دانش و فناوری

آیا فناوری تشخیص چهره نگران کننده خواهد بود؟

آیا فناوری تشخیص چهره نگران کننده خواهد بود؟

فناوری کامپیوتری تشخیص چهره، ظرفیت های بالایی برای ایجاد انقلاب و دگرگونی در حوزه های مختلف دارد، اما کاربردهای خطرناکی نیز برای آن تصور خواهد شد.

استارتاپ Cainthus، کمپانیی نوپا در حوزه ی فناوری تشخیص چهره محسوب می شود که به طور اختصاصی روی شناسایی گاوها در دامداری ها کار می کند. مدیر این استارتاپ یعنی دیوید هانت جلسه ای با نویسنده ی مقاله ی اصلی یعنی دیوید اون و یک دامدار ایرلندی به نام استفان لالر داشته است. لالر در دامداری خود در نزدیکی شهر دوبلین، روزانه شیر حدود ۳۰۰ گاو را می دوشد. کنترل رفتار گاوها و نحوه و مقدار غذا خوردن آن ها، چالشی بود که لابر را به هانت رساند.

کاینتوس از دوربین های نظارتی درکنار بینایی ماشین و تصویربرداری پیش گویانه برای ردگیری حیوانات و رفتار آن ها استفاده می کند. لالر مانند خیلی از دامداران بزرگ دیگر جهان، برای پیشرفت کسب وکار و بالا رفتن تولید خود، انواع فناوری را به کار می گیرد. فرزندان این دامداران امروز در فکر کمپانی های بزرگ همچون گوگل هستند اما خودشان، از فناوری ها در همان کسب وکارهای قدیمی استفاده می کنند. لالر تصمیم دارد برای خرید بعدی دامداری خود، یک روبات تهیه کند.

برادر دیوید هانت یعنی راس، مدیر امور مالی استارتاپ است. آن ها ۳۶ سال سن دارند و در یک منطقه ی کوچک کشاورزی و دامداری در کانمارا در ساخل غربی ایرلند بزرگ شده اند. آن ها برای مدت ها تنها خانواده ی منطقه محسوب می شدند که کامپیوتر شخصی داشتند. این دو برادر بعد از فارغ التحصیلی از دانشگاه شغل هایی را در حوزه های کسب وکار و مالی پیدا کردند.

برادران هانت ابتدا در کارخانه ی غلات پدر خود استخدام شدند و بعد از مدتی مدیریت آن را به طور کامل بر عهده گرفتند. آن ها ابتدا نرم افزارهای کمپانی را به روزرسانی کرده و به فضای ابری منتقل کردند. سپس برنامه ی معاملات آتی روی غلات را لغو کردند. درآمد کمپانی در ۲.۵ سال بعد از آغاز فعالیت برادران هانت، تقریبا دوبرابر شد.

cainthus

دیوید و راس هانت بعد از کسب موفقیت های اولیه در کمپانی غلات، از کار در آنجا خسته شده و هر دو به انکوباتوری در سیلیکون ولی پیوستند. پیتر دیاماندیس و ری کورزویل، مدیران این انکوباتور بودند. درنهایت آن ها استارتاپ Cainthus را در سال ۲۰۱۶ تأسیس کردند. شریک دیگر آن ها رابین جانستون نام داشت که در نزدیکی مزارع تولید لبنیات در کانادا بزرگ شده بود و سابقه ای هم در حوزه ی بینایی کامپیوتری داشت.

نام کمپانی Cainthus ترکیبی از کلمه ی Canthus به معنای نقطه ای در گوشه ی چشم و حرف i به عنوان نماد هوش مصنوعی (intelligence) است. راس اعتقاد دارد برای پیدا شدن بهتر در گوگل، باید اسم کمپانی را اختراع کرد.

استارتاپ کاینثوس فناوری تشخیص چهره ی دام ها را توسعه داده است
دیوید و راس هانت اعتقاد دارند کشاورزی صنعتی است که کمترین تأثیر را از تحولات دیجیتالی گرفته است. آن ها می گوید هوش مصنوعی می تواند تأثیرات محیطی کشاورزی روی طبیعت را نیز کاهش دهد. تأثیرات مذکور با بالا رفتن بهره وری و کاهش خطرات کشاورزی و دامداری ایجاد خواهد شد.

