آرشیو مولف: مدیر

بیومتریک یا علم بیومتریک به تکنولوژی موجود برای اندازه‌گیری و آنالیز مشخصات بدن افراد جهت تشخیص هویت اطلاق میشود. با گذر زمان، ارگان های مختلف در حال سوق یافتن به سوی استفاده از بیومتریکهایچندوجهی هستند؛ این سیستم ها در مقایسه با راهکارهای تک-وجهی از مزیت های بخصوصی برخوردار هستند. به عنوان مثال، دستگاه های اثر-انگشت-خوان به تنهایی قادر به تشخیص اثر انگشت افراد از روی پوست چروکیده و آسیب دیده نیستند. دستگاه های شناسایی چندوجهی با ترکیب دو بیومتریک مختلف همچون اثرانگشت افراد + چهره ی آنها یا اثرانگشت افراد + رگ های موجود در زیر انگشتان آنها، انعطاف پذیری و امنیت بیشتری را ارائه کرده و متناسب با نیازهای کنترل دسترسی کاربران هستند.

سیستم های کنترل دسترسی معمولا مستلزم یکی از سه فاکتورتشخیص هویتی چون کارتها/نشان ها(یی که همراه خود دارید)، رمزهای عبور(ی که میدانید) و بیومتریک(هایی که خود شما هستید) میباشد. رفته رفته بیومتریک ها یا فاکتور«چیزی که خود شما هستید» در میان افراد شناخته تر شده است، چرا که در مقایسه با سایر فاکتورها، در این فاکتور هویت افراد گم نشده، به سرقت نرفته و فراموش نمیشود.

اکثر مشتریان هنوز هم از کلیدهای فلزی، کارتها یا بج ها برای ایمن سازی دربهای خود استفاده میکنند. در صورتی که این مشتریان هیچگونه نفوذی را در نتیجه سوء استفاده یا گم شدن کلیدها/کارتها تجربه نکرده باشند، متقاعدسازی آنها برای سرمایه گذاری در تکنولوژی های جدیدی چون سیستم های تشخیص اثرانگشت و چهره دشوار خواهد بود. اما در مورد سیستم های جدید نصب شده، این کار دشوار نبوده و به راحتی قابل انجام است. سیستم های بیومتریک از کلیدها و کارتها به مراتب ایمنتر و راحتتر هستند، چرا که این سیستم ها فراموش یا گم نشده و کسی قادر به سرقت اعتبار بیومتریک شما نیست.

در ابتدا، بیومتریکهای تک-وجهی تنها از یک بیومتریک مربوط به کاربر (فرقی نمیکند که بیومتریک مربوطه اثرانگشت، چهره، عنبیه چشم یا کف دست باشد) استفاده میکرده اند و این امری معمول بوده است. هرچند که رفته رفته و با گذر زمان، کاربران متوجه محدودیت تکنولوژی های بیومتریک تک-وجهی شدند. به عنوان مثال، همیشه یک درصد بخصوصی از افراد وجود دارند که آثار انگشت آنها قابل شناسایی و خواندن نیست. سیستم های تشخیص چهره نیز در صورت نصب شدن در فضاهای بیرونی و قرار گرفتن در معرض نورخورشید شدید چندان خوب عمل نمیکنند. بنابراین نصب یک سیستم بیومتریک ثانویه به گزینه ای حیاتی تبدیل میشود.

در حقیقت پتانسیل رشد بیومتریک های چندوجهی را نمیتوان نادیده گرفت. طبق گزارش ارائه شده توسط موسسه پژوهشی تکناویو پیشبینی شده است که بین سالهای 2016 تا 2020، راهکارهای بیومتریک چندوجهی به صورت جهانی نرخ رشد مرکب سالانه ای برابر 15 درصد داشته باشند.

مزیت های سیستم های بیومتریک چندوجهی

سیستم های بیومتریک چندوجهی از مزایای بالایی برخوردار هستند. یکی از مزیت های این سیستم ها، ارتقاء سطح امنیت در سازمان هایی است که از این سیستم ها استفاده میکنند؛ این سازمان ها میتوانند به جای استفاده از یک بیومتریک، از طریق دو بیومتریک به تایید هویت کارکنان/افراد بپردازند. مزیت این کار، فراهم سازی امکان تایید هویت چندگانه است. در صورت نیاز یک سازمان به سطوح بالای امنیت، این سازمان ها میتوانند از مدهای مختلفی برای شناسایی افراد استفاده کنند. به عنوان مثال برای صدور اجازه دسترسی به افراد، آثار انگشت و چهره ی آنها باید اسکن شود.

ترکیب مدهای بیومتریکی مکمل و مختلف باعث ایجاد عملکرد تطبیق بهتر و بالاتر میشود؛ این موضوع به معنای تعداد خطاهای تطبیق و عدم تطبیق کمتر و تعداد عملیات های شناسایی ناموفق کمتر است. به قطع شرایطی وجود خواهد داشت که در آن یک مد بخصوص ناتوان از اجرای عملکرد رضایت بخش بوده و یا شاید یک کاربر یک مد بخصوص را به مد دیگری ترجیح بدهد. در این موارد تنها یک مد نسبت به سایر مدها انتخاب میشود. با این وجود این کار باعث بهبود عملکرد و ارتقاء امنیت میشود، چرا که میزان داده های ضعیف و عدم موفقیت در عملیات شناسایی بسیار کاهش می یابد.

