مغزی قرار می گیرند. پیامدهای داده های جمع آوری شده از طریق استفاده از BCI بسیار فراتر از تبلیغات هدفمند است. به عنوان مثال:

شرکت های بیمه ممکن است از داده های مغز برای "تعیین میزان کسر مبلغ شما بر اساس سطح استرس ثبت شده در EEG" استفاده کنند. (11) بانک ها می توانند "اعتبار از طریق داده کاوی" (12) و داده های مغزی را تعیین کنند. صنعت سرگرمی ممکن است از داده های مغزی برای کسب اطلاعات بیشتر در مورد مصرف کنندگان و ایجاد برنامه های متناسب تر استفاده کند. محتوای ساخته شده بازی های عصبی ، "جایی که شما حرکات خود را در یک بازی ویدیویی با استفاده از مغز خود کنترل می کنید" (13) به جای یک کنترل کننده سنتی ، بسیار امیدوار کننده به نظر می رسد. واکنش مغز بازیکنان را می توان جمع آوری کرد و به شرکت های دیگر فروخت ... این برنامه ها به عنوان اسب تروا برای جمع آوری داده های مغزی عمل می کنند ، سپس داده ها را به یک خندق رقابتی تبدیل می کنند که به بهبود سایر محصولات/راه حل ها کمک می کند. خندق داده: یک خندق داده "یک مزیت رقابتی است که شما در برابر آن مشاغل دیگر بر اساس مجموعه داده های اختصاصی شما "(14).

ایجاد اعتماد

با وجود این درآمدهای جدید بالقوه امیدوارکننده ، باید عدم شفافیت فعلی در مورد اینکه کدام دستگاه ها واجد شرایط هستند را برجسته کنم به عنوان BCIs در واقع ، یک منطقه خاکستری نظارتی برای BCI های غیر تهاجمی وجود دارد. از نظر برخی از کارشناسان ، این بدان معناست که جامعه ما به برخی قوانین در مورد نحوه جمع آوری ، ذخیره و استفاده از مغز (15) نیاز دارد.

با اطمینان می توان گفت که اکثر شرکت های بزرگ فناوری دارای سابقه استفاده غیر اخلاقی از داده های مشتری من انتظار دارم که شرکت های بزرگ فناوری زمان و پول زیادی را روی محتوایی سرمایه گذاری کنند که توضیح می دهد چگونه از حریم خصوصی داده های شما محافظت می کنند. وقتی BCI ها به جریان اصلی تبدیل می شوند ، حریم خصوصی داده ها به یک عامل متمایز کننده اصلی تبدیل می شود.

برای کسب اطلاعات بیشتر در مورد این موضوع ، پیوندهای زیر را توصیه می کنم:

ترکیبی از رابط های مغز و رایانه و هوش مصنوعی: برنامه ها و چالش ها پیشرفت رابط کامپیوتر مغز در علوم اعصاب: برنامه ها و مسائل گوش هایی که می توانند ذهن شما را بخوانند؟ Orbityl مرزهای رابط های مغز و رایانه را پیش می برد افزایش رابط های رایانه ای مغز و آینده بازاریابی نوروکاپیتالیسم چیست و چرا در آن زندگی می کنیم؟ یادگیری عمیق در رابط مغز و رایانه: وضعیت فعلی و چالش ها برای پیشرفت در این زمینه فناوری ذهن را با ماشین ها درگیر می کند و نگرانی ها را افزایش می دهد آینده عجیب رابط های مغز و کامپیوتر: جایگزینی رمزهای عبور با افکار و مدیران ذهن خوان کهمی تواند بفهمد چه زمانی بی حوصله هستید اسکن مغز در کارخانه های چین احتمالاً کار نمی کند-اگر اصلاً اتفاق بیفتد مثل این است که آنها ذهن من را می خوانند: چگونه نسل بعدی برنامه ها امواج مغزی شما را به بازار عرضه می کنند. استفاده از داده کاوی برای بهبود ارزیابی اعتبار از طریق مدل های امتیازدهی اعتبار مسابقه برای کنترل بازی های ویدئویی با استفاده از ذهن فیس بوک در حال تأمین هزینه آزمایشات مغزی برای ایجاد دستگاهی است که ذهن شما را می خواند: شرکت های بزرگ فناوری سعی می کنند افکار مردم را بخوانند و هیچ کس آماده عواقب آن نیست منظور از فناوری نوظهور خواندن ذهن در بازاریابی

استفاده

کلاس درس دیترویت مشارکت دولتی دانش آموزان سیاه پوست را در علوم کامپیوتر دو برابر می کند

دانش آموزان در کلاس اصول علوم رایانه AP Zach Sweet

توجه: از سپتامبر 2020 ، این پست حاوی زبان یا گرافیک قدیمی است که به "اقلیت های کم نماینده" اشاره می کند. برای مشاهده خط مشی فعلی ما در مورد نژاد ، قومیت و جنسیت ، این مقاله پشتیبانی را مشاهده کنید.