آیدان کانولی یکی از سرمایه گذاران اولیه ی استارتاپ کاینثوس بود. او مدیر نوآوری در کمپانی فناوری کشاوری Alltech است و اعتفاد دارد این استارتاپ، دنیا را تغییر می دهد. به عنوان مثال دامداران با گله های بزرگ، با استفاده از فناوری های استارتاپ کاینثوس، مانند دامداران با گله های کوچک تر، رفتار تک تک گاوها را شناسایی و تحلیل می کنند.

 

کمپانی عظیم بین المللی Cargill فعال در صنعت جهانی غذا، از ابتدای سال جاری به جمع سرمایه گذاران و شرکای توسعه ای Cainthus پیوست. این کمپانی در مدت یک هفته ی منتهی به نگارش مقاله، ۵ مزرعه ی دامداری دیگر را فناوری خود مجهز کرد. ۳ مزرعه ی جدید در کانادا و ۲ مزرعه در ایتالیا، مشتری های جدید آن ها بودند.

برادران هانت، چشم انداز خود را فراتر از کشاورزی و دامداری ترسیم کرده اند. حوزه ی تشخیص چهره و رفتار دام ها، به استارتاپ کاینثوس نسبت به رقبا برتری حدودی داده است. آن ها در مقابل کمپانی های فعال در زمینه ی تشخیص چهره ی انسان ها، پیشرفت های آسان تری داشته اند؛ چرا که دام ها برخلاف انسان ها پوشش متفاوت روی صورت ندارند، در صورت کنترل تصویری شکایت نمی کنند و درنهایت، می توان رفتارهای آن ها را تغییر داد.

نکته ی مهم برای آینده ی استارتاپ کاینثوس، پیاده سازی آن برای تحلیل رفتارهای انسانی و کاربردهای جامع تر خواهد بود. به عنوان مثال می توان از نسخه های بعدی این فناوری برای کنترل ورزشکاران و اعلام خطر در مواقع مختلف بیماری یا مصدومیت اشاره کرد. البته، بدون شک ظرفیت به کارگیری فناوری برای کاربردهای نامناسب هم وجود دارد و باید مراقب آن بود. دیوید درباره ی این کاربردهای خطرناک می گوید: «در صورتی که در ابتدا به اندازه ی کافی از این فناوری نترسید، یعنی مفهوم آن را به طور کامل درک نکرده اید.»

روش کار و برنامه نویسی هوش مصنوعی
اون در ادامه ی مقاله داستانی را تعریف می کند که در آن، جزییات شناختن دوستی بعد از ۲۰ سال دوری را شرح می دهد. او در داستان خود توضیح می دهد که چگونه بعد از گذشت این همه سال، با دیدن دوستی در مسیر پیاده روی، حتی باوجود تغییرات گوناگون در ظاهر، او را شناسایی نموده است.

نام گذاری روی چهره ها مانند فرمول سازی تئوری های توطئه، نیاز به شناسایی الگوها دارد. بعضی افراد در این بخش ضعیف هستند و همسر، فرزند و حتی خودشان را هم به خوبی در عکس ها تشخیص نمی دهند. درمقابل، بعضی افراد مهارت بالایی در تشخیص الگوها دارند.

نیروی پلیس اسکاتلندیارد در جریان شناسایی دو محکوم به قتل یک جاسوس روسی و دخترش، از افرادی با عنوان Super Recognizers استفاده کرد. این افراد به مهارت فوق طبیعی در تشخیص چهره و به یادسپاری قابلیت ها متفاوت آن دارند. اغلب افراد، در دسته بندی میان گروه های فوق جای می گیرند.