داشتن بیومتریک های هیبریدی و چند-مدلی باعث بهبود امنیت میشود، چرا که مشتریان میتوانند با استفاده از تایید هویت چندفاکتوری به “لایه لایه سازی” امنیت خود بپردازند. به عنوان مثال شما میتوانید سیستم تایید هویت دوفاکتوری را بکار بگیرید تا بدین شکل پیش از صدور اجازه ی دسترسی به درب، کاربران علاوه بر ارائه ی یک اثر انگشت معتبر، مجبور به تایید چهره ی خود باشند. برخی از مدل های سیستم های بیومتریک هیبریدی دارای چهار سنسور بیومتریکی، یک کارت خوان و یک کیپد هستند. با در نظر گرفتن تکنولوژی های بیومتریکی چندوجهی، امکان ایجاد و فراهم سازی امنیت و آسودگی بی انتها خواهد بود.

در حقیقت طبق گزارش ارائه شده توسط تکناویو، در طول سال 2015 آمریکای شمالی بازار بیومتریک های چندوجهی را تحت کنترل خود گرفته و از لحاظ درآمد که اساسا به خاطر مسائل امنیتی بود، سهم بازار آن نزدیک به 39 درصد بوده است. افزایش موارد اقدامات جنایی باعث ایجاد تقاضای بالا برای سیستم های بیومتریکی چندوجهی جهت شناسایی مجرمین شده است. این موضوع باعث افزایش صرف هزینه ی دولت روی تکنلوژی های بیومتریکی شده است. همچنین چندین فرودگاه واقع در این منطقه در حال بکارگیری سیستم های بیومتریکی چندوجهی هستند تا بدین شکل شناسایی هویت مسافرین را ایمن کنند.

انعطاف پذیری نیز یک مزیت دیگر این تکنولوژی ها تلقی میگردد. دستگاه های بیومتریکی چندوجهی متدهای چندگانه ای را برای تشخیص یک فرد فراهم میکنند. به عنوان مثال در صورت عدم کارکرد اثر انگشت، شما میتوانید از تشخیص چهره و یا حتی کارت اعتباری خود استفاده کنید. شاید مهمترین مزیت این سیستم ها، بحث انعطاف پذیری آنها باشد. به عنوان مثال این سیستم ها این امکان را برای شما فراهم میکنند که از شناسایی اثر انگشت برای یک نفر و از تشخیص چهره برای سایر افراد استفاده کنید.

بیومتریک های چندوجهی تنظیمات یا گزینه های دسترسی مختلفی را برای کاربران فراهم کرده و با کمک آنها افراد میتوانند طبق تمایل خود یکی از گزینه های موجود را انتخاب کنند. انعطاف پذیری سیستم ها موضوعی است که مشریان به شدت دنبال آن هستند.

برگرفته از مجله a&s

http://www.didarc.com/fa/news/multimodal-biometrics-add-extra-layer-of-security

از گذشته تا کنون، بشر متکی بر اقیانوس ها بوده است. با شروع معاملات با کشورهای دیگر، اهمیت بندرگاه های اطراف جهان افزایش یافته و امروزه این بندرگاه ها نقشی کلیدی را به عنوان بخشی مهم در زیربنای حمل و نقل جهانی ایفا میکنند. این بندرگاه ها باعث باز شدن دروازه ای رو به سوی جهان بیرونی شده و این امکان را برای ملیت های مختلف فراهم نموده اند که به اقتصادهای صادرات-محور تبدیل شده و از معاملات خارجی بهره مند شوند. با جهانی سازی هر چه بیشتر دنیای بشر، نقش بندرگاه ها تغییر یافته است و در کنار مزایای اینگونه معاملات، چالش ها و فشارهایی مرتبط با مدیریت امنیت نیز به وجود آمده است.

این صنعت مملوء از تناقضات است. علیرغم توسعه سریع بندرگاه ها، بدون شک مدیریت امنیت مورد نیاز خواهد بود و از سوی دیگر احساس نیاز به سرویس های امن، کارآمد و قابل کنترل حس خواهد شد. همچنین بر اپراتورها فشاری مبنی بر حصول اطمینان از قرارگیری درست سیستم ها وجود دارد. با این حال، در مناطق نظارت بندرگاهی بزرگ و در برخی از شرایط پیچیده، مدیریت و کنترل این نوع دفاع غیرنظامی میتواند بسیار سخت تمام شود.

تحت خطر بودن امنیت بندرگاهی

یک منطقه بندرگاهی معمولا چندین کیلومتر مربع را پوشش میدهد، اما برخی از نواحی بندرگاهی به ده ها کیلومتر مربع هم میرسند. بنابراین با پوشش دهی یک قلمروی بزرگ با سیستم حمل و نقل پیچیده، سپس افزودن تعداد زیادی ورودی و فنس های پیرامونی، کانال های طولانی، فضاهای ذخیره سازی با مقیاس بزرگ و تعداد محل های ایست و لنگر اندازی، این موضوع تعجب آور نخواهد بود که نیازهای امنیتی باعث افزایش قابل توجه تعداد ایستگاه های کاری در سراسر یک بندرگاه میشود. اما در صورت تکیه بر دفاع غیرنظامی، ­امنیت دریایی چگونه به مدیریت و بررسی عملیات های عادی میپردازد؟ در حال حاضر با توسعه تکنولوژی، مهاجرین غیرقانونی و جرائم سازماندهی شده روی مدیریت امنیت تاثیر گذار بوده اند. اما بکارگیری منابع انسانی برای انجام مبارزه ای کارآمد، بسیار بی فایده خواهد بود و در اکثر موارد، نقش فرد مورد نظر بسیار یکنواخت و خسته کننده خواهد شد. بنابراین آنچه منطقی می نماید، ترکیب رویکردهای محافظتی با دفاع هوشمند است.

