Ansiktsgjenkjenning og dyplæringsteknologier gjør livene våre enklere, men de reiser også nye utfordringer og kontroverser. Vi utforsker virkningen av denne teknologien på industri og samfunn.
Google Maps er en karttjeneste levert av Google som gir en gate-for-gate-visning av verden. Tjenesten er basert på satellittbilder. Disse bildene viser uunngåelig ansiktene til folk som går nedover gaten, noe som vakte personvernbekymringer og til slutt førte til mosaikk av dem alle. Google Maps har utviklet seg jevnt siden starten, og tilbyr nå muligheten til å utforske ikke bare veier, men også innsiden av bygninger, naturlandskap og til og med under vann. Dette har gjort livet mye enklere for brukerne, slik at de kan planlegge turer eller utforske bestemte steder på forhånd.
Kan dette gjøres av mennesker? Selvfølgelig kan det det, men det er vanskelig å holde styr på 150 millioner kvadratkilometer av jordens landmasse. Et lignende problem finnes på sosiale medier. Hvis du noen gang har vært på Facebook, har du sannsynligvis sett et firkantet vindu dukke opp i et bilde med vennenes ansikter, som ber deg merke dem. Algoritmene som løser disse problemene kalles ansiktsgjenkjenningsalgoritmer. Generelt studeres algoritmer for å identifisere objekter i bilder eller videoer ikke bare i informatikk, men også i min hovedfag, elektroteknikk.
Det finnes mange forskjellige metoder for ansiktsgjenkjenningsalgoritmer, men den mest populære metoden er å trene en maskin ved hjelp av en database. Denne metoden er også kjent som dyp læring. Deep learning er en gren av maskinlæring som bruker kunstige nevrale nettverk for å lære mønstre fra store mengder data. For eksempel, i ansiktsgjenkjenning, hvis du har en stor samling bilder av folks ansikter, kan en datamaskin bruke en dyp læringsalgoritme for å bestemme hvor likt et gitt bilde er de det har, og fortelle deg om det har et ansikt eller ikke. Dette kan brukes til å identifisere problematisk kroppsvev i medisinsk bildebehandling, eller brukes på øynene til menneskelignende roboter. På det medisinske feltet, for eksempel, bidrar diagnostiske systemer som bruker dyp læring betydelig til tidlig oppdagelse av sykdommer, noe som har bidratt til å redde mange pasienters liv.
Avanserte algoritmer som dyp læring spiller også en stor rolle på andre felt. Selvkjørende biler må gjenkjenne omgivelsene, klassifisere objekter og reagere i sanntid. Det er her bildegjenkjenningsteknologi, i likhet med ansiktsgjenkjenningsteknologi, kommer inn i bildet. Datamaskiner analyserer bilder fra kameraer i sanntid for å gjenkjenne fotgjengere, kjøretøy, veiskilt osv. og justere kjørebanen deretter. Fremskritt innen autonom kjøring vil bidra til å redusere trafikkulykker, jevn trafikkflyt og bidra til fremtidens smarte byer.
Algoritmene for gjenkjenning av objekter nevnt ovenfor er ikke de eneste problemene som oppstår når de implementeres i praksis. I filmen Alan Turing er det en scene der Alan Turing bygger en dekodingsmaskin, men er bekymret fordi resultatene som skulle ha kommet ut på en dag, ikke kommer ut på flere dager. Med andre ord, vi må vurdere hastigheten til algoritmen og belastningen på maskinvaren sammen med hvor godt den gjenkjenner. Dette er fortsatt en av de største utfordringene for å kommersialisere teknologier som dyp læring.
Jeg er utdannet elektroingeniør med hovedfag i matematikk, og er spesielt interessert i feltet numerisk analyse. Dette feltet studerer hvordan man finner den raskeste måten å besvare et problem med en viss nøyaktighet når man arbeider med store mengder numeriske data. Ved å anvende matematisk teori er mengden informasjon vi har å forholde oss til så stor at hver meningsfull verdi bare kan representeres numerisk ved hjelp av en matrise. Dermed er det enkleste problemet å løse Ax=b. Den enkleste måten å tenke på dette er å multiplisere inversen av A med b for å få x. Imidlertid vil tiden det vil ta en datamaskin å løse dette være veldig lang. Det er millioner av værvariabler som trengs for å forutsi været, og å beregne dem på denne måten vil ta lengre tid enn universets alder, selv på de raskeste datamaskinene som finnes. Imidlertid hører vi faktisk værmeldinger som er mer eller mindre nøyaktige ved å bruke andre metoder.
En annen viktig sak innen numerisk analyse er stabilitet. Hvis en numerisk algoritme ikke konvergerer eller har en stor feil, kan resultatene bli betydelig skjeve. For eksempel, i finansiell modellering, kan bruk av feil numeriske metoder føre til store økonomiske tap. Derfor utvikler numeriske analyseforskere stadig nye metoder for å sikre stabiliteten og nøyaktigheten til deres algoritmer.
Ettersom kvaliteten på bilder og videoer blir bedre og bedre, vokser mengden data som datamaskiner trenger for å gjenkjenne objekter raskt. Derfor vil behovet for å forstå matematiske verktøy bare øke i fremtiden. Videre spiller disse numeriske analyseteknikkene en viktig rolle på en rekke felt, inkludert økonomisk prognoser, genomisk forskning, romfartsteknikk og mer. Videre vil avanserte vitenskaper som nanoteknologi bli stadig viktigere ettersom de krever nøyaktige beregninger i liten skala. Til slutt vil det å sikre at data er både nøyaktige og effektive være nøkkelen til fremtidige teknologiske fremskritt. Konvergensen mellom elektroteknikk og matematiske verktøy vil spille en stadig viktigere rolle i denne prosessen. For eksempel overvåker og forutsier smarte nettsystemer energiforbruk i sanntid for å muliggjøre effektiv energidistribusjon. Dette kan bidra betydelig ikke bare til energisparing, men også til miljøvern. Vi ser frem til å se hvordan disse teknologiene vil endre hverdagen vår i fremtiden.