نظارت تصویری

روند تحقیقات روی شناسایی افراد در تصاویر با استفاده از کامپیوتر، در دهه های ۶۰ و ۷۰ میلادی آغاز شد. چالش اولیه آن بود که کامپیوتر بتواند وجود چهره را در یک عکس تشخیص دهد. چالش بعدی در سال های آینده ایجاد شد و آن، تشخیص چهره هایی بود که در حالت مناسبی ثبت نشده بودند. یک راه برای حل این چالش، سخت مدل های سه بعدی از سر انسان و نرمال سازی چهره ها با زوایای گوناگون در عکس بود.

یکی از نقاط عطف تاریخ تشخیص چهره، عرضه ی واحدهای پردازش گرافیکی بود
یکی از نقاط عطف اصلی در تاریخ بینایی کامپیوتری، معرفی نخستین پردازشگرهای گرافیکی یا همان GPU در دو دهه قبل برای کامپیوترهای شخصی بود. البته واحدهای پردازش گرافیکی ابتدا برای گیمرها طراحی شدند؛ اما به قدری در انجام محاسبات تکراری در بعضی حوزه های عالی بودند، که محققان هوش مصنوعی آن ها را به کار گرفتند.

اغلب سیستم های تشخیص چهره ی امروزی، از فناوری به نام شبکه ی عصبی استفاده می کنند. این شبکه ها کمی متفاوت از برنامه های سنتی برنامه نویسی شده اند. به عنوان مثال برای برنامه نویسی این شبکه ها، کدهایی برای شناسایی رنگ مو یا طول بینی نوشته نمی شد. به جای آن، شبکه ی عصبی با دیدن و مطالعه ی نمونه های فراوان و متضاد، آموزش مشاهده می کند و آن ها را در سطح پیکسلی با هم مقایسه می کند.

هوش انسانی، وظیفه ی تربیت و آموزش شبکه ی عصبی را بر عهده می گیرد. هر زمان که هوش مصنوعی دچار اشتباه شود، پارامترهای مختلف آن به وسیله ی متخصصان بهینه سازی خواهد شد. البته در بعضی سطح ها، الگوریتم ها مشخص می کنند که کدام شباهت و تفاوت قابل توجه است. به همین خاطر، شبکه های عصبی بعضی اوقات به نام جعبه ی سیاه شناخته می شوند.

آیا فناوری تشخیص چهره نگران کننده خواهد بود؟
آیا فناوری تشخیص چهره نگران کننده خواهد بود؟

نظارت تصویری

اون در جریان نگارش مقاله با یکی از مدیران آزمایشگاه بینایی کامپیوتری دانشگاه ماساچوست در آمهرست دیدار نموده است. اریک لرند میلر یک دانشمند عاوم کامپیوتر بوده که سال ها روی بینایی کامپیوتری تحقیق نموده است. او اعتقاد دارد خیلی از توسعه های پیش گام حوزه ی هوش مصنوعی و بینایی کامپیوتری در چند سال گذشته ایجاد شده اندو

میلر در توضیح ظرفیت های کنونی در حوزه ی بینایی بصری، در دسترس بودن پایگاه های داده ی عظیم از تصاویر کامپیوتری را مثال می زند. میلر در این باره می گوید:

تصور کنید که به سال ۱۹۱۸ رفته اید و یک سیستم قوی شبکه ی عصبی را به فردی معرفی می کنید. شما می گویید که این سیستم تنها با دیدن چند میلیون تصویر چهره، بینایی کامپیوتری را خواهد آموخت. بدون شک اختراع شما در آن زمان خارق العاده محسوب می شود، اما این تعداد عکس از چهره ی افراد، تنها امروز و آن هم با دسترسی ساده به اینترنت قابل دسترسی است.

میلر یکی دیگر از ویژگی های مفید ایجاد شده در سال های گذشته را توانایی اضافه کردن هویت به تصاویر در مراکز داده ی بزرگ می داند. چنین ویژگیی در سرویس هایی همچون Amazon Mechanical Turk قابل دسترسی است. در این سرویس، بعضی کارهای تکراری که انسان ها آن را بهتر انجام می دهند، با هزینه های پایین صورت می گیرد. به عنوان مثال کارهایی همچون نوشتن متن از روی صدا یا تشخیص تصاویر مناسب برای شبکه های اجتماعی در چنین سرویس هایی به وسیله ی انسان ها و با هزینه های نسبتا پایین صورت می گیرد. استارتاپ کاینثوس نیز از سرویس های مشابه استفاده می کند.

