مجله هوش مصنوعی

آخرین اخبار و تکنولوژی های هوش مصنوعی را در اینجا بخوانید.

مجله هوش مصنوعی

آخرین اخبار و تکنولوژی های هوش مصنوعی را در اینجا بخوانید.

وجود چه ویژگی‌هایی در یک عامل مجازی باعث می‌شود انسان از حالات چهره آن تقلید کند؟


دانشمندان رایانه در سال‌های اخیر عامل‌های مجازی متنوعی توسعه داده‌اند. عامل مجازی هوش مصنوعی با هدف تعامل با انسان و کمک کردن به وی در انجام امور مختلف طراحی شده است. یافته‌های شماری از پژوهش‌های پیشین حاکی از این است که میزان اعتماد فرد به این عامل‌ها معمولاً به این مسئله بستگی دارد که عامل‌ها چقدر دوست‌داشتنی و دلنشین به نظر می‌رسند.

انواع مختلف بدن‌مندی ربات که در آزمایشات به کار گرفته شده‌اند. از چپ به راست: عامل مجازی، ربات Furhat ، و ویدیوی ضبط‌شده از ربات Furhat. تصویر سمت راست نیز تصویر یک انسان واقعی است که برای عوان گروه کنترل در نظر گرفته شده.
انواع مختلف بدن‌مندی ربات که در آزمایشات به کار گرفته شده‌اند. از چپ به راست: عامل مجازی، ربات Furhat ، و ویدیوی ضبط‌شده از ربات Furhat. تصویر سمت راست نیز تصویر یک انسان واقعی است که برای عوان گروه کنترل در نظر گرفته شده.


یافته‌های مطالعات روان‌شناسی نیز نشان داده‌اند که وقتی انسان‌ها کسی را دوست داشته باشند یا به نظرشان دلنشین بیاید، تمایل دارند که حرکات و حالات چهره وی را تقلید کنند. بنابراین می‌توان گفت که وقتی ربات یا عامل مجازی به نظر فرد دوست‌داشتنی بیاید، وی رفتارها و حالات چهره او را تقلید خواهد کرد.

محققین در دانشگاه‌های Uppsala ، Potsdam،Sorbonne  و سایر دانشگاه‌های دنیا، اخیراً به مطالعه میزان تاثیری که برخی ویژگی‌های خاص یک عامل مجازی روی تقلید انسان از حالات چهره آن عامل می‌گذارند، پرداخته‌اند. این مقاله که روی سامانه arXiv منتشر شده است به طور خاص به بررسی تاثیر دو ویژگی کلیدی یعنی بدن‌مندی عامل و میزان شباهت آن به انسان می‌پردازد.

محققین در این آزمایش از شرکت‌کنندگان خواستند تا در حین تعامل با ۳ عامل مجازی (یعنی یک ربات Furhat ، ویدیویی از یک ربات Furhat  و یک عامل کاملاً مجازی)، سعی کنند احساسات آن‌ها را شناسایی کنند. در فاز اول آزمایش، از شرکت‌کنندگان خواسته شد تا تنها با مشاهده حالات چهره عامل، بگویند که چه برداشتی از احساسات آن دارند. در مرحله دوم نیز از شرکت‌کنندگان خواسته شد تا پس از مشاهده حالت چهره عامل، آن را تقلید کنند.

سپس محققین اطلاعات فاز اول آزمایش را تحلیل کردند تا مشخص کنند که آیا شرکت‌کنندگان به‌طور ناخودآگاه حالات چهره عامل هوش مصنوعی را تقلید کرده‌اند یا خیر. مجققین از تحلیل داده‌های حاصل از فاز دوم آزمایش نیز به دنبال این بودند که وقتی مستقیماً از فرد خواسته شود از عامل مجازی تقلید کند، حالات چهره وی تا چه حد به حالات چهره عامل شباهت خواهد داشت.

سطوح مختلف شباهت عامل به انسان که در آزمایشات بالا به‌کارگرفته شده است.
سطوح مختلف شباهت عامل به انسان که در آزمایشات بالا به‌کارگرفته شده است.


محققین در این مقاله توضیح داده‌اند که میزان انسان‌نما بودن عاملی که به ۴۵ شرکت‌کننده حاضر در این آزمایش نمایش داده می‌شد، به صورت تصادفی از میان سه گزینه تصویر بالا انتخاب شده بود. سپس حالت چهره یک انسان و سه عامل هوش مصنوعی که از لحاظ بدن‌مندی (ربات فیزیکی، ویدیوی ربات و عامل کاملاً مجازی) با هم متفاوت بودند به شرکت‌کنندگان نشان داده شد. مجققین همچنین اظهار داشتند که برخلاف فرضیه‌های آن‌ها، نتایج حاکی از این بودند که واکنش ناخودآگاه شرکت‌کنندگان نسبت به عاملی که چهره عادی‌تر نسبت به سایرین داشت و در واقع شباهتش به انسان بیشتر بود و دوست‌داشتنی‌تر به‌نظر می‌رسید، کمتر بوده است.

محققین دریافتند که احتمال این که شرکت‌کنندگان به صورت ناخودآگاه نسبت به حالات چهره عامل مجازی که در مقایسه با سایر عامل‌های چهره‌ای ناخوشایند دارد، واکنش نشان دهند، بیشتر است. یافته‌های این مقاله با نتایج مطالعات پیشین در حوزه روانشناسی که درباره تقلید حالات چهره در تعاملات انسانی بودند، کاملاً در تقابل است.