پاییز گذشته ، معلم دیترویت ، زاک شیر ، آموزش اصول علوم کامپیوتر AP را آغاز کرد - اولین دوره علوم کامپیوتر ارائه شده در دبیرستان رنسانس - با شرکت 35 دانش آموز در کلاس افتتاحیه. از این دانش آموزان ، 63 درصد زن بودند و 100 درصد اقلیت های کم نماینده بودند. در بهار 2018 ، کلاس او به تنهایی 225 increase افزایش تعداد دانش آموزان سیاه پوست را در کل ایالت میشیگان با موفقیت در آزمون از سال 2017 تا 2018 نشان داد.

زاک واقعاً خود را از نظر فنی در نظر نمی گیرد پسر متفکر ؛ او یک دوره علوم کامپیوتر در کالج گذرانده بود ، اما مدام خود را در حال گذراندن آن می دید. "و اگر صادق باشم ، من یک سال پیش یک تلفن هوشمند گرفتم."

اما این بر نحوه برخورد او با تدریس و یا آنچه دانش آموزانش یاد می گیرند تأثیر نگذاشته است. در سال 2017 ، زاک به فیلادلفیا رفت تا در برنامه آموزش حرفه ای Code.org برای معلمانی که برای اولین بار علوم رایانه را به مدارس خود می آورند ، شرکت کند. و بعد از گذراندن یک تابستان در Code.org ، علاقه او به علوم رایانه تغییر کرد.

وقتی زاک در پاییز شروع به تدریس کرد ، خودش تک تک شاگردان خود را استخدام کرد - دانش آموزان سال دوم که هندسه تازه کار خود را گرفته بودند. کلاس ، دانشجویانی که از برنامه پل تابستانی رنسانس (برنامه تابستانی برای تازه کاران ورودی) استخدام شده بودند ، و خردسالان و سالمندان کلاس AP Calculus او.

"من از تدریس کلاس عصبی بودم ، اما از این مدل کاملاً لذت بردم. جایی که معلمان یادگیرندگان اصلی هستند و به دانش آموزان فرصتی داده می شود تا آبها را کاوش و آزمایش کنند و پاسخ ها را برای خود بیابند. در عرض چند روز ، هر ترسی که داشتم قطعاً از بین رفته بود. "

او همچنین با شروع تدریس علوم کامپیوتر از مدرسه حمایت بسیاری کرد. دبیرستان رنسانس یک مدرسه ابتکاری ملی ریاضی و علوم است که برای معلمان و دانش آموزان آموزش و حمایت می کند تا اطمینان حاصل شود که همه منابع لازم برای موفقیت را دارند. زک همچنین به آلبرت لی ، داوطلب مایکروسافت TEALS در کلاس درس ، معتقد است که تأثیر زیادی بر دانش آموزان و موفقیت خود داشته است. آلبرت در دبیرستان رنسانس داوطلب می شود و به دانش آموزان نشان می دهد که می توانند در صنعت فناوری موفق شوند. "در یک مقطع از سال ، دانش آموزان من کلاس را با یک کلاس هنری مقایسه کردند - آنها احساس کردند که فضای زیادی برای استفاده از خلاقیت خود دارند و احساس کردند می توانند خود را از طریق علوم کامپیوتر بیان کنند."