نظارت تصویری

این استاد دانشگاه ماساچوست در سال ۲۰۰۷ از ویژگی هایی مشابه موارد بالا برای ایجاد پایگاه های داده ی مرجع استفاده کرد. این پایگاه با نام Labeled Faces in the Wild بعدها به وسیله ی کمپانی های بزرگی همچون فیسبوک، گوگل و تنسنت برای آموزش شبکه ی عصبی استفاده شد.

بهبود شبیه سازی در پردازنده های گرافیکی، کامپیوترها و شبکه های عصبی، یکی از ویژگی های مهمی است که موجب پیشرفت های سریع در حوزه ی بینایی کامپیوتری گردیده است. پیشرفت های مذکور از حدود سال ۲۰۱۲ به دنیای فناوری معرفی گردیدند و بعدها اختراعاتی همچون فیس آیدی اپل، راننده ی خودکار تسلا و یادگیری عمیق، دراثر آن پدید آمدند.

پلیس نیویورک جزییات فرایندهای تشخیص چهره ی خود را منتشر نمی کند
اون برای ادامه ی تحقیقات خود سفری به آزمایشگاه آی بی ام واتسون داشت و با مدیر بخش هوش مصنوعی آن یعنی جان آر. اسمیث دیدار کرد. اسمیث در این دیدار درباره ی یک پروژه ی بینایی کامپیوتری برای تشخیص سرطان پوستی ملانوما توضیح داد.

متخصصان پوست برای تشخیص ملانوما از پارامترهایی حفظی استفاده می کنند. مواردی همچون شکل نامتقارن لکه ی پوستی، مرزهای نامشخصی، چندرنگ بودن و پیشرفت در طول زمان، نشانه هایی از این سرطان در نظر متخصصان پوست محسوب می شود. آزمایشگاه IBM تمامی این موارد را کنار گذاشت و به جای آن، دیتابیسی از تصاویر سرطانی و غیرسرطانی ایجاد کرده و آن را برای یادگیری عمیق الگوریتم استفاده کرد.

اسمیث می گوید وقتی که از پارامترهای انسانی برای آموزش هوش مصنوعی استفاده نمی کنیم، نتایج بهتری حاصل خواهد شد. زمانی که الگوریتم های آزمایشگاه آی ب ام برای تشخیص سرطان ملانوما استفاده شد، دقت آن به طور کلی بیشتر از متخصصان پوست بود.

نظارت تصویری

یکی از پروژه های جالب آزمایشگاه آی بی ام با هوش مصنوعی، گلچینی از ویدیوهای ورزشی را تنها باتوجه به پارامترهایی خاص ایجاد نموده است. این گلچین، با تحلیل مواردی همچون تشویق تماشاچیان، هیجان صدای گزارشگر، خوشحالی تیمی بازیکنان و حتی موقعیت خط سه امتیازی بسکتبال، از تصاویر خام ورزشی ایجاد شد. محققان از سرویس مذکور برای ایجاد گلچینی از مسابقات تنیس زنان استفاده کردند و نتیجه، به جز یک بخش کوچک از یک مسابقه، عالی بود.

در ارتباط با استارتاپ کاینثوس، یکی از تجهیزات و ویژگی های در دست توسعه ی آن ها، عینک واقعیت مجازی برای مشاهده و بررسی دام ها به وسیله ی صاحبان مزرعه است. این عینک در مراحل توسعه قرار دارد و بعد از نهایی شدن، به دامدار امکان می دهد تا از راه دور، رفتار دام ها و شرایط سلامت و خوراک آن ها را به طور انفرادی بررسی کند.