علاوه براین، محققین دریافتند که وقتی به شرکت‌کنندگان گفته می‌شد که باید حالات چهره عامل را تقلید کنند، احتمال تقلید به صورت ناخودآگاه کمتر می‌شد. محققین در این مقاله نوشتند: «وقتی فرد توانایی خوبی در تقلید حالات چهره هدف که پویا و موقتی هستند، داشته باشد، احتمالاً در تشخیص احساسات هدف نیز توانا خواهد بود. به این ترتیب، برخلاف تقلید ناخودآگاه، اگر به شرکت‌کنندگان گفته شود که حتماً باید حالات چهره عامل را تقلید کنند، می‌توان به درک بهتری از احساسات رسید.»

فرضیه اولیه محققین این بود که وقتی مستقیماً از افراد خواسته شود که احساسات عامل‌های هوشمند را شناسایی کنند، ممکن است الگوهای حاصله با یافته‌های مطالعات روان‌شناسی متفاوت باشند. به عبارت دیگر، ممکن است به این دلیل که تفسیر حالات چهره عامل‌هایی که چهره ناخوشایندتری دارند، سخت‌تر می‌باشد، شرکت‌کنندگان بیشتر از حالات چهره آنان تقلید کنند (به صورت ناخودآگاه).

در انتها نیز محققین افزودند: «برای تایید این فرضیه باید مطالعات بیشتری انجام گیرد. اما در هر صورت، یافته‌های این مقاله توانست کنش‌های تقلیدی بین انسان و عامل یا انسان و ربات‌ها را در مسائل تشخیص احساسات توضیح داده و به ما کمک کند تا رابطه میان تقلید چهره، دوس‌داشتنی بودن و رابطه دوستانه را متوجه شویم.»

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

ربات های نویسنده و آشنایی بهتر با آن‌ها در عصر هوش مصنوعی


بخش قابل‌ملاحظه‌ای از مطالب موجود در اینترنت به دست ربات های نویسنده نوشته شده است. امروزه، ابزارهای نگارش هوش مصنوعی به صورت رایگان در دسترس همگان قرار دارد؛ مِن‌جمله دانشجویان. با توجه به تغییرات سریع و گسترده‌ای که در جهان امروز شاهد هستیم، تالیف پسااِنسانی که انسان‌ها و ماشین‌ها در آن به همکاری می‌پردازند، می‌تواند پیامدهای اخلاقی بسیاری به همراه داشته باشد. از آنجا که محتوای تولید شده به دست ماشین‌ها در مقیاس گسترده برای برقراری ارتباط با سایرین به کار برده می‌شود، مطالعه اخلاق در هوش مصنوعی باید در دستور کار مراکز آموزشی قرار گیرد.

ربات های نویسنده نیز قادر به نگارش هستند

ربات های نویسنده از قبیل GPT-3 در چند ثانیه قادر به تولید متنی هستند که گویا به دست انسان نوشته شده است. در ماه سپتامبر ۲۰۲۰، ربات GPT-3 مقاله‌ کاملی در روزنامه گاردین نوشت تا این نوید را به مردم بدهد که هوش مصنوعی ابزار ترسناکی نیست. هوش مصنوعی این کار را به واسطه «تولید و پردازش زبان طبیعی» انجام می‌دهد . در همین راستا، زبان انسان به دستورهای کامپیوتری و بالعکس تبدیل می‌شود. برای انجام این کار، الگوریتم‌های ماشینی به مطالعه میلیون‌ها نمونه متن، واژگان، جملات و پاراگراف‌هایی می‌پردازند که انسان از آنها برای درک عمومیِ بافت زبان استفاده می‌کند. سپس، ماشین از دانش برای تولید متن استفاده می‌کند. تا همین سال ۲۰۱۹، این نوع فناوری دور از دسترس به نظر می‌رسید . اما امروزه، در دسترس قرار گرفته است . برای نمونه، ابزار تولید محتوای رایگان Zyro برای وب‌سایت‌ها متن تولید می‌کند . شما می‌توانید دسته‌های «سلامت و زندگی» و «مربی خصوصی» را انتخاب کنید. متن زیر در عرض دو ثانیه در اختیارتان قرار می‌گیرد:
«من تجربه کافی در زمینه‌های آموزش فردی، عملکرد ورزشی و تغذیه را دارم. همچنین، کار با کودکان، زنان باردار، افراد مسن، افراد ناتوانِ جسمی، ورزشکاران و تمامی علاقمندان به شرکت در رقابت‌های ورزشی نیز از جمله قابلیت‌های من است. مشاوره‌های من منجر به ارتقای سطح سلامت کلی و عملکرد افراد می‌شود. من به سایر گزینه‌های سلامت از قبیل مشاوره تغذیه و سلامت نیز علاقمند هستم. در اوقات فراغت از حضور در کنار خانواده، بیرون از خانه و یا کار نگارش لذت می‌برم.»
این محتوا می‌تواند مناسبِ وب‌سایت من باشد. این فرصت را دارم تا پاسخ‌های بیشتری از ابزار تولید محتوای رایگان Zyro درخواست کنم. متن زیر در عرض دو ثانیه ارائه می‌گردد:
«من تجربه‌ی کار با بزرگسالان و کودکان را دارم و می‌توانم سلامت فیزیکی و روانی آنها را بهبود بخشم. مایلم به شما کمک کنم تا به اهداف خود برسید. دوست دارم به دیگران کمک کنم تا به اهداف‌شان برسند. من مادرِ دو فرزند سالم و همسر دو انسان فوق‌العاده هستم.»
اگرچه Zyro متوجه خظای آشکار (یعنی تکرار) در جمله آخر نمی‌شود، اما تصحیح این‌گونه مسائل کار آسانی است. امکان تولید متن در چند ثانیه وجود دارد. ابزارهای دیجیتال دیگری از قبیل ابزارهای تاویل‌کننده و نگارش مجدد می‌توانند تا ۱۰۰۰ مقاله را تنها با استفاده از یک مقاله تولید کنند. هر کدام از این مقاله‌ها می‌توانند منحصربفرد باشند. برای نمونه، Quillbot و WordAI توانایی بازنویسی سریع متن را دارند و تشخیص سرقت ادبی را سخت می‌کنند. WordAI قادر است محتوای نامحدودی با کیفیتی مثال‌زدنی تولید کند.

