حضور بات‌ها در گروه‌های نظارتی

به گزارش واحد فناوری اطلاعات سایبربان؛ هم‌اکنون در بیشتر کشورهای سراسر جهان از دوربین‌های مداربسته برای نظارت و تأمین امنیت شهرها استفاده می‌شود. به عنوان مثال ممکن است از طریق این دوربین‌ها فردی در حال سرقت مشاهده و شناسایی شود و سرعت دستگیری وی افزایش پیدا کند. این کار بخصوص در زمان‌هایی که فرد خاصی موردنظر باشد از حساسیت بالاتری برخوردار خواهد بود.
در حال حاضر از هوش مصنوعی و روبات‌ها در زمینه‌های بسیاری مانند پاک‌سازی محیط‌های هسته‌ای حادثه‌ی ژاپن، کشف و خنثی‌سازی مین، پیش‌بینی حملات سایبری و کشف راه‌های درمانی جدید استفاده می‌شود.
گروهی از پژوهشگران دانشگاه کرنل آمریکا (Cornell University)، اعلام کردند احتمالاً بات‌ها بهتر از اپراتورهای انسانی می‌توانند کارهای نظارتی را انجام بدهند؛ زیرا توانایی برقراری ارتباط و به اشتراک‌گذاری تصاویر با سرعت بسیار بالا را دارند.
محققان مذکور در حال توسعه‌ی سامانه‌ای متشکل از چندین بات هستند که قابلیت به اشتراک‌گذاری اطلاعات یکدیگر در مورد مسائل مختلف مانند نوع فعالیت‌ها را داشته و در صورت نیاز برای مشاهدات خود کمک دریافت می‌کنند. این ویژگی بات‌ها را به یک سامانه‌ی نظارتی یکپارچه با تعداد بسیار بالایی چشم تبدیل می‌کند.
کیلیان وینبرگر (Kilian Weinberger)، استاد علوم رایانه‌ی دانشگاه کرنل گفت: «زمانی که شما از روبات‌ها استفاده می‌کنید توانایی انجام هر کاری را خواهید داشت.»
پروژه‌ی مذکور «ادراک بصری»¹، نام داشته و دانشمندان با استفاده از دید ماشینی به بات‌ها و ابزارهای خودمختار اجازه می‌دهد در همکاری با یکدیگر تصاویر را به یک سامانه‌ی مرکزی ارسال کنند. واحد مرکزی موردنظر توانایی اتصال به اینترنت و برقراری ارتباط با دیگر دوربین‌ها، به شناسایی اشیا، انسان‌ها و نوع فعالیت آن‌ها کمک می‌کند. این سامانه در ابتدا محتوا را دریافت کرده و آن‌ها را با را جمع‌آوری اطلاعات بیشتر با هم مقایسه می‌کند و درنهایت با دست آوردن اطلاعات بیشتر کاملاً مستقل شده و انجام تمام عملیات را به تنهایی بر عهده می‌گیرند.

وینرگر گفت: «تولید بات‌های ناظر به انجام تحقیقات پیشگامانه و گسترده نیاز دارد؛ زیرا تحقیقات گذشته‌ای که در این زمینه صورت گرفته است، تنها روی جمع‌آوری تصاویر و داده‌ها از یک دوربین متمرکز بود.»
سیلویا فراری (Silvia Ferrari) مهندس مکانیک و هوا و فضای گفت: «دوربین‌های مداربسته به صورت طبیعی حرکت نمی‌کنند؛ اما سامانه‌ی جدید ما می‌تواند اطلاعات را دوربین‌ها، ابزارهای نظارتی متحرک و قابل‌حمل و دیگر منابع خارجی جمع‌آوری و ترکیب کند.»
به عنوان مثالی از ابزارهای نظارتی متحرک می‌توان به پهپادها، خودروهای بی راننده و احتمالاً روبات‌های انسان‌نما اشاره کرد که در میان جمعیت حرکت می‌کنند. این وسایل تصاویر ضبط شده توسط خود را به یک سامانه‌ی مرکزی که احتمالاً به دیگر دوربین‌های سطح شهر دسترسی دارد، ارسال می‌کنند. به علاوه این سامانه به اینترنت دسترسی دارد تا به کمک آن اشیا و فعالیت‌ها را شناسایی کند. برای نمونه می‌تواند مشخص کند یک خودرو چرا کاری را انجام می‌دهد؟ در یا محفظه‌ی مورد نظر چگونه باز می‌شود؟ یا فردی خاص را شناسایی کند.
فراری با بیان مثالی توضیح داد، سامانه‌ی آن‌ها می‌تواند در قالب یک گروه، فردی مشخص را شناسایی کرده و آن را در میان جمعیت و تمام مکان‌هایی که می‌رود، تعقیب کند.
وی شرح داد سامانه‌ی ادراک بصری مانند گروهی از شکارچیان که در محیطی پیچیده به تعقیب مجرم می‌پردازد، عمل می‌کند. این فناوری می‌تواند فعالیت‌های مشکوک و مجرمانه‌ای که از دید اپراتورهای انسانی دور مانده و مشاهده نمی‌شوند را بررسی کند.
هسته‌ی فناوری ادراک بصری، ترکیبی از الگوریتم یادگیری ماشینی- که می‌تواند تصاویر را بررسی کند- و «مدل‌سازی بیضی²» (Bayesian modeling) -که به صورت مداوم داده‌های به دست آمده را بروزرسانی می‌کند- است. به علاوه این سامانه از یک تابع برنامه‌ریز (planning function)، برای بررسی نحوه‌ی جمع‌آوری داده‌های اضافی که ممکن است برای رفع قطعیت مورد استفاده قرار گیرند، نظارت می‌کند. از طرفی به کمک آن می‌توان از برخورد عوامل متحرک با موانع جلوگیری و در صورت نیاز آن‌ها را برای بررسی دقیق‌تر به محل حادثه ارسال کرد.
محققان اعلام کردند آن‌ها به زودی فناوری خود را در سطح دانشگاه کرنل آزمایش خواهند کرد و از دوربین‌ها برای نظارت روی مردم استفاده می‌کنند. با وجود این نیروی دریایی آمریکا ممکن است این کار با پهپادها و دیگر تجهیزات خودران انجام بدهد.
دفتر تحقیقات نیروی دریایی آمریکا (ONR³)، با کمک هزینه‌ای 1.7 میلیون دلاری تا 4 سال از پروژه‌ی یاد شده حمایت می‌کند. همچنین وزارت انرژی و بنیاد ملی علوم آمریکا حمایت خود را از آن اعلام کرده‌اند.

____________________________________

1- Convolutional-Features Analysis and Control for Mobile Visual Scene Perception
2- مدل یا شبکه‌ی بیضی، یک گراف جهت‌دار غیر مدور است که مجموعه‌ای از متغیرهای تصادفی و نحوه ارتباط مستقل آن‌ها را نشان می‌دهد. به عنوان نمونه یک شبکه بیزی می‌تواند نشان‌دهنده ارتباط بین علت بیماری‌ها با خود آن‌ها باشد. در نتیجه با در اختیار داشتن عوامل مورد نیاز باید بتوان احتمال یک بیماری خاص را در یک بیمار تشخیص دهد.
3- Office of Naval Research