تشخیص چهره و ردگیری دام ها، شناسایی و پیشگری از بیماری را در آن ها آسان می کند
یکی از متخصصان کاینثوس درباره ی فواید پیاده سازی سیستم بینایی کامپیوتری برای دام داری ها، از رفتار این حیوانات می گوید. گاوها طبیعتا موجوداتی کم تحرک هستند و بیماری، می تواند به راحتی آن ها را از پای در بیاورد. به علاوه آن ها به انسان به چشم دشمن نگاه می کنند و بسیاری اوقات، بیماری خود را نیز از آن ها پنهان می کنند. یک سیستم نظارتی از راه دور و بررسی بدون حضور فیزیکی، شناسایی بیماری و درمان آن را سریع تر و کاربردی تر می کند.

نژادپرستی و تعصب هوش مصنوعی
جوی بولاموینی محقق MIT Media Lab در سال ۲۰۱۶ در یک سخنرانی تدکس، اشاره ی جالب توجهی به سیستم های کامپیوتری و بینایی آن ها داشت. او از تجربه ی خود در ارتباط با سیستم های بینایی کامپیوتری گفت که چهره اش را به علت سیاه پوست بودن، حتی به عنوان چهره تشخیص نمی داد. تجربه ی جوی دو بار به این شکل تکرار شده بود و او اعتقاد دارد هوش مصنوعی، نمادی از تعصب خودآگاه و ناخودآگاه طراحان و توسعه دهندگان خود هستند.

نظارت تصویری

این محقق MIT، تعصب هوش مصنوعی را با اصطلاح Coded Gaze معرفی می کند. کلمه ی Gaze به معنای خیره شدن و اشاره ای به رفتارهای نژادپرستانه یا تعصبی نسبت به رنگین پوستان محسوب می شود. تصور خواهد شد که هوش مصنوعی و ماشین ها، تعصب ها و نژادپرستی های انسانی را نداشته باشند اما تا امروز نشانه های امیدوارکننده ای از آن ها دیده نگردیده است.

جوی تلاش های گوناگونی برای ازبین بردن تعصب در هوش مصنوعی و سیستم های مشابه دارد. پروژه ی او با نام Gender Shades نشان دهنده این است زنان رنگین پوست بیش از مردان سفید پوست به وسیله ی سیستم های بینایی کامپیوتری تجاری اشتباه گرفته می شوند. او بنیاد Algotithmic Justive League را راه اندازی کرد تا با راه های مختلف، تعصب های موجود در هوش مصنوعی را شناسایی کرده و از بین ببرد.

مقاله های مرتبط:
همکاری محرمانه IBM با اداره پلیس نیویورک برای توسعه سیستم های نظارت تصویری
نیروی پلیس نیویورک از سال ۲۰۱۲ سیستمی با نام Domain Awareness System به کار گرفت که به کمک مایکروسافت توسعه یافته است. این سیستم از چندین دوربین نظارتی عمومی و چندین دوربین متعلق به کسب وکارهای خصوصی استفاده می کند. کلیر گاروی عضو ارشد مرکز تحقیقات فناوری و جریم خصوصی در دانشگده ی حقوق جورج تاون، در مصاحبه ای با اون درباره ی فناوری مورد استفاده به وسیله ی NYPD گفت: «پلیس نیویورک هیچ اطلاعاتی درباره ی فناوری مورد استفاده ی خود با ما در میان نمی گذارد».

تنها بعد از شکایت دانشکده ی حقوق جورج تاون از دپارتمان پلیس نیویورک، این مرکز، اسنادی را در اختیار دانشگاه قرار داد. اسناد ارائه شده، دو سال پیش از سوی دانشگاه درخواست شده بودند. درمقابل، پلیس سن دیگو اطلاعات کاملی درباره ی سیستم بینایی کامپیوتری خود در اختیار عموم قرار می دهد و حتی جلساتی عمومی برای توضیح آن دارد.