مدیریت های چندگانه

تبادل و به اشتراک گذاری داده ها بخشی از فرآیند اطلاعاتی سازی است. بندرگاه ها هر یک از ایستگاه های کاری را به عنوان واحدی می بینند که داده های مربوط بازبینی ویدئویی را به دست می آورند. در بیشتر موارد، بکارگیری و مدیریت ویدئوها و داده های بیزینسی به صورت نسبی متکی بر هر یک از این ایستگاه ها هستند. بنابراین فقدان نوعی سیستم امنیتی تحت شبکه وجود دارد که یکپارچه، سیستماتیک و چندسطحی باشد. از همه مهمتر، بندرگاه ها باید به متعادل سازی تقاضا برای اختصاص درست و کنترل دسترسی از مراکز بازبینی به زیرمجموعه این مراکز، زیرمجموعه مراکز به نقاط بازبینی موجود در گمرکات، ادارات امنیت عمومی واقع در بندرگاه ها، ادارات دریایی و دفاع مرزی و غیره بپردازند.

اصلاح هوشمندانه بندرگاه ها

با ظهور بندرگاه های هوشمند، نیاز به مدیریت امنیت هوشمندانه بیشتر از پیش خود را نمایان میسازد، مخصوصا در تشخیص اتوماتیک کانتینرها، کارمندان و رانندگانی که به صورت مداوم وارد بندرگاه و یا از آن خارج میشوند. برای پشتیبانی از اطلاعیه های سیستم مدیریت اطلاعات ﴿IMS﴾ در هر یکی از مراحل مهم این جریان، یک سیستم مدیریتی چندرسانه ای نیاز است که از آن میتوان در کنار یک سیستم  ورود و یک سیستم امنیتی استفاده نمود. نصاب ها میتوانند داده های ابتدایی را از طریق برچسب های الکترونیکی و دوربین ها به دست آورند و بدین شکل یک فرایند کامل و یک سیستم کنترل مدیریت چندسویه را برای محموله های ورودی و خروجی محقق سازند. در عین حال امنیت بندرگاه ها را میتوان از طریق ترکیب و همکاری تکنولوژی تشخیص چهره، تجزیه و تحلیل ردیابی و ابزارهای حرکت ویدئویی با دستگاه های پخش و اخطار صوتی تضمین نمود.

تقاضاهای بازبینی چالش برانگیز

با تکامل وپیشرفت مداوم نیازهای بازبینی محصولات و تکنولوژی نظارت ویدئویی، بکارگیری این سیستم ها در مناطق بندرگاهی نیازمند پیشروی با نیازهای روز است. نخست، تصویربرداری با کیفیت بالا: از آنجایی که بندرگاه ها حجم زیادی از افراد، خودروها و قایق ها را در سراسر حوزه خود جمع میکنند، برای تشخیص جزئیات باید از یک دوربین با رزولوشن بالا استفاده کرد تا قادر به انجام این کار باشد. علاوه بر این، میزان روشنایی پایین و بازبینی دورادور در شب از جمله مسائلی هستند که باید مورد توجه قرار بگیرند. در بندرگاه ها، عمده ی حملات در طول شب یا در جریان مه غلیظ صورت میگیرند، بنابراین چگونگی اطمینان حاصل نمودن از امنیت بندرگاه در چنین شرایطی موضوعی حائزاهمیت است. تقاضای بالای فعلی برای استفاده در بندرگاه ها شامل نظارت دورادور، بازبینی به صورت پانوراما و محصولاتی میشود که ضدانفجار و ضدزنگ هستند.

بنابراین بندرگاه های جهانی درگیر شرایط چالش برانگیزی هستند. یافتن راهی برای حل و فصل این شرایط موضوعی مهم است.

برگرفته از مجله Git-Security

http://www.didarc.com/fa/news/an-introduction-to-harbour-surveillance

این روزها یادگیری عمیق به موضوعی داغ تبدیل شده است و در طیف گسترده ای از صنایعی که در حال سرمایه گذاری روی زمینه هایی چون هوش مصنوعی، کلان داده و آنالیتیکها هستند ریشه دوانده است. به عنوان مثال شرکت گوگل از یادگیری عمیق در الگوریتم های تشخیص صدا و تصویر استفاده نموده است، این در حالی است که شرکت هایی چون نتفیلیکس و آمازون در حال استفاده از آن برای فهم رفتار مشتریان خود هستند. شاید باور آن برای شما دشوار باشد، اما محققین دانشگاه ام.آی.تی در تلاش برای پیش بینی آینده با استفاده از یادگیری عمیق هستند. حال به این موضوع فکر کنید که یادگیری عمیق از چه پتانسیلی برای راه اندازی انقلاب در جهان و نحوه ی کار ما با چیزهای اطرافمان برخوردار است. قبل از صحبت از یادگیری عمیق باید رابطه ی آن را با یادگیری ماشین و هوش مصنوعی متوجه شد. راحت ترین راه برای فهم این ارتباط، مراجعه به دیاگرام زیر است:

• هوش مصنوعی – مهندسی ساخت ماشین ها و برنامه های هوشمند
• یادگیری ماشین – قابلیت یادگیری بدون آنکه مشخصا برنامه ریزی صورت گرفته باشد
• یادگیری عمیق – یادگیری بر اساس شبکه های عصبی عمیق

طبق شکل بالا متوجه خواهید شد که یادگیری ماشین زیرمجموعه ای از هوش مصنوعی است. این بدین معناست که میتوانیم ماشین هایی هوشمندی را بسازیم که قادر به یادگیری بر اساس داده های ارائه شده هستند. علاوه بر این، یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که در آن از الگوریتم های یادگیری ماشین مشابهی برای آموزش شبکه های عصبی استفاده شده است؛ این کار برای کسب دقت بیشتر در مواردی انجام میشود که یادگیری عمیق  قادر به ارائه عملکرد کافی نبوده است. موضوعات زیر در ادامه مقاله مورد بررسی قرار خواهند گرفت:

• هوش مصنوعی
• یادگیری ماشین
• نقاط ضعف یادگیری ماشین

1. هوش مصنوعی

اصطلاح هوش مصنوعی در سال 1956 توسط جان مک کارتی ساخته شد؛ وی پدر هوش مصنوعی نام گرفته است. ایده ی پشت طرح هوش مصنوعی بسیار ساده و شگفت انگیز است. هدف از طرح هوش مصنوعی ساختن ماشین های هوشمندی بوده است که قادر به تصمیم گیری هستند. شاید این طرح همچون نوعی فانتزی علمی به نظر برسد، اما با توجه به پیشرفتهای اخیر صورت گرفته در تکنولوژی و قدرت محاسبات، این ایده هر روز بیشتر از پیش در حال نزدیک شدن به واقعیت است.