مدارس و دانشگاه‌ها باید به پرسش‌های زیر توجه داشته باشند؟

تولید این ابزارهای نوین چه پیامدهایی برای آموزش، نوشتار و جامعه دارد؟ ممکن است برخی افراد به فکر تقلب در نگارش مقاله‌ها و سایر تکالیف درسی بیفتند. مسئولان مدارس و دانشگاه‌ها باید تدابیری برای مقابله با این قبیل از مسائل در عصر پساانسانی بیندیشند. دامنه‌ی استفاده از ماشین‌ها به قدری افزایش یافته که افراد دستکم برای بررسی اشتباهات املایی و دستوری از آنها استفاده می‌کنند. ابزارهایی نظیر Turnitin که برای تشخیص سرقت ادبی ساخته شده است، می‌توانند نویسنده متن را با استفاده از ابزارهای پیچیده شناسایی کنند . این کار با شناخت اثرانگشت منحصربفرد نویسنده (انسان) صورت می‌گیرد. در بخشی از این فرایند، نوشتار تایید شده به صورت الکترونیکی با نوشتار قبلی دانشجو مقایسه می‌گردد. امروزه، بسیاری از دانشجویان از ابزارهای نگارش هوش مصنوعی استفاده می‌کنند. شاید بهتر است به جای ممنوعیت یا تلاش برای افشای همکاری انسان و ماشین، از این خلاقیت افزوده استقبال به عمل آید. افراد باید نحوه نگارش با ماشین‌ها را یاد گیرند چرا که این کار در آینده اهمیت بالایی خواهد داشت.
ربات های نویسنده از سرعت خارق‌العاده‌ای بهره می‌برند. آنها قادرند به چند زبان بنویسند، از تصاویر استفاده کنند و در عرض چند ثانیه به تولید فراداده، عنوان، تبلیغات اینستاگرامی، ایده محتوا، صفحه ورودی سایت و متن بهینه‌سازی شده برای موتورهای جستجو بپردازند. دانشجویان باید از این نوع قابلیت‎های ماشین‌ها استفاده نمایند. شاید بهتر است ارزیابی دانشجویان با توجه به توانایی استفاده ماهرانه‌ی آنان از این ابزارها صورت گیرد؛ نه اینکه فقط به ارائه متنی بسنده شود که تماماً به دست انسان نوشته شده است.

آیا استفاده از ماشین‌های نگارشی با اصلِ عدالت سازگار است؟

این پرسش کماکان جای بحث و بررسی دارد. دانشجویانی که به ربات های نویسنده بهتری دسترسی داشته باشند، قادر به تولید و ویرایش بهتر متن خواهند بود. ربات های نویسنده پیشرفته قیمت بسیار بالایی دارند و به صورت ماهانه در دسترس قرار می‌گیرند. اگر مدارس و دانشگاه‌ها ابزارهای پیشرفته نگارش هوش مصنوعی را در اختیار فراگیران قرار ندهند، نابرابری در حوزه آموزش تشدید خواهد شد. باید پروتکل‌هایی برای تعیین نویسنده متن در نظر گرفته شود. باید مشخص شود چه کسانی در نگارش متن نقش داشته‌اند. باید مسئول محتوا و آسیب‌های احتمالی آن تعیین گردد. سیستم‌های شفافی برای شناسایی، تایید و کمیت‌سنجیِ محتوای انسان مورد نیاز است. مهم‌تر از همه، باید به بررسی این مسئله پرداخت که آیا استفاده از ابزارهای نگارش هوش مصنوعی برای همه دانشجویان منصفانه است یا خیر. افرادی که هیچ شناختی از نگارش هوش مصنوعی ندارند، بهتر است کار با ابزارهای رایگان را در فضای اینترنت آغاز کنند و با معنای «تولید» در آینده‌ی رباتیک آشنا شوند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

پیش بینی جهش ویروسی با مدل جدیدی مبتنی بر هوش مصنوعی دانشگاه MIT


محققان MIT روش جدیدی برای مدل محاسباتی پیش بینی جهش ویروسی توسعه داده‌اند. این مطالعه که در مجله Science منتشر شده است، می‌تواند تولید واکسن برای ویروس HIV، آنفلوانزا و ویروس کرونا را سرعت بخشد.