شورای شهر سیاتل، سال گذشته طرحی را ارائه کرد که به موجب آن، سیستم های نظارت شهری باید افشاسازی شوند. امسال، آن ها رای به حذف شبکه ای از دوربین ها و تجهیزات ردگیری گوشی های همراه دادند که در سال ۲۰۱۳ نصب شد. به هرحال برخلاف این شهر، اکثر شهرهای بزرگ آمریکا هیچ اطلاعاتی درباره ی سیستم های نظارتی خود منتشر نمی کنند. هیچ قانون فدرالی شهرها را مجبور به ارائه ی اطلاعات درباره ی سیستم های نظارتی نمی کند و تنها فعالان حقوق بشر مانند گاروی، ویژگی کسب اطلاعاتی (آن هم کلی) از شهرها دارند.

نظارت تصویری

گاروی فارغ التحصیل حقوق بوده و فعالیت های گوناگونی در جهت مقابله با شناسایی چهره ی غیرقانونی به وسیله ی پلیس داشته است. او اعتقاد دارد قوانین آمریکا به پلیس اجازه می دهد تا در دیتابیس های مدارک و تصاویر شهروندان جست وجو کند. به علاوه احتمال استفاده از تصاویر در آموزش سیستم های بینایی کامپیوتری نیز وجود دارد.

هم اکنون پدیده ای به نام استفاده ی غیرقانونی از بینایی کامپیوتری و تشخیص چهره وجود ندارد؛ چون هنوز قانونی برای مرزبندی این کاربردها تصویب نگردیده است. به هرحال گاوری اعتقاد دارد در صورتی که تصویر افراد در دیتابیس های قابل دسترسی موجود باشد (که به احتمال زیاد هست)، پلیس در هر بار جست وجو، آن ها را نیز به عنوان مذنون بررسی می کند. البته گاوری به ظرفیت های بالای بینایی کامپیوتری اعتقاد دارد اما لزوم قانون مند کردن آن ها را تذکر می دهد.

دیتابیس تصاویر اشخاص امروزه به راحتی از شبکه های اجتماعی به دست می آید
در کانادا و اروپا، قوانین حریم خصوصی، شبکه های اجتماعی را از ارائه ی خدمات تگ کردن اتوماتیک تصویر افراد، منع کرده اند. گاروی و همکارانش به دنبال تصویب چنین قانون هایی در آمریکا، یک پیشنهاد چهارده صفحه ای به مقامات ارائه کردند. در این بیانیه، درکنار موارد دیگر از مقامات امنیتی درخواست خواهد شد که تصاویر متهمان پرونده ها را بعد از اعلام بیگناهی آن ها، از دیتابیس افراد دستگیرشده، پاک کنند. نسخه ی اولیه ی بیانیه در سال ۲۰۱۶ منتشر شد اما تا به امروز هیچ اقدام قانونی در ارتباط با آن انجام نگردیده است.

مردم امروزی که با شبکه های اجتماعی بزرگ شده و با آن ها اخت گرفته اند، تاحدودی مفهوم حریم خصوصی را به معنای واقعی بی ربط می دانند. البته، حتی آنهایی که بیش از همه زندگی خود را به اشتراک می گذارند هم باید نگران باشند. چهره، برخلاف اثر انگشت یا قابلیت ها عنبیه ی چشم، بدون اطلاع خود افراد قابل اسکن و استفاده در سیستم های نظارت از راه دور است.

نظارت تصویری

گاروی درباره ی تشخیص چهره به وسیله ی نیروهای امنیتی مثال جالبی دارد. در یک تظاهرات اعتراضی در صورتی که نیروی پلیس از افراد بخواهد که کارت شناسایی خود را نشان دهند، بدون شک آن ها می ترسند (و این کار را انجام نخواهند داد). درحالی که چهره های افراد و اسکن آن ها به وسیله ی دوربین های نظارتی، پیامدی مشابه همین اتفاق دارد.

سیستم های بینایی کامپیوتری به پلیس ها و کارفرمایان امکان می دهند که رفتار و حرکت های افراد را حتی خارج از حوزه ی اختیارات و قانون بررسی کنند. به عنوان مثال آن ها با استفاده از فناوری می توانند محل تفریح کردن مردم بعد از کار، فعالیت های خیریه یا حتی نشانه هایی از بیماری را با تحلیل رفتارهای شخصی، شناسایی کنند. تیم کوک، مدیرعامل اپل در کنفرانسی با موضوع حریم خصوصی در ماه اکتبر (مهر) گفت:

اطلاعات شخصی ما، از رفتارهای روزمره تا خصوصی ترین موارد، در سطوح نظامی و با دقت بالا علیه خودمان استفاده می شود.