2. یادگیری ماشین: گامی به سوی هوش مصنوعی

حال که با مفهوم هوش مصنوعی آشنا شده اید، نوبت آن است که در مورد یادگیری ماشین صحبت شود و اینکه برنامه دهی ماشین ها برای یادگیری به چه معناست. ابتدا با تعریفی مشهور از یادگیری ماشین شروع میکنیم:

تعریف تام میشل از دانشگاه­ کارنژی ملون: «زمانی میتوان گفت که یک برنامه کامپیوتری از تجربه E با توجه به وظیفه T و ارزیابی عملکرد P یاد میگیرد که طبق ارزیابی P، عملکرد آن روی T، با کمک تجربه E بهبود یابد».

بنابراین در صورتی که بخواهید برنامه شما الگوهای ترافیکی موجود در یک تقاطع شلوغ ﴿وظیفه T﴾ را پیشبینی کند، از طریق الگوریتم های یادگیری ماشین و با کمک داده های موجود در مورد الگوهای ترافیکی قدیمی ﴿تجربه E﴾ میتوانید این کار را انجام دهید. دقت پیشبینی صورت گرفته ﴿ارزیابی عملکرد P﴾ به این بستگی دارد که آیا برنامه مربوطه موفق به استفاده از مجموع داده های موجود شده است یا خیر ﴿تجربه E﴾.

اساسا یادگیری ماشین به نوعی هوش مصنوعی اطلاق میشود که در آن کامپیوترها بدون نیاز به حجم زیادی از داده برای برنامه ریزی شدن، قدرت یادگیری پیدا میکنند. قانون و قاعده اصلی پشت یادگیری ماشین، یادگیری از مجموع داده ها و تلاش برای حداقل رساندن خطاها و به حداکثر رساندن احتمال به وقع پیوستن پیشبینی های آنها است.­

3. نقاط ضعف یادگیری ماشین

به هنگام کار با داده های بُعد-بالا، یعنی زمانی که با تعداد زیادی ورودی و خروجی سر و کار داشته باشیم، الگوریتم های یادگیری ماشین قدیمی چندان کاربرد ندارند. به عنوان مثال به هنگام تشخیص دست خط افراد، مقادیر زیادی ورودی موجود است­ که در آن انواع مختلفی ورودی که­ تداعی کننده انواع دست خط ها هستند وجود خواهد داشت. چالش اصلی دوم فهماندن این موضوع به کامپیوتر است که باید به دنبال چه ویژگی هایی باشد که نقشی مهم در پیش بینی نتیجه و همچنین کسب دقت بیشتر در حین انجام این کار ایفا خواهد کرد. به این فرآیند استخراج ویژگی گفته میشود.

دادن داده های خام به الگوریتم ها به ندرت کارایی داشته و به همین دلیل است که استخراج ویژگی بخش مهمی از جریان کاری یادگیری ماشین قدیمی را تشکیل میدهد. بنابراین بدون استخراج ویژگی، چالش های پیش روی برنامه نویس مربوطه افزایش پیدا میکند، چرا که کارایی الگوریتم ها تا حد زیادی به بینش برنامه نویس آن بستگی دارد. ­

از این رو بکارگیری این مدل یادگیری ماشین یا الگوریتم ها در برنامه هایی چون تشخیص اشیاء، تشخیص دست خط، پردازش زبان های طبیعی NLP و غیره بسیار دشوار است.

برگرفته از edureka

http://www.didarc.com/fa/news/what-is-deep-learning

یادگیری عمیق یکی از تنها متدهایی است که با آن میتوان بر چالش های استخراج ویژگی غلبه کرد؛ به این دلیل که مدل های یادگیری عمیق قادر به یادگیری تمرکز روی ویژگی های مناسب بوده و به راهنمایی کمی از سوی برنامه نویس نیازمند هستند. اساسا یادگیری عمیق از نحوه ی عملکرد مغز تقلید میکند، به عبارت دیگر از تجربه ها یاد میگیرد. همانطور که میدانید مغز ما از میلیاردها عصب تشکیل شده که به ما امکان انجام کارهای خارق العاده ای را میدهد.  حتی مغز یک بچه یک ساله نیز قادر به حل مشکلات پیچیده ای است که حل آنها برای سوپرکامپیوترها هم بسیار دشوار است. به عنوان مثال:

• تشخیص چهره والدین خود و همچنین اشیاء مختلف.
• تشخیص صداهای مختلف از یکدیگر و شناسایی افراد بر اساس صدای آنها.
• فهم حس و حال چهره سایر افراد و بسیاری از کارهای دیگر.

در حقیقت مغز ما در طول سالیان مختلف و به صورت نیمه خودآگاه خود را برای انجام چنین چیزهایی آموزش داده است. در حال حاضر، سوالی که پیش می آید این است که یادگیری عمیق چگونه از عملکرد مغز تقلید میکند؟ یادگیری عمیق از مفهوم عصب های مصنوعی که عملکردی مشابه عصب های های بیولوژیکی مغز انسانها دارند استفاده میکنند. بنابراین میتوان گفت که یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که خود به الگوریتم های الهام گرفته از ساختار و عملکرد مغز که شبکه های عصبی مصنوعی نامیده میشوند وابسته است.