زاک قبل از دوره ، در میانه و در پایان سال ، دانش آموزان خود و رویکرد و برداشت آنها از علوم کامپیوتر را مورد بررسی قرار داد. تغییری که شاگردانش تجربه کردند مشهود بود. "در پایان سال ، 100 students از دانش آموزان من گفتند که موافق هستند یا کاملاً موافقند که هر کسی می تواند یاد بگیردعلوم کامپیوتر. نگرش ها کاملاً تغییر کرد آنها از نگرانی به واقع لذت بردند. " کندرل - یکی از شاگردان زاک - گفت که دانش آموزان باید "از این کلاس که در بسیاری از مدارس دیگر وجود ندارد استفاده کنند." هنگام یادگیری از محدوده راحتی خود خارج شوید. بنابراین در طول سال ، دانش آموزان تمرین می کردند که چگونه چالش ها را پشت سر بگذارند. چه با همکاری ، درخواست کمک و یا ایده پردازی ، دانش آموزان نه تنها علوم کامپیوتر را آموختند ، بلکه این چالش خوب است. "شما باید فرهنگ ایمنی را ایجاد کنید ، فرهنگ پذیرش ریسک پذیری ، احساس امنیت کافی برای ریسک پذیری و تقسیم اشتباهات. راههای متعددی برای حل مشکلات وجود دارد ، و این کلاس واقعاً به اجرای آن کمک کرد. "

تلاشها و رویکردهای او برای آموزش علوم رایانه منجر به تأثیر باور نکردنی بر تنوع علوم رایانه در میشیگان شده است. امسال 33 نفر از 35 دانش آموز وی در آزمون اصول علوم کامپیوتر AP شرکت کردند - 27 دانش آموز قبول شدند. از 27 دانش آموزی که قبول شدند ، 26 نفر آمریکایی آفریقایی تبار و 1 نفر لاتین تبار بودند. در سال 2017 ، تنها 11 دانش آموز سیاهپوست در کل ایالت میشیگان در آزمون اصول علوم کامپیوتر AP شرکت کردند و هشت نفر در آن شرکت کردند.

اما میراث قابل توجه اولین کلاس علوم کامپیوتر دبیرستان رنسانس در کشفی است که دانش آموزان انجام می دهند. در مورد امکانات آینده خود در پاییز آینده ، یکی از شاگردان زاک قصد دارد در دانشگاه هاروارد - و دیگری در اسپلمن - شرکت کند و هر دو دختر قصد تحصیل در رشته کامپیوتر را دارند.

"من فکر می کنم اگر می خواهید در حقوق صاحبان سهام تغییر ایجاد کنید ، تلاش فعالانه دانش آموزان دختر و اقلیت در زمینه علوم کامپیوتر در دانشگاه ها و در زمینه شغلی به طور کامل نمایان نشده اند و ما واقعاً می خواهیم این امر تغییر کند. فلسفه تدریس من این است که اگر انتظارات زیادی از دانش آموزان داشته باشید ، آنها همیشه به این انتظارات خواهند رسید. معلمان هرگز نباید مانعی برای دانش آموزان ایجاد کنند. 82 دانش آموز قبلاً برای سال تحصیلی آینده ثبت نام کرده اند. به نظر می رسد که دانش آموزان دبیرستان رنسانس آماده اند تا بار دیگر رکوردها را بشکنند.

این بخشی از مجموعه فعلی ما "Profiles in CS" است ، جایی که ما می نشینیم و با افرادی که از طریق رایانه در جامعه خود تغییر ایجاد می کنند ، گفتگو می کنیم. علم.

به هر دانش آموزی این فرصت را بدهید که یاد بگیرد و علوم رایانه را به مدرسه شما بیاورد. ؟ یک خط برای من بگذار!

ایجاد یک سیستم تشخیص صدا با PyTorch با استفاده از تکنیک های بینایی رایانه ای

یادگیری متضاد برای کارهای تحت نظارت و تحت نظارت

عکس توسط ایوان بندورا در Unsplash

مقدمه

روشهای احراز هویت مبتنی بر بیومتریک در طول زمان اهمیت خود را افزایش می دهند فاصله اجتماعی ، کار از راه دور و همکاری ، زیرا می توانند امنیت و تجربه مشتری بالاتری را همزمان ارائه دهند. یکی از تکنیک های آن تشخیص صدا است ، یعنی تشخیص اینکه یک ورودی صوتی داده شده از شخصی است که قبلاً ثبت شده است یا خیر. احراز هویت صوتی یکی از بهترین تجربیات کاربر در بین همه روشهای احراز هویت را ارائه می دهد ، بنابراین پیشرفت در آن زمینه می تواند به امنیت برنامه ها بدون آسیب رساندن به تجربه در بسیاری از صنایع کمک کند.