در ماه می سال جاری میلادی (اردیبهش ۹۷)، چهل ویک سازمان غیرانتفاعی ازجمله ACLU و بنیاد خط مقدم الکترونیک، در نامه ای سرگشاده به جف بزوس، مدیرعامل آمازون از او خواستار شدند که فروش فناوری تشخیص چهره ی کمپانی خود موسوم به Rekognition را به دولت و آژانس های دولتی متوقف کند. دو ماه بعد از ارسال نامه، سازمان ACLU آزمایشی روی سیستم تشخیص چهره ی آمازون انجام داد و بعضی از اشکالات آن را فاش کرد.

تشخیص چهره

در آزمایش سیستم تشخیص چهره ی آمازون، بیست و هشت نفر از اعضای کنگره ی آمریکا با چهره های مظنونین در دیتابیس دستگیرشدگان برابر دیده شد. تعداد زیادی از افراد، اعضای سیاه پوست فراکسیون سیاه کنگره بودند که نمونه ای دیگر از تعصب برنامه های کامپیوتری را نشان دهنده این است.

آمازون به آزمایش های انجام شده به وسیله ی ACLU اعتراض کرد. آن ها معتقد بودند تنظیمات سازمان غیرانتفاعی برای انجام آزمایش، پایین تر از استانداردهایی تنظیم گردیده است که عموما به سازمان های امنیتی پیشنهاد می شود. اما نکته ی واضح آن است که هیچ قانونی برای اجبار پلیس به تنظیمات صحیح در این سیستم وجود ندارد.تحقیقات یک سازمان غیرانتفاعی بریتانیایی با هدف آزادی حقوق شهروندی به نام Big Brother Watch روی سیستم های نظارت تصویری در لندن، نتایج قابل توجهی را به همراه داشت. تحقیقات مشخص کرد که سیستم اتوماتیک مورد استفاده ی پلیس شهر لندن، نرخ مثبت کاذل ۹۸درصد دارد. در این مورد، نرخ مثبت کاذب به معنای اشتباه در تشخیص افراد گناهکار و بی گناه خواهد شد. به علاوه، پلیس لندن تصویر خیلی از شهروندان بی گناه را برای تحقیقات آتی نزد خود نگه می دارد.

یکی از منابع آگاه به توسعه ی سیستم نظارت تصویری پلیس نیویورک گفته بود که برای بهبود تصاویر نظارتی، چشم های بعضی مجرمان را با چشم های افراد عادی جابه جا می نموده است. به عنوان مثال زمانی که چشم های مجرمی در یک تصویر مناسب نبود یا بسته شده بود، این جابه جایی انجام می شد. گاروی می گوید چشم ها یکی از مهم ترین بخش های صورت هر فرد هستند و چنین رویکردی در دپارتمان پلیس، مانند آن است که نیمی از اثر انگشت مجرم را خودتان نقاشی کنید!

تشخیص چهره

گاروی و بولاموینی اعتقاد دارند بعضی کاربردهای شناسایی کامپیوتری باید به طور کامل ممنوع شوند. به عنوان مثال استفاده از شناسایی زنده ی چهره در دوربین های مخصوص بدن پلیس ها، از نظر این کارشناسان نامناسب است. دوربین های بدنی پلیس ها عموما برای تشخیص زودهنگام خشونت از طرف مجرمان یا در مواقع دستگیری اشتباه پلیس ها، استفاده می شود.

کارشناسان معترض در استفاده ی بدون چارچوب از سیستم های تشخیص چهره اعتقاد دارند که در اکثر آن ها، یک تحلیل گر انسانی وجود دارد که در جایی، زمان کافی را برای مشاهده ی تصاویر و مقایسه ی آن ها با یکدیگر داشته است. اما در دوربین های بدنی پلیس ها، همه ی اتفاقات در یک لحظه می افتد و بعد از اعلام خطر (صحیح یا غلط) به پلیس، او در یک لحظه تصمیمی می گیرد که از اسلحه ی خود استفاده کند.