هر پستانداری در این سیاره توانایی این را دارد که به طور غریزی با محیط اطراف خود به یک تعادل طبیعی برسد، اما انسان نمی‌تواند. انسان‌ها به یک منطقه نقل مکان می‌کنند و آنقدر زاد و ولد می‌کنند تا تمامی منابع طبیعی را مصرف کنند و سپس تنها راهی که پیش روی انسان وجود دارد تا بقای خود را حفط کند گسترش مناطق خود و رفتن به یک جای دیگر است. یک موجود زنده دیگر نیز در این کره خاکی وجود دارد که همین کار را انجام می‌دهد. می‌دانید در مورد چه چیزی صحبت می‌کنیم؟ بله ویروس‌ها. این‌ها دیالوگ مامور اسمیت در فیلم ماتریکس است.

از زمان‌های گذشته، ویروس‌ها اصلی‌ترین الهه انتقام انسان‌ها بوده‌اند. اگرچه انسان‌ها برای جان به در بردن از این موجود کوچک و خطرناک توانسته‌اند واکسن بسازند، اما ویروس‌ها همیشه در این بازی راهی پیدا کرده‌اند تا ما را شکست دهند.

به گفته بانی برگر رئیس گروه محاسبات و زیست‌شناسی در آزمایشگاه علوم رایانه‌ای و هوش مصنوعی MIT، جهش ویروسی یکی از دلایل موانع تولید واکسن برای ویروس آنفلوانزا و اچ آی وی است. در مقاله پیش رو سعی می‌کنیم بفهمیم چگونه محققان این مدل را برای پیش بینی جهش ویروسی آموزش داده‌اند و چگونه این موضوع چگونه می‌تواند توسعه واکسن را تسهیل کند.

این مدل چگونه کار می‌کند؟

این مدل می‌تواند مقاطعی از پروتئین‌های سطح ویروسی را که احتمال کمتری دارد جهش کنند پیش‌بینی کند تا اگر قرار است واکسنی توسعه داده شود از آن قسمت‌ها استفاده شود. محققان از یک الگوریتم یادگیری ماشین که در اصل برای پردازش زبان طبیعی انسان ساخته شده بود به‌منظور پیش بینی رفتار ویروس استفاده کردند. محققان کشف کردند که این مدل پردازش زبان طبیعی می‌تواند در توالی‌های ژنتیکی اعمال شود. در اینجا، دستور زبان نقشی مشابه قوانینی دارد که تعیین می‌کند پروتئین رمزگذاری شده در یک توالی خاص عملکردی است یا خیر. در واقع به این معنا است که آیا پروتئین می‌تواند شکل جدیدی برای فرار از آنتی بادی ها به خود بگیرد یا نه. درواقع در یک جهش، ویروس می‌خواهد سالم بماند. به عبارت دیگر، دستورالعمل ویروس حفظ می‌شود در حالی که ساختار پروتئین به روشی مفید تغییر خواهد کرد.

طبق بیانیه مطبوعاتی MIT، محققان این مدل پردازش زبان طبیعی را در ۶۰،۰۰۰ توالی HIV ، ۴۵،۰۰۰ توالی آنفلوانزا و ۴۰۰۰ توالی ویروس کرونا آموزش دادند تا توالی‌های ژنتیکی دستوری و معنایی آن را تجزیه و تحلیل کنند. مدل آموزش دیده توالی‌هایی را که احتمال جهش در آنها بالا است پیش‌بینی می‌کند. این مدل، توالی را در سه پروتئین پیش بینی می‌کند: پروتئین spike ویروس کرونا، پروتئین envelope اچ آی وی و پروتئین hemagglutinin آنفلوانزا.

یافته‌ها نشان داد توالی‌های موجود در پروتئین hemagglutinin آنفلوانزا کمترین احتمال جهش را داشتند. آنتی‌بادی‌های هدف می‌توانند پایه این پروتپین را به سرعت از بین ببرند تا از آنفلوانزا جلوگیری کنند.

همچنین در ویروس کرونا، قسمت زیر واحد -۲ یا S2 پروتئین spike کمترین احتمال ایجاد جهش را دارد. این حال، برخلاف آنفلوانزا و اچ آی وی، ما نمی‌دانیم سرعت جهش‌ها در ویروس کرونا چقدر است و آیا واکسن فعلی جوابگو است یا نه. در حالی که یافته‌های اولیه نشان می‌داد جهش‌ها از سرعت زیادی برخوردار نیستند، با این حال جهش‌های جدیدی در سنگاپور، آفریقای جنوبی و مالزی ظاهر شده‌اند. دانشمندان از مدل پردازش زبان طبیعی برای نوع جهش یافته استفاده کرده‌اند و همزمان تحقیقات در انتظار داوری هستند. در ویروس اچ آی وی نیز، دانشمندان دریافتند که قسمت های V1-V2 از پروتئین envelope، احتمال زیادی برای جهش کردن دارد.