در این بخش ما نحوه عملکرد منطقی را توضیح می دهیم. سیستم تشخیص صدا با PyTorch ، با استفاده از تکنیک های عمیق یادگیری رایانه. با نتایج 90.2 accuracy با استفاده از نمونه های مختلف آموزشی و آزمایش و تنها 25 of از اندازه مجموعه داده اصلی ، ما نشان می دهیم که چگونه در حال حاضر برای حوزه های مختلف هوش مصنوعی امکان استفاده از دانش یکدیگر برای بهبود تکنیک ها و نتایج آنها وجود دارد. < /p>

زمینه

مانند رایانه کامپیوتری (CV) و پردازش زبان طبیعی (NLP) ، برنامه های کاربردی مبتنی بر صدا یکی از تأثیرگذارترین مناطق در پیشرفت های اخیر در یادگیری عمیق هستند.

مشکلاتی مانند تشخیص صدا و گفتار برای دهه ها بسیار چالش برانگیز بود. نه اینکه در حال حاضر مشکل نیست ، اما راه حل های کلاسیک برای این مشکلات معمولاً به طراحی ویژگی های دستی و دانش تخصصی زیادی نیاز دارد.

اما شاید مهمترین آن ، یادگیری عمیق نیز باعث افزایش چشمگیر همکاری ها شد در میان متخصصان در زمینه های مختلف قبل از شروع یادگیری با پارادایم داده ، محققان NLP ، Computer Vision و پردازش سیگنال همکاری چندانی با یکدیگر نداشتند-این بسیار مختص حوزه بود. امروزه ، محققان پردازش سیگنال می توانند از پیشرفت های انجام شده در CV و NLP استفاده کنند. این تبادل اطلاعات می تواند به سادگی خواندن یک مقاله و به کار بستن ایده ها در زمینه های مختلف باشد.

امروزه ، با درک خوب از یادگیری ماشین ، مجموعه داده های تمیز و خوش رفتار و کتابخانه های یادگیری عمیق ، ساختن یک اثبات مفهوم ساده (POC) نسبتاً ساده است.

برای اثبات موضوع ، در این مقاله ما قصد داریم فرآیند استفاده از یک روش یادگیری بدون نظارت اخیر (برای CV ) ، برای ایجاد POC برای تشخیص صدا. به عبارت دیگر ، ما سیستمی می خواهیم که بتواند صدای افراد خاصی را تشخیص دهد.

چرا اهمیت دارد؟ فناوری مبتنی بر صدا تا حد زیادی به عنوان یک عامل بیومتریک برای احراز هویت مورد استفاده قرار می گیرد. بسیاری از بازیکنان مانند گوگل و اپل دارای فناوری اصلی مبتنی بر تعامل صوتی هستند. Apple Siri ، Google Assistant و Cortana ، برخی از محبوب ترین ها هستند. علاوه بر این ، فناوری صدا به عنوان یک مرحله احراز هویت چند عاملی مورد استفاده قرار می گیرد. در اینجا ، بیومتریک مانند اثر انگشت ، عبارت عبور صدا و تشخیص چهره را می توان برای ایجاد یک مکانیزم احراز هویت سفارشی و ایمن ترکیب کرد.

مانند هر سیستم مبتنی بر داده ، راه حل ارائه شده در اینجا کامل نیست. این به معنای POC است که در آن آزمایش محرک اصلی است. با این وجود ، سیستم تنها با استفاده از بخش کوچکی از داده های موجود ، عملکرد شایسته ای را به دست می آورد.روش یادگیری مورد استفاده برای این پروژه و انتقال به مورد استفاده ما. کد ، که در PyTorch نوشته شده است ، می تواند در Github قابل دسترسی باشد. صحنه های مرتبط تا حد امکان (بر اساس معیار فاصله مشخص) در حالی که نمایش ها را از صحنه های مختلف جدا می کنیم.