حال برای روشن شدن این موضوع به مثال زیر نگاهی بیاندازید. ساختن سیستمی را متصور شوید که قادر به تشخیص چهره ی چندین فرد مختلف در یک تصویر باشد. در صورتی که این مشکل را به عنوان یک مشکل یادگیری ماشین معمولی حل کنیم، ویژگی های چهره ای چون چشم، دماغ،‌ گوش ها و غیره را تعریف خواهیم کرد و سپس سیستم تشخیص خواهد داد که کدام یک از ویژگی ها برای کدام یک از افراد حائزاهمیت است.

در حال حاضر یادگیری عمیق این کار را یک مرحله پیشتر برده است. یادگیری عمیق به صورت خودکار ویژگی های حائزاهمیت برای طبقه بندی را با کمک شبکه های عصبی عمیق خود پیدا میکند، این در حالی است که در یادگیری ماشین، این ویژگی ها باید به صورت دستی تعریف شوند.­

همانطور که در تصویر بالا نشان داده شده است، یادگیری عمیق به شکل زیر عمل میکند: در پایین ترین سطح، شبکه روی الگوهای کنتراست داخلی به عنوان موضوعی مهم تمرکز میکند. لایه بعدی قادر به استفاده از آن الگوهای کنتراست داخلی برای تمرکز روی چیزهایی که مشابه چشم ها، دماغ ها و دهان ها است. در آخر، لایه نهایی قادر به بکارگیری آن ویژگی های چهره در قالب های چهره است. یک شبکه عصبی عمیق قادر به ساخت ویژگی های پیچیده و پیچیده تری در هر یک از لایه های بعدی خود است.

آیا تا به حال این سوال برای شما پیش آمده است که فیسبوک چگونه به صورت خودکار تمامی افراد حاضر در یک تصویر آپلود شده توسط شما را لیبل و برچسب گذاری میکند؟ فیسبوک همچون مثال قبل که پیشتر ذکر شد از یادگیری عمیق استفاده میکند. قابلیت های یادگیری عمیق و اینکه چگونه در مواردی که از اثر یک سری از ویژگی ها بیخبر بوده ایم یادگیری عمیق توانسته از لحاظ عملکرد از یادگیری ماشین سبقت بگیرد از جمله مواردی هستنند که شاید تا به اکنون متوجه آنها شده باشید. ­

در نتیجه شبکه های عمیق میتوانند با بهره جویی از مجموع داده های شامل داده های ورودی فاقد برچسب گذاری مناسب، از پس نقاط ضعف یادگیری ماشین برآیند.

شبکه عصبی چیست؟

همانطور که از نام آن برمی آید، یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است. یادگیری عمیق برای پرداختن به مشکلات یادگیری ماشین، بیشتر درگیر استفاده از شبکه های عصبی مصنوعی عمیق (الگوریتم ها/مدل های محاسباتی که تا حدودی از مغز انسان الهام گرفته اند) شده است.

حال سوالی که ذهن افراد را درگیر میکند این است که اصلا شبکه عصبی چیست و چه کاری در یادگیری عمیق انجام میدهد؟ به مقایسه زیر توجه کنید: شبکه ی عصبی را همچون یک سری درب که پشت سر یکدیگر قرار گرفته اند در نظر بگیرید و خود را به عنوان یک “ورودی” به شبکه عصبی موجود ببینید. هر زمان که یکی از این درب ها را باز میکنید، تبدیل به یک فرد جدید میشوید (به عبارت دیگر، به نحوی یک تغییر در شما اتفاق می افتد). و زمانی که به آخرین درب میرسید، به یک فرد کاملا متفاوت تبدیل شده اید. هنگامی که از درب آخر خارج میشوید، به “خروجی” شبکه عصبی تبدیل میشوید. در این مورد، هر یک از درب ها نشان دهنده ی یک لایه هستند. بنابراین یک شبکه عصبی مجموعه ای از لایه هایی است که به نحوی ورودی موردنظر را تغییر داده و به ایجاد خروجی پرداخته است.

هر یک از لایه های موجود در شبکه ی عصبی شامل “وزن ها” و “جهت گیری ها”ی خاص خود هستند – این موارد تنها اعدادی هستند که بر ورودی افزوده میشوند. عملکرد کلی شبکه های عصبی به این شکل است که تعدادی ورودی دریافت کرده (معمولا مجموعه ای از اعداد که نمایش دهنده ی چیزی هستند، به عنوان مثال، مقادیر قرمز-سبز-آبی پیکسل ها در یک تصویر)، با استفاده از وزن ها و جهت گیری های لایه های خود یک سری تغییرات محاسبه شده انجام داده و در نهایت یک خروجی را بیرون میدهد. در صورتی که قبلا یک سری کلاس جبر گذرانیده باشید میتوانید به این ورودی ها، خروجی ها و وزن ها به عنوان یک سری ماتریس نگاه کنید. ماتریس ورودی توسط یک سری ماتریس تغییر داده شده (به عبارت دیگر، ماتریس های وزن و جهت گیری های لایه مربوطه) و به خروجی شما تبدیل میشود. البته ذکر این نکته حائز اهمیت است که توصیف ارائه شده توضیحی بسیار ساده از نحوه عملکرد یک شبکه عصبی بوده و تنها برای فهم بهتر آن مطرح شده است.

یک شبکه عصبی عمیق تنها یک شبکه عصبی با تعداد لایه های زیاد است (با قرار دادن لایه ها روی یکدیگر، شبکه ی عصبی شما شروع به “عمیق تر” شدن میکند. ایده ی اولیه یادگیری عمیق، استفاده از شبکه های عصبی به همراه چندین لایه مختلف بوده است).