چشم انداز

پیش‌بینی جهش ویروسی می‌تواند به سرعت در شناسایی پروتئین‌های خطرناکی که باید هدف قرار بگیرند کمک کند. این مدل فرصت‌های بی‌نظیری را برای توسعه دارو در همه بیماری‌ها به وجود می‌آورد. اکنون محققان در MIT در حال شناسایی اهداف احتمالی برای واکسن سرطان هستند، واکسنی که سیستم ایمنی را تحریک می‌کند تا تومورها را از بین ببرد.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

منبع: hooshio.com

هکرها چگونه امنیت سایبری در هوش مصنوعی را تهدید می‌کنند؟


آموزش هکرها برای استفاده از هوش مصنوعی در حمله به امنیت سایبری به یکی از دغدغه‌های جدی سازمان‌های تولید کننده داده تبدیل شده است. AI Fuzzing روشی برای تست عملکرد نرم‌افزار در حوزه امنیت سایبری در هوش مصنوعی است که توسط سازمان‌ها برای تشخیص آسیب‌پذیری یا اشکالات یک نرم‌افزار یا سیستم مورد استفاده قرار می‌گیرد. این روش به خودی خود هیچ اشکالی ندارد تا زمانی که هکرها از آن برای ارتکاب جرم‌های سایبری استفاده کنند.

امنیت داده‌ها به نقل همه محافل تبدیل شده است. از زمانی که تعداد حمله‌های سایبری و حفره‌های امنیتی بیشتر شده، هر روز گزارش‌های بیشتری درباره جرائم سایبری منتشر می‌شود. بر اساس آمارها، این جرائم تا سال ۲۰۲۱ سالانه به میزان ۶ تریلیون دلار به شرکت‌ها آسیب زده‌اند. این رقم در سال ۲۰۱۵ سه تریلیون دلار بود‍! این افزایش بی‌سابقه نشان می‌دهد، روش‌های سنتی افزایش امنیت سایبری در هوش مصنوعی دیگر جوابگو نیستند. از همین رو سازما‌ن‌ها در سراسر جهان روزانه به دنبال‌ شیوه‌های بدون نقص برای تقویت امنیت سایبری هستند. رسیدن به یک جایگاه مطلق در امنیت سایبری یکی از اهداف متخصصان این حوزه است که اخیرا تصمیم گرفته‌اند با راهکارهای نوینی به مقابله با هکرها بپردازند. ترکیب هوش مصنوعی و یادگیری ماشین با روش‌ سنتی Fuzzing باعث شده تا یک رویکرد جدید در این حوزه شکل بگیرد.

از آنجایی که این رویکرد چندان شناخته شده نیست، خیلی از ما تعریف و دامنه آن را نمی‌دانیم. پس در ادامه با هوشیو که یکی از مراجع خبری اصلی در حوزه فناوری‌های هوش مصنوعی است همراه باشید تا بیشتر با AI Fuzzing آشنا شویم.

منظور از AI Fuzzing چیست؟

قبل از اینکه بدانیم AI Fuzzing چیست، باید مفهوم فازی یا همان Fuzzing را بررسی کنیم. با رشد فناوری‌ها، هکرها هم باهوش‌تر می‌شوند. آنها اکنون از شیوه‌های قدیمی به سمت تکنیک‌‌های خودکار در حمله‌های سایبری روی آورده‌اند که می‌تواند با سواستفاده از توان پردازشی سیستم قربانی، او را مورد حمله قرار دهد. این طبیعی است که سازما‌ن‌ها هم باید به همین سمت بروند، از روش‌های خودکار در تشخیص خطاها و آسیب‌پذیری‌های نرم‌افزار استفاده کنند تا ضمن مقابله با هکرها، ضریب امنیت سایبری را افزایش دهند. روش فازی یکی از همین روش‌های خودکار است که در قالب یک سیستم مدیریت آسیب‌پذیری از آن استفاده می‌شود. در این سیستم ترکیب تصادفی از داده‌ها به نرم‌افزارها تزریق می‌شود تا خطاها و آشفتگی‌ها تعیین شود. به عبارت دیگر این داده‌های تصادفی میزان انسجام، دقت، کارایی و خطاهای سیستم‌ها را نشان می‌دهند. هدف نهایی تکنیک فازی تشخیص حفره‌های سیستمی در نرم‌افزارها است. این حفره‌ها در مسیر توسعه نرم‌افزار یا اپلیکیشن ترمیم ‌می‌شوند. یکی از قسمت‌های مهم هر نرم‌افزار که با استفاده از این تکنیک بررسی می‌شوند، نقاط ورود هکرها هستند.

نقش هوش مصنوعی در تکنیک فازی بهبود کیفیت داده‌های تصادفی است که به نرم‌افزارها تزریق می‌شود. در هر بار تست حجم وسیعی از داده‌ها مورد استفاده قرار می‌گیرند. گاهی اوقات دامنه کدهای تزریق شده به سیستم‌ها کامل نیست و ممکن است نتایج مورد انتظار دریافت نشود. بنابراین شرکت‌ها به ابزاری نیاز دارند که نه تنها توانایی درک مجموعه داده‌های تصادفی را داشته باشد بلکه بتواند کدها یا داده‌های جدیدی تولید کند که دامنه تطبیق آن‌ها را افزایش دهد، ابزاری که بتواند داده‌های قبلی که به نرم‌افزار ترزیق شده را شناسایی و تحلیل کند، رفتارهای آن داده‌ها را یاد بگیرد و خودش ورودی‌های جدید تولید کند. این ابزار هوش مصنوعی است. سازمان‌ها با توجه به اهمیت همین موضوع در حال استفاده از هوش مصنوعی در تکنیک فازی برای تقویت امنیت سایبری هستند. با استفاده از هوش مصنوعی در این فرایند، امکان اجرای تست‌های نرم‌افزاری با کیفیت بیشتر فراهم می‌شود که طبیعتا میزان تشخیص آسیب‌پذیری‌ها را افزایش می‌دهد.

