ဓာတ်ခွဲခန်းမှ သုတေသီများ
လူမှုကွန်ရက်များနှင့် အခြားအများပြည်သူပလက်ဖောင်းများပေါ်တွင် မထုတ်ဝေမီ အဆိုပြုထားသည့် အသုံးဝင်ပုံများနှင့် ဓာတ်ပုံများကို စီမံဆောင်ရွက်ခြင်းသည် သုံးစွဲသူမျက်နှာအား မှတ်သားမှုစနစ်များကို လေ့ကျင့်ရန်အတွက် အရင်းအမြစ်တစ်ခုအဖြစ် ဓာတ်ပုံဒေတာကို အသုံးပြုခြင်းမှ ကာကွယ်နိုင်မည်ဖြစ်သည်။ အဆိုပြုထားသော အယ်လဂိုရီသမ်သည် မျက်နှာမှတ်မိခြင်းကြိုးပမ်းမှု 95% ကို ကာကွယ်ပေးသည် (Microsoft Azure recognition API၊ Amazon Rekognition နှင့် Face++ အတွက် ကာကွယ်မှုထိရောက်မှုသည် 100%) ဖြစ်သည်။ ထို့အပြင် အနာဂတ်တွင် utility မှ မပြုပြင်မွမ်းမံထားသော မူရင်းဓာတ်ပုံများကို ပုံပျက်နေသော ဓာတ်ပုံများကို အသုံးပြု၍ လေ့ကျင့်ထားပြီးသော မော်ဒယ်တွင် အသုံးပြုမည်ဆိုပါက၊ အသိအမှတ်ပြုမှု မအောင်မြင်သည့်အဆင့်သည် အတူတူပင်ဖြစ်ပြီး အနည်းဆုံး 80% ရှိပါသည်။
နည်းလမ်းသည် “ရန်ဘက်နမူနာများ” ၏ ဖြစ်စဉ်များအပေါ် အခြေခံထားခြင်းဖြစ်ပြီး အနှစ်သာရအားဖြင့် ထည့်သွင်းမှုဒေတာတွင် အသေးစားပြောင်းလဲမှုများသည် အမျိုးအစားခွဲခြင်းဆိုင်ရာ ယုတ္တိဗေဒတွင် သိသိသာသာပြောင်းလဲမှုများကို ဖြစ်ပေါ်စေနိုင်ခြင်းကြောင့်ဖြစ်သည်။ လက်ရှိတွင်၊ “ဆန့်ကျင်ဘက်ဥပမာများ” ၏ဖြစ်စဉ်သည် စက်သင်ယူမှုစနစ်များတွင် မဖြေရှင်းနိုင်သော အဓိကပြဿနာများထဲမှတစ်ခုဖြစ်သည်။ အနာဂတ်တွင်၊ ဤအားနည်းချက်ကင်းသော မျိုးဆက်သစ် စက်သင်ယူမှုစနစ်များ ထွက်ပေါ်လာရန် မျှော်လင့်ထားသော်လည်း အဆိုပါစနစ်များသည် ဗိသုကာပညာနှင့် မော်ဒယ်များတည်ဆောက်ခြင်းအတွက် သိသာထင်ရှားသောပြောင်းလဲမှုများ လိုအပ်မည်ဖြစ်သည်။
ဓာတ်ပုံများကို စီမံဆောင်ရွက်ရာတွင် ပုံတွင် pixels (အစုအစည်းများ) ပေါင်းစပ်ထည့်သွင်းခြင်းမှ ဆင်းသက်လာကာ၊ ပုံတွင် အရာဝတ္ထု၏ လက္ခဏာရပ်များအဖြစ် နက်နဲသော စက်သင်ယူမှု အယ်လဂိုရီသမ်များက ယူဆကာ အမျိုးအစားခွဲရာတွင် အသုံးပြုသည့် အင်္ဂါရပ်များကို ပုံပျက်သွားစေပါသည်။ ထိုသို့သောပြောင်းလဲမှုများသည် ယေဘူယျသတ်မှတ်မှုမှ မထင်ရှားဘဲ ရှာဖွေဖော်ထုတ်ရန်နှင့် ဖယ်ရှားရန် အလွန်ခက်ခဲပါသည်။ မူရင်းနှင့် မွမ်းမံထားသော ပုံများနှင့်ပင်၊ မည်သည့် မူရင်းနှင့် ပြုပြင်ထားသော ဗားရှင်းဖြစ်သည်ကို ဆုံးဖြတ်ရန် ခက်ခဲသည်။
မိတ်ဆက်ထားသော ပုံမမှန်မှုများသည် စက်သင်ယူမှုမော်ဒယ်များ၏ မှန်ကန်သောတည်ဆောက်မှုကို ချိုးဖောက်သည့် ဓာတ်ပုံများကို ဖော်ထုတ်ရန် ရည်ရွယ်သည့် တန်ပြန်အစီအမံများ ဖန်တီးမှုကို မြင့်မားစွာခုခံကြောင်း ပြသသည်။ မှုန်ဝါးခြင်း၊ ဆူညံသံများထည့်ခြင်း သို့မဟုတ် pixel ပေါင်းစပ်မှုများကို ဖိနှိပ်ရန် ပုံတွင် filter များအသုံးပြုခြင်းတို့ကို အခြေခံသည့်နည်းလမ်းများအပါအဝင် ထိရောက်မှုမရှိပါ။ ပြဿနာမှာ filters များကိုအသုံးပြုသောအခါ၊ အမျိုးအစားခွဲခြားမှုတိကျမှုသည် pixel ပုံစံများကိုရှာဖွေတွေ့ရှိနိုင်မှုထက်ပိုမိုမြန်ဆန်လာပြီး၊ ပုံပျက်မှုများကို နှိမ်နင်းလိုက်သည့်အဆင့်တွင်၊ အသိအမှတ်ပြုမှုအဆင့်ကို လက်ခံနိုင်ဖွယ်မရှိနိုင်တော့ပါ။
ကိုယ်ရေးကိုယ်တာကာကွယ်ရန်အတွက် အခြားသောနည်းပညာအများစုကဲ့သို့ပင်၊ အဆိုပြုထားသောနည်းပညာကို အသိအမှတ်ပြုမှုစနစ်များတွင် အများသူငှာပုံများကို ခွင့်ပြုချက်မရှိဘဲ အသုံးပြုခြင်းကို တိုက်ဖျက်ရန်သာမက တိုက်ခိုက်သူများကို ဖုံးကွယ်ရန်ကိရိယာတစ်ခုအဖြစ်လည်း အသုံးပြုနိုင်သည်။ အသိအမှတ်ပြုခြင်းဆိုင်ရာ ပြဿနာများသည် အဓိကအားဖြင့် ၎င်းတို့၏ မော်ဒယ်များကို လေ့ကျင့်ရန် ခွင့်ပြုချက်မရှိဘဲ အချက်အလက်စုဆောင်းသည့် ပြင်ပဝန်ဆောင်မှုများကို ထိခိုက်စေနိုင်သည်ဟု သုတေသီများက ယုံကြည်ကြသည် (ဥပမာ၊ Clearview.ai ဝန်ဆောင်မှုသည် မျက်နှာမှတ်မိမှုဒေတာဘေ့စ်ကို ပံ့ပိုးပေးသည်၊
ရည်ရွယ်ချက်နှင့် နီးစပ်သော လက်တွေ့ကျသော တိုးတက်မှုများကြားတွင် ကျွန်ုပ်တို့သည် ပရောဂျက်ကို မှတ်သားနိုင်ပါသည်။
source: opennet.ru