حال سوالی که مطرح میشود این است: شبکه ی عصبی چگونه یاد میگیرد؟ از طریق “پس انتشار“. این واژه به روش معمول برای آموزش یک شبکه عصبی گفته میشود که در آن خروجی اولیه سیستم با خروجی دلخواه مقایسه شده و تا جایی که تفاوت بین آنها به حداقل برسد، سیستم مربوطه تنظیم میشود. همانطور که قبلا گفته شد شبکه های عصبی از لایه هایی تشکیل شده اند که وزن ها و جهت گیری های خاص خود (که تنها مجموعه ای از اعدادند) را شامل میشوند. در جریان فاز آموزش، شبکه های عصبی در جهت یافتن وزن ها/جهت گیری های درستی تلاش میکنند که قادر به ارائه ی دقیقترین خروجی ها باشند. این کار با استفاده از روشی تحت عنوان پس انتشار انجام میشود. پیش از آموزش دادن یک شبکه عصبی، وزن ها/ جهت گیری ها یا به صورت رندوم و یا با توجه به یک مدل آموزش دیده شده ی قبلی آماده سازی میشوند. در هر دو صورت هنگامی که آموزش صورت میگیرد، شبکه ی عصبی آن وزن ها و جهت گیری ها را با توجه به آنچه که “یاد میگیرد” تغییر میدهد. هنگامی که یک شبکه ی عصبی میسازیم، باید روی چیزی به عنوان تابع هزینه تصمیم گیری (به عبارت دیگر، انتخاب یا طراحی) کنیم. تابع هزینه اساسا به نوعی تابع ریاضی گفته میشود که خروجی را از یک شبکه ی عصبی (برای یک ورودی معین) و داده ی عینی (به عبارت دیگر، خروجی مورد انتظار از شبکه ی عصبی برای ورودی مشخص شده) دریافت و میزان غلط/بد بودن نتیجه حاصل از شبکه های عصبی را محاسبه میکند.

با استفاده از تکنیک های بهینه سازی همچون گرادیان کاهشی، کامپیوتر شما چگونگی تغییر وزن ها و جهت گیری ها را یاد میگیرد تا بدین شکل تابع هزینه را به حداقل برساند. اما گرادیان کاهشی به چه معناست؟ گرادیان کاهشی یک الگوریتم بهینه‌سازی مرتبه اول الگوریتم تکرار شونده است. برای یافتن کمینه محلی یک تابع با استفاده از این الگوریتم، گام‌هایی متناسب با منفی گرادیان (یا گرادیان تخمینی) تابع در محل فعلی برداشته خواهد شد. اگر در استفاده از این الگوریتم، گام‌هایی متناسب با جهت مثبت گرادیان برداشته شود، به بیشینه محلی تابع نزدیک می‌شویم که به این فرایند گرادیان افزایشی گفته می‌شود. سیستم مربوطه با یاد گرفتن با توجه به داده های بیشتر و بیشتر به انجام این کار ادامه میدهد (خروجی را از شبکه ی عصبی دریافت، هزینه را محاسبه و برای تغییر وزن ها کار “پس انتشار” را که پیشتر توضیح داده شد انجام میدهد). به مرور زمان، وزن ها و جهت گیری های سیستم با توجه به داده ها تنظیم میشوند و در آخر شبکه ای عصبی با دقت خروجی بالا در دست خواهید داشت. به یاد داشته باشید که کارایی عملی یا دقت یک شبکه عصبی تا حد زیادی به داده های استفاده شده برای آموزش آن وابسته است: بنابراین این موضوع بسیار حائزاهمیت است که بانک اطلاعاتی مجموع داده های شما به درستی ساخته یا انتخاب شده باشد. بدون وجود داده ی خوب (و میزان داده ی خوب) کار آموزش یک شبکه ی عصبی دقیق بسیار دشوار تمام خواهد شد.

به علاوه، تابع هزینه اساسا میزان عدم دقت شبکه ی عصبی مربوطه را اندازه گیری میکند؛ با به حداقل رساندن تابع هزینه به وسیله تغییر وزن ها/جهت گیری ها، شبکه ی عصبی شما از لحاظ عددی بسیار دقیقتر خواهد شد. با این حال، دقت شبکه عصبی وابسته به داده ای است که بر اساس آن آموزش داده میشود؛ بنابراین یک هزینه پایین ضرورتا به معنای یک شبکه ی عصبی آموزش دیده به قدر کافی نیست.

موارد کاربرد یادگیری عمیق

1. تشخیص صدا

شاید اسم سیری به گوش شما خورده باشد؛ سیری یک راهنمای هوشمند صوتی در محصولات شرکت اپل است. همچون سایر غول های بازار، شرکت اپل نیز روی یادگیری عمیق سرمایه گذاری کرده تا بدین شکل بتواند خدمات خود را با کیفیت بیشتری در مقایسه با گذشته ارائه کند. در زمینه تشخیص صدا و راهنمای هوشمند صدایی چون سیری، افراد میتوانند با استفاده از شبکه های عصبی عمیق مدلهای صوتی دقیقتری را بسازند. در حال حاضر این زمینه یکی از فعالترین زمینه ها برای بکارگیری یادگیری عمیق است. به بیان ساده، با کمک این تکنولوژی شما قادر به ساخت سیستمی هستید که میتواند ویژگی های جدید یاد بگیرد و یا با توجه به شما خود را تغییر دهد. بنابراین با پیش بینی تمام احتمالات از قبل، به نحو بهتری راهنمایی در اختیار شما قرار میگیرد.