هکرها چگونه با هدف حمله به امنیت سایبری در هوش مصنوعی از AI Fuzzing استفاده می‌کنند؟

داستان این است که اغلب درباره کاربردهای هوش مصنوعی در توانمندسازی شرکت‌ها برای افزایش امنیت سایبری در هوش مصنوعی صحبت شده اما کمتر به این حقیقت اشاره شده که همین هوش مصنوعی و انواع کاربردهای آن می تواند مورد استفاده مجرمان سایبری یا هکرها نیز قرار بگیرد. آنها می‌توانند سیستم‌هایی را به وجود بیاورند که به نرم‌افزارها و اپلیکیشن‌ها حمله می‌کند و با انجام اعمال غیرقانونی امنیت آن‌ها را به خطر می‌اندازد. این وضعیت در مورد AI Fuzzing نیز صادق است.

منظور از آسیب‌پذیری که مورد غفلت قرار گرفته، اشکالات یا خطاهای سیستمی هستند که توسط دولوپر تشخیص داده شده اما هنوز راهکاری برای آنها ارائه نشده است. هکرها از همین بازه زمانی استفاده می‌کنند و تا قبل از به روزرسانی کدها توسط دولوپر، به سیستم قربانی حمله می‌کنند. اکنون تحقیقات نشان می‌دهد به کارگیری هوش مصنوعی در این فرایند، شانس پیدا شدن آسیب‌پذیری‌های مورد غفلت قرار گرفته را افزایش می‌دهد.

«پائول هنری»، معاول یکی از سازمان‌های تولید کننده نرم‌افزارهای تجاری معتقد است: «تأمین کنندگان نرم‌افزارها در نبرد همیشگی با هکرها تلاش می‌کنند تا با ارائه بسته‌های نرم‌افزاری برای به ‌روزرسانی، امنیت سایبری کاربران‌شان را افزایش دهند. با این حال استفاده از روش‌‌های فازی ممکن است آن‌ها را زیر سیلی از آسیب‌پذیری‌ها غرق کند. تکنیک‌های فازی در کنار هوش مصنوعی هم به معنی وخامت بیشتر اوضاع است. هکرها در همکاری با سایر هکرها از طریق اتاق‌های چت درباره استفاده از هوش مصنوعی به آنها می‌گویند. حتی کار به جایی رسیده که هکرها می‌توانند با توسل به اینترنت، بدون اینکه وای‌فای کاربر روشن باشد، به سیستم او حمله و در صورت وجود آسیب‌پذیری به آن رخنه کنند.

بر اساس آمارهای یک شرکت استرالیایی فعال در زمینه فناوری اطلاعات، AI Fuzzing در لیست ۱۰ تهدید جدی امنیت سایبری قرار دارد. در کنار این تکنیک، هکرها یکی از دیگر از بخش‌های هوش مصنوعی به عنوان یادگیری ماشین را نیز به نفع خودشان به کار گرفته‌اند. نام این روش MI Poisoning است. یادگیری ماشین در سازمان‌ها با هدف تسهیل و بهینه‌سازی فرایندهای کاری مورد استفاده قرار می‌گیرد و حتی برای مقابله با حمله‌های سایبری هم از آن استفاده شده است. اما متأسفانه هکرها با رخنه به سیستم‌های یادگیری ماشین، قطعه‌های مخربی از کدهای یادگیری ماشین را درون آنها قرار می‌دهند. این کدها می‌توانند عملکرد سیستم را تغییر دهند و آن را به اجرای دستورهای خاصی مجبور کنند. طیف این کدهای مخرب از عدم پذیرش بسته‌های به روزرسانی تا عدم پردازش ترافیک برخی از داده‌ها گسترده هستند.

تهدیدهای امنیتی از این دست که هر روز امنیت سایبری افراد را تهدید می‌کنند را نمی‌توان با راهکارهای سنتی از میان برداشت. بازاندیشی درباره فناوری‌های امنیتی و توسعه استراتژی‌های نوین برای مقابله با تهدید‌ها یکی از اولویت‌های فعلی سازمان‌ها است. با این حال تاثیرگذاری بر روی مدل‌های هک هم می‌تواند کارآمد باشد. در واقع خودکارسازی و فناوری‌های نوین به سازمان‌اها اجازه می‌دهند تا در کنار پیش‌بینی فعالیت‌های مجرمانه، استراتژی‌های اقتصادی آن را نیز به هم بزنند. علاوه بر اینها آزمایش سیستم‌ها و نرم‌افزارها و بررسی نقاط ورود هکرها، برای وجود خطا با فناوری‌های نوین از جمله هوش مصنوعی، نتایج بهتری به بار می‌آورد. با توجه به تمام این نکته‌ها، سازما‌ن‌ها قطعا می‌توانند داده‌های دیجیتال‌شان را از خطر هک شدن مصون کنند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: hooshio.com

رشد چشمگیر هوش مصنوعی و چالش سخت افزارهای محاسباتی

رشد بی‌حد و حصر هوش مصنوعی مستلزم قدرت محاسباتی بسیار بالایی است. ممکن است دو پردازنده فوتونی قادر به رفع این نیاز باشند و انقلابی در سخت‌افزارهای هوش مصنوعی پدید آورند. هوش مصنوعی تحول عظیمی در بسیاری از حوزه‌ها ایجاد کرده است که از جمله آنها می‌توان به تشخیص بالینی ، اتومبیل‌های خودران و ترجمه گفتار اشاره کرد. با این حال، حجمِ رو به رشد داده در جوامع امروزی، سخت افزارهای محاسباتی هوش مصنوعی را با چالش‌های بزرگی روبرو کرده است.