بصورت بصری ، بیایید به موردی بپردازیم که یک مجموعه داده تحت نظارت داریم که برچسب هایی برای هر کلاس پرچم گذاری می کند. به راحتی می توان دریافت که در چنین سناریویی ، ما می توانیم نمونه های مختلف از یک کلاس را انتخاب کنیم ، بردارهای جاسازی شده آنها را بدست آوریم و یک شبکه را بهینه کنیم تا این جفت جاسازی در فضای نمایش نزدیک به هم باشد. به دلایلی که به زودی روشن خواهد شد ، بیایید این جفت بردارهای جاسازی شده را به صورت (

آلن تورینگ - جشن تنوع در علوم کامپیوتر

ماه غرور مبارک! در این ماه زمانی را برای تجلیل از معلمان و دانش آموزان LGBTQIA+ اختصاص می دهیم ، می خواستیم نگاهی به یک رهبر تاریخی کلیدی در علوم کامپیوتر بیندازیم.

آلن تورینگ ، 1927

در اوایل قرن بیستم ، آلن تورینگ بسیاری از ایده های اساسی علم کامپیوتر را تعریف کرد. در حالی که رایانه های روز تورینگ روی ریاضیات متمرکز بودند ، او می توانست امکانات را با محاسبه باز کند و در مورد توانایی هوش مصنوعی تعجب می کرد. در دهه 1950 او آزمایشی را که ما هنوز از آن برای درک هوش رایانه استفاده می کنیم تعریف کرد. آزمون تورینگ یک کامپیوتر را برای گفتگوی انسانی به چالش می کشد.

اگر با یک انسان و یک کامپیوتر بسیار هوشمند از طریق نوشتار صحبت می کنید (بنابراین نمی توانید رایانه را ببینید) ، آیا می توانید بگویید کدام کدام است؟ اگر نمی توانید تفاوت را تشخیص دهید ، رایانه "آزمایش تورینگ" را برای تقلید موفقیت آمیز هوش انسانی گذرانده است. امروزه اینترنت مملو از ربات هایی است که در پیام های کوتاه یا موضوعات خاص از انسان تقلید می کنند ، اما هنوز هیچ رایانه ای در یک مکالمه گسترده که تنها به یک موضوع محدود نمی شود ، آزمون تورینگ را گذرانده است.

سراسر جهان در جنگ دوم ، تورینگ نقش مهمی در استفاده از رایانه ها برای شکستن پیام های رمزگذاری شده نازی ایفا کرد. با این حال ، پس از جنگ ، در سال 1952 ، تورینگ در زمانی که در بریتانیا غیرقانونی بود به همجنس گرایی محکوم شد. به عنوان بخشی از مجازات ، او مجبور شد کار خود را در زمینه علوم رایانه ای به دولت واگذار کند.

امروزه ، دولت تورینگ و دیگر مردانی را که تحت این قوانین محکوم شده اند تبرئه کرده است. اما ، ما هرگز نمی دانیم که تورینگ چه چیز دیگری می تواند در زمینه علوم رایانه کمک کرده باشد. با حمایت از همه دانش آموزان ، ما از توانایی آنها برای مشارکت در راههایی که امروز تصور نمی کنیم ، استفاده می کنیم. یکی از آنها از علوم رایانه برای کمک به درمان بیماری استفاده می کند ، دیگری از جامعه محلی آنها پشتیبانی می کند و شاید یکی از اولین نرم افزارهایی که آزمون تورینگ را پشت سر می گذارد ، بسازد.

آلن تورینگ تنها یکی از بسیاری از LGBTQIA+ بود رهبران در زمینه علوم کامپیوتر ما می خواهیم از معلمان خود تشکر کنیم که تلاش می کنند کلاس های درس خود را برای دانش آموزان با هر گرایش جنسی و هویت جنسیتی شامل شوند.

حمایت خود را نشان دهید

علاقه نشان داده شده برای پیراهنی که تیم ما در رژه افتخار سیاتل در سال گذشته طراحی کرده و می پوشید ، فوق العاده جذاب بود. بنابراین بار دیگر ، ما آنها را برای خرید برای هر کسی که بخواهد حمایت خود را از افراد LGBTQIA+ و حقوق صاحبان سهام در آموزش علوم رایانه نشان دهد ، در دسترس قرار می دهیم. سفارشات باید تا جمعه 15 ژوئن انجام شود و پیراهن ها حدود دو هفته پس از آن تحویل داده می شوند.

و بسیاری از تیم های ما در اینجا در Code.org امسال دوباره در رژه افتخار شرکت می کنند. سیاتل حمایت از معلمان ، دانش آموزان و همکاران LGBTQIA+ ما. در اینجا یک عکس از سال گذشته است:

تیم Code.org ، رژه غرور سیاتل 2018

آلیس استینگلاس ، Code.org