کمپانی axon یکی از بزرگ ترین تولیدکنندگان دوربین های بدنی پلیس محسوب می شود. این کمپانی، استارتاپ های فعال در هوش مصنوعی با نا م های Dextro و misfit را خریداری کرد تا دوربین های خود را توسعه دهد. چند سازمان غیرانتفاعی و مدافع حقوق بشر در نامه ای سرگشاده به کمپانی خواستار شدند که الگوریتم های زنده ی تشخیص چهره را در دوربین های خود به کار نگیرد. به اعتقاد متخصصات منتقد، پایان دادن به زندگی افراد مسئله ای نیست که بتوان به هوش مصنوعی در آن اعتماد کرد. به علاوه، باتوجه به وضعیت کنونی فناوری، تکیه کردن به آن نوعی بی مسئولیتی تلقی خواهد شد.

دوربین حرارتی/ تشخیص چهره

آیا باید نگران باشیم؟
استفاده از بینایی کامپیوتری برای شناسایی یک دام در میان گله، بسیار آسان تر از شناسایی یک انسان ناشناس در تصویر دوربین های نظارتی است. یک دلیل آن است که کشاورز می داند برای هر دام، تصویری دقیقا برابر با آن در دیتابیس وجود دارد. به علاوه، راه های گوناگونی برای تشخیص بصری دام وجود دارد. به عنوان مثال استارتاپ کاینثوس از قابلیت های گوناگونی همچون مو یا خال های بدن و صورت نیز برای شناسایی گاوها استفاده می کند. به علاوه، برچسب های شماره گذاری شده روی گاوها نیز در تشخیص آن ها به وسیله ی دوربین ها کارگشا هستند.

همه ی المان های تشخیص چهره ی دام ها در همه ی شرایط قابل دیدن نیستند، اما هر یک از آن ها به تأیید دیگر پارامترها کمک می کنند. درنهایت، سیستم می تواند یافته های خود را چندباره تأیید کند. به علاوه، وقتی که صورت دام به طور کامل مشخص نیست، می توان آن را با المان های دیگر ردگیری کرد. کاینثوس امید دارد که روزی حیوانات را با راه راه رفتن نیز تشخیص دهد. نوع راه رفتن نیز مانند چهره، خصوصیتی منحصر به فرد محسوب می شود.

نظارت تصویری

چین، نزدیک به دویست میلیون دوربین نظارتی عمومی دارد که از هر کشور دیگر در جهان، بیشتر است. این کشور در سال ۲۰۱۵ اعلام کرد که در نظر دارد تا سال ۲۰۲۰ سیستمی یکپارچه برای کنترل افراد پیاده سازی کند. سیستمی که نظارت را همیشگی، جامع و گسترده می کند. شناسایی زنده و قابل اعتماد بیش از یک میلیارد نفر از روی چهره، هنوز ممکن نیست، اما چین فقط به شناسایی چهره ای محدود نمی شود.

میلر در ارتباط با سیستم نظارت تصویری چین توضیح می دهد:

تصور کنید شما یک شهروند چینی هستید و آدرس منزل تان به وسیله ی دولت ضبط گردیده است. درنتیجه زمانی که آن ها فردی شبیه به شما را در شهر شی آن می بینند و آدرس خانه ی شما نیز در این شهر ثبت شده باشد، به احتمال زیاد او را به عنوان شما تشخیص خواهند داد.

به علاوه، زمانی که دولت تلفن هوشمند شما را ردگیری کند و بداند که ۲۰ دقیقه ی پیش در یک رستوران بوده اید، تشخیص چهره دقیق تر می شود.

سیگنال های تلفن همراه و تراکنش های مالی، به وسیله ی سازمان های متمرکز در چین کنترل و نظارت می شوند. این موارد، شبیه به برچسب روی گوش دام ها هستند که دقت شناسایی تصویری