در این راستا، سرعت محاسبات و مصرف برق از جمله مواردی هستند که باید مورد توجه ویژه قرار گیرند. این قیبل از مسائل، مسیر پیشرفت را برای هوش مصنوعی ناهموار کرده است. «ژو» ، «فلدمن» و همکاران‌شان با انتشار مقاله‌ای در مجله معتبر «Nature» به معرفی دو پردازنده فوتونی پرداخته‌اند که می‌تواند سرعت پردازش هوش مصنوعی را با توسل به ویژگی‌های متمایز نور افزایش دهد. این دستاوردها می‌توانند تحول چشمگیری در محاسبات نوری به ارمغان آورند.

ظهور هوش مصنوعی به تدریج موجب محدودیت عملکردِ روش‌های محاسباتی الکترونیکی و سنتی شده است. از میان انواع مختلف ابزارهای هوش مصنوعی می‌توان به شبکه‌های عصبی مصنوعی اشاره کرد که به لطف عملکرد فوق‌العاده‌شان، کاربرد گسترده‌ای در فعالیت‌های هوش مصنوعی دارند. این شبکه‌ها عملیات پیچیده ریاضی را با استفاده از چند لایه نورون مصنوعی به‌هم‌پیوسته انجام می‌دهند. ضرب ماتریس در بردار یک عملیات بنیادی به شمار می‌رود که از اکثر منابع محاسباتی استفاده می‌کند.

تلاش‌های قابل‌ملاحظه‌ای برای طراحی و اجرای برخی از سیستم‌های محاسبه الکترونیکی صورت گرفته است. افزایش سرعت پردازش شبکه های عصبی مصنوعی، هدف اصلی این اقدامات عنوان شده است. محققان با بکارگیری تراشه‌هایی از قبیل مدارهای یکپارچه ، محاسبات الهام گرفته شده از مغز انسان و محاسبات درون‌حافظه‌ای به موفقیت‌های چشمگیری نائل آمده‌اند. در این راستا، عملیات پردازش با طیفی از حافظه‌های موسوم به «ممریستور » انجام می‌گیرد.

الکترون‌ها حامل اطلاعات در محاسبات الکترونیکی هستند، اما بحث درباره فوتون‌ها از مدت‌ها پیش به عنوان گزینه‌ جایگزین مطرح بوده است. از آنجایی که طیف نور دامنه گسترده‌ای از طول موج‌ها را پوشش می‌دهد، این امکان وجود دارد که فوتون‌هایی با طول موج مختلف به صورت موازی انتقال یابند و به نحوی دستخوش تغییر قرار گیرند که قابلیت حمل اطلاعات را داشته باشند. این فرایند به نحوی انجام می‌شود که سیگنال‌های نوری با یکدیگر تداخل نداشته باشند. این شیوه انتشار اطلاعات که با سرعت نور انجام می‌گیرد، کمترین تاخیر زمانی را به همراه دارد. افزون بر این، انتقالِ منفعل (که در آن نیازی به نیروی ورودی نیست) نقش بسیار موثری در کاهش مصرف برق دارد و تغییر فاز این فرصت را به نور می‌دهد تا به راحتی در فرکانس‌های بالاتر از ۴۰ گیگاهرتز تنظیم و آشکارسازی گردد.

ارتباطات فیبر نوری در طی چند دهه گذشته با موفقیت‌های بی‌سابقه‌ای همراه بوده است. با این حال، استفاده از فوتون‌ها برای انجام محاسبات کماکان کار پردردسری به حساب می‌آید؛ به ویژه اگر هم‌سطح با پردازنده‌های الکترونیکی نوین باشد. این دشواری ریشه در نبودِ سازوکارهای پردازش موازی مناسب دارد؛ باید از مواد و تجهیزاتی استفاده کرد که زمینه را برای واکنش غیرخطی و پرسرعتِ نورون‌های مصنوعی فراهم کند و دستگاه‌های فوتونی مقیاس‌پذیر در سخت افزارهای محاسباتی به کار برده شوند.