2. ترجمه ماشینی خودکار

همه ما میدانیم که گوگل قادر به ترجمه فوری بین 100 زبان مختلف بوده و سرعت آن به قدری است که همچون یک معجزه به نظر می آید. تکنولوژی پشت گوگل ترنزلیت ترجمه ماشینی نامیده میشود و برای افرادی که به خاطر تفاوت زبانشان قادر به برقراری ارتباط با یکدیگر نبوده اند همچون یک نجات دهنده عمل کرده است. حال ممکن است که این سوال برایتان پیش آید: « این ویژگی برای مدت های زیادی است که وجود دارد، پس دیگر چه چیز جدیدی برای ارائه میتواند داشته باشد؟» در طول چند سال گذشته، گوگل با کمک یادگیری عمیق رویکرد موجود نسبت به ترجمه ماشینی را در گوگل ترنزلیت خود به کلی دگرگون کرد. ­در حقیقت پژوهشگران یادگیری عمیقی که تقریبا چیزی در مورد ترجمه ماشینی نمیدانند، با ارائه و بکارگیری راهکارهای یادگیری ماشینی ساده توانسته اند بهترین و پیشرفته ترین سیستم های ترجمه زبانی در جهان را شکست دهند. ترجمه متون در این سیستم ها بدون نیاز به پیش پردازش توالی متون انجام میگیرد و به الگوریتم ها اجازه میدهد که ارتباط بین کلمات و معادل آنها را در زبان جدید یاد بگیرند. شبکه های فشرده ای از شبکه های عصبی متناوب و بزرگ برای انجام این ترجمه لازم است.

3. ترجمه بصری فوری

همانطور که میدانید یادگیری عمیق برای مواردی چون تشخیص تصاویری که دارای حروف اند و یا در مکانهایی که حروف ­در یک صحنه حضور دارند استفاده میشود. به محض شناسایی، این تصاویر را میتوان به متن تبدیل و ترجمه کرد و تصاویری با متن ترجمه شده از نو ایجاد نمود. حال شرایطی را تصور کنید که به کشور دیگری که زبان آن را نمیدانید سفر کرده اید. هیچ جای نگرانی نیست! با استفاده از اپلیکیشن های مختلفی چون گوگل ترنزلیت میتوانید برای خواندن علامت ها و یا تابلوهای خرید نوشته شده به زبان دیگر به سرعت ترجمه بصری انجام دهید.

4. خودروهای بدون راننده و اتوماتیک

شرکت گوگل در تلاش است که با استفاده از یادگیری عمیق مقدمات ساخت خودروهای بدون راننده خود ﴿معروف به WAYMO﴾ را فراهم و به سطح جدیدی از تکامل برساند. بنابراین به جای استفاده از الگوریتم های کدگذاری شده به صورت دستی، افراد میتوانند سیستم را طوری برنامه ریزی کنند که با استفاده از داده های ارائه شده توسط سنسورهای مختلف به خودی خود همه چیز را یاد بگیرند. در حال حاضر یادگیری عمیق به عنوان بهترین رویکرد نسبت به اکثر عملیات های ادراکی و همچنین بسیاری از عملیات های کنترلی سطح-پایین تلقی میگردد. ­از این رو در حال حاضر حتی افرادی که رانندگی بلد نبوده و یا ناتوان از رانندگی هستند نیز میتوانند بدون نیاز به سایر افراد وسیله نقلیه خود را برانند.

موارد ذکر شده تنها برخی از موارد مطرح استفاده از یادگیری عمیق بوده است که در آنها از این تکنولوژی به صورت گسترده استفاده شده و نتایج مطلوبی به دست آمده است. در بسیاری از حوزه هایی که جای بررسی و تامل دارند، یادگیری عمیق کاربری های دیگری نیز دارد.

برگرفته از edureka و towardsdatascience

http://www.didarc.com/fa/news/deep-learning-mechanism

اثرانگشت هنوز هم به عنوان بیومتریک اصلی در دستگاه های کارت خوان و کنترل دسترسی تلقی میگردد. با این حال برخی از محدودیت ها کاربران را بر آن داشته است که به دنبال امکانی برای افزودن سایر بیومتریک ها در کنار اثرانگشت باشند. بنابراین چهره تبدیل به راهکاری عملی و موفق میشود.

بیومتریک متداول برای کنترل دسترسی، استفاده از اثرانگشت بوده و بسیار جا افتاده است. طبق تحقیق انجام شده توسط یِیل، در سال 2016 بیومتریک های اثرانگشت-محور با درآمدی غالب بر 4.45$ میلیارد دلار و سهم بازاری در حدود 91 درصد، بازار جهانی بیومتریک ها را تحت تسلط خود گرفته بود. طبق این تحقیق، در سال 2016 بازار بیومتریک های اثرانگشت-محور در مقایسه با سایر راهکارهای سخت افزاری بیومتریکی که طبق پیش بینی ها سهم بازاری 250$ میلیونی داشته اند، به تنهایی ارزشی برابر 4.1$ میلیارد پیدا کرده بود.

طبق گزارش ارائه شده توسط تکناویو نیز بین سالهای 2017 تا 2021 انتظار میرود که بازار جهانی بیومتریک های اثرانگشت-محور نرخ رشد مرکب سالانه ای برابر 12 درصد داشته باشند. طبق این گزارش: « بکارگیری گسترده ی بیومتریک های اثرانگشت-محور در بخش بهداشت و درمان یکی از فاکتورهای کلیدی رشد این بازار است. در بازه ی زمانی پیش بینی شده، منطقه آسیا-اقیانوسیه بزرگترین درآمدزایی را برای این بازار جهانی خواهند داشت. این میزان از درآمدزایی عمدتا بخاطر استفاده ی روبه افزایش دولت های کشورهایی چون هند از بیومتریک های اثر-انگشت محور بوده است؛ استفاده از این سیستم ها به آنها کمک میکند تا حضور کارکنان و میزان سهمیه بندی را نظارت و بازبینی کرده و از کنترل مرزها اطمینان حاصل کنند.»

علیرغم گستردگی استفاده از راهکارهای اثرانگشت-محور، این راهکارها محدودیت هایی نیز دارند.