خوشبختانه، طراحی دستگاه‌هایی موسوم به «شانه‌های فرکانس نوری » با پیشرفت‌های چشمگیری روبرو بوده است. بنابراین، فرصت‌های تازه‌ای برای پردازنده‌‌های فوتونی یکپارچه پدید آمده است. شانه‌های فرکانس نوری به مجموعه‌ای از منابع نوری اطلاق می‌شود که طیف نشرشان از هزاران یا میلیون‌ها خط طیفی تشکیل یافته است. این خطوط به طور یکنواخت و نزدیک به هم واقع شده‌اند. شانه‌های فرکانس نوری با موفقیتی مثال‌زدنی در حوزه‌های گوناگونی از قبیل طیف‌سنجی، مخابرات و تنظیم ساعت‌های نوری مورد استفاده قرار گرفته‌اند. جایزه نوبل فیزیک در سال ۲۰۰۵ به پاس ابداع این دستگاه اعطا شد. شانه‌های فرکانس نوری در تراشه‌های رایانه‌ای جایگذاری شده و به عنوان منابع انرژی کارآمدی در محاسبات نوری مورد استفاده قرار می‌گیرند. این سامانه بهترین گزینه برای پردازش موازی داده‌ها است.ژو و همکارانش از چنین سازوکاری برای تولید پردازنده‌های فوتونی یکپارچه استفاده کردند. این وسیله نوعی عملیات ضرب ماتریس در بردار انجام می‌دهد که به کانولوشن (پیچش) در حوزه‌های پردازش تصویر معروف است. محققان از روش خلاقانه‌ای برای پیاده‌سازی این کانولوشن استفاده کردند. آنان همچنین از پراکنش کروماتیک برای ایجاد وقفه‌های زمانی مختلف در سیگنال‌های نوری استفاده نمودند. سپس، این سیگنال‌ها را در بُعد مرتبط با طول موج نور ادغام کردند.

ژو و همکارانش با بکارگیری طیف وسیعی از طول موج‌های فوتون توانستند پردازش موازی را در عملیات کانولوشن مختلف پیاده‌سازی نمایند. سرعت پردازش نوری ده تریلیون عملیات بر ثانیه بیشتر از یک هسته پردازش بود. تنها محدودیتی که با آن دست و پنجه نرم می‌کردند، توان عملیاتی داده بود. از جمله ویژگی‌های جالب توجه این کار این است که محققان نقطه ورودی پردازنده کانولوشن فوتونی‌شان را در موارد کاربردی شناسایی می‌کنند. طبق پیشنهاد این محققان، این پردازنده قابلیت کاربرد در چارچوب الکترونیکی-نوری هیبرید از قبیل محاسبات in situ در طی ارتباطات فیبر نوری را دارد.

فِلدمن و همکارانش پردازنده فوتونی یکپارچه‌ای ساختند که عملیات کانولوشن را به همراه دسته‌ای از سیگنال‌های نوری با دو بُعد انجام می‌دهد. این وسیله از شانه‌های فرکانس نوری در معماری محاسباتی درون‌حافظه‌ای استفاده می‌کند؛ این معماری بر پایه موادی استوار است که بین حالت بی‌شکل و حالت کریستالی نوسان می‌کند. محققان داده‌های ورودی را با دستکاری طول موج به طور کامل به حالت موازی در آوردند و عملیات ضرب ماتریس در بردار را با طیفی از سلول‌های یکپارچه اجرا کردند. این چارچوب موازی می‌تواند کل تصویر را در یک مرحله با سرعت بالایی پردازش کند. علاوه بر این، امکان مقیاس‌بندی این سامانه با استفاده از روش‌های تولید تجاری نیز وجود دارد. باید در آینده‌ای نزدیک منتظر بکارگیری آن در یادگیری ماشین باشیم. چون فرایند کانولوشن با انتقال منفعل همراه است، به لحاظ نظری، محاسبات هسته پردازنده فوتونی می‌تواند با سرعت نور و مصرف برق پایین انجام گیرد. در حوزه‌هایی از قبیل رایانش ابری که به انرژی بسیاری نیاز دارند، ارزش این قابلیت بیش از پیش نمایان می‌شود.

با توجه به چالش‌هایی که در روش‌های محاسبه الکترونیکی سنتی وجود دارد، ظهور دستگاه‌های فوتونی یکپارچه می‌تواند عملکرد معماری‌های محاسباتی آینده را به طرز بی‌سابقه‌ای افزایش دهد. با این حال، ساخت رایانه‌های نوری کاربردی مستلزم تلاش گسترده حوزه‌های گوناگون و همکاری محققان حوزه‌های علوم، فوتون، الکترونیک و غیره است. اگرچه این پردازنده‌های فوتونی دارای قدرت محاسباتی و مقیاس‌پذیری بالایی هستند، اما مقیاس محاسباتی تماما‌ً نوری کماکان نیاز به گسترش دارد. افزون بر این، وجود آن دسته از عناصر محاسباتی که نور را جذب می‌کنند، موجب محدودیت بازده انرژی شده است. توسعه معماری‌های محاسبات فوتونی یکپارچه و غیرخطی پیشرفته از دیگر حوزه‌های تحقیق برشمرده می‌شود؛ لذا فقط به کانولوشن‌های خطی تک‌بعدی یا دوبعدی بسنده نمی‌شود. چارچوب هیبرید نوری-الکترونیکی می‌تواند با ادغام مدارهای الکترونیکی و هزاران یا میلیون‌ها پردازنده فوتونی در قالب یک معماری مناسب، انقلابی در سخت افزارهای محاسباتی هوش مصنوعی ایجاد کند. این چارچوب از پردازنده‌های فوتونی و الکترونیکی بهره می‌برد. چنین سخت افزارهای محاسباتی می‌توانند کاربردهای مهی در حوزه‌هایی نظیر ارتباطات، عملیات مرکز داده و رایانش ابری داشته باشند.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

منبع: hooshio.com