مشتریان ارزش امنیت و آسودگی مضاعف بیومتریک های امروزی را دانسته و استفاده از آنها را ترجیح میدهند، چرا که این افراد در گذشته تجربه های ناموفق و ناراضی کننده ای از استفاده از تکنولوژی های تشخیص اثرانگشت و قابلیت اعتماد به آنها داشته اند. به عنوان مثال، طبیعت کارهایی چون حفر معادن زغال سنگ یا ساخت و ساز ساختمان ها به گونه  ای است که باعث ایجاد آثار انگشتی بی کیفیت وتقریبا صاف در کارگران میشود. در چنین مواردی شناسایی آثار انگشت کارکنان با یک دستگاه تشخیص اثرانگشت تک وجهی نامحتمل به نظر میرسد. اخیرا برخی از فروشندگان نوعی تکنولوژی جدید را معرفی و عرضه کرده اند که از قرار معلوم تشخیص آثارانگشتی تقریبا عالی را تضمین میکنند. فرقی نمیکند که لنزها یا الگوریتم های تطبیقی ارائه شده توسط فروشندگان به چه میزان قدرتمند باشد، همچنان درصد بخصوصی از افراد باقی خواهند ماند که آثار انگشت آنها به خاطر سن، رنگ پوست یا “شرایط ظاهری” انگشتان – به عبارت دیگر چروکیدگی، بریدگی، خراشیدگی یا آغشتگی به روغن/وسایل آرایشی- به راحتی قابل شناسایی نیستند.

روایتهای متعددی از عدم موفقیت دستگاه های تشخیص اثرانگشت در احراز هویت کاربران وجود دارد. به عنوان مثال طبق گزارش ایندین اکسپرس، چندین فروشگاه اف.پی.اس در دهلی نو شاهد دست-خالی بازگشتن افراد بوده اند که این موضوع بخاطر عدم کارکرد دستگاه های پایانه فروش الکترونیکی یا عدم موفقیت در تشخیص آثار انگشت افراد اتفاق افتاده بوده است.

رجوع به دستگاه های تشخیص اثرانگشت-چهره

این موضوعات کاربران را بر آن داشته است که راهکارهای بیومتریکی چندوجهی را با بیومتریک های اثرانگشتی و سایر بیومتریک ها ترکیب کنند. با گنجاندن چند سنسور بیومتریکی مختلف – یعنی اثرانگشت، چهره، رگ های کف دست، عنبیه و رگ-اثرانگشت – در یک دستگاه واحد، درصد بالاتری از کاربران با موفقیت ثبت و احراز هویت خواهند شد.

برخی از آثار انگشت برای شناسایی بسیار دشوار هستند. آثار انگشت قدیمی و فرسوده نیز دربرخی موارد چندان قابل اعتماد نیستند. سیستم های تشخیص چهره در برخی از موارد بهتر عمل میکنند، اما گاهی این سیستم ها در تشخیص دچار مشکل میشوند. بنابراین استفاده از چندین حالت مختلف باعث بهبود قابلیت اعتماد به این سیستم ها میشود.

برخلاف دورنمای ترسیم شده، تقاضا برای دستگاه های تشخیص اثرانگشت-چهره به علت مزیت های مختلف آنها افزایش یافته است. با در نظر گرفتن فاکتور هزینه میتوان گفت که تشخیص چهره گزینه ی خوب بعدی پس از تشخیص اثرانگشت است، چرا که در تشخیص چهره نیازی به لمس چیزی نیست. با بکارگیری سیستم های تشخیص چهره، مواردی چون کثیفی، چین و چروک و نظافت دیگر مسئله برانگیز نخواهند بود، چرا که این سیستم ها برای ارزیابی فرد موردنظر از ویژگی های ظاهری چهره ی افراد استفاده میکنند. همچنین در این سیستم ها، شرایط پوست صورت اهمیتی ندارد. با کمک تکنولوژی های تشخیص چهره جدید، ثبت چهره ی افراد به سادگی ارائه ی یک فایل تصویری بوده تا بدین شکل کاربر مربوطه بتواند به صورت دورادور چهره ی خود را ثبت کند. به این دلایل، سیستم های تشخیص چهره اغلب به عنوان یک تکنولوژی بیومتریکی مناسبتر تلقی میشوند.

دقت و درستی تکنولوژی های تشخیص اثرانگشت و چهره هر دو تضمین شده است. با این حال تکنولوژی های تشخیص چهره نیازی به هیچگونه تماس نداشته و برای صنایعی مناسب هستند که به دلایلی چون طبیعت آن کار یا حفظ قدرت و استحکام دستگاه مربوطه نمیخواهند که کارکنان با آن دستگاه در تماس باشند.

صنایع اقتصادی، بهداشتی، اتوماسیون و تولیدی از جمله صنایعی هستند که از این تکنولوژی بهره میبرند. درخواست های زیادی از سوی صنایعی وجود دارد که خواهان تایید بدون تماس و در عین حال دقیق هستند، دستگاه های تشخیص چندوجهی چنین قابلیتی را در اختیار افراد قرار می دهند.

در آینده پتانسل رشد دستگاه های تشخیص اثرانگشت-چهره بسیار بزرگ خواهد بود. فقط کافی است که نگاهی به گوشی هوشمند خود بیاندازید. تمامی گوشی های هوشمند دیروز (و امروز) به نظر میرسد که دارای سنسورهای اثرانگشت باشند. موضوع مورد بحث فعلی، استفاده از قابلیت تشخیص چهره برای دسترسی پیدا کردن به گوشی هوشمند خود است. صدها میلیون کاربر گوشی های هوشمند در سراسر جهان با کمکبیومتریک ها به گوشی خود دسترسی پیدا میکنند. این روند به رشد خود ادامه خواهد داد و به تدریج به قاعده ای در فضای تجاری تبدیل خواهد شد.

برگرفته از مجله a&s

http://www.didarc.com/fa/news/fingerprint-face-readers-see-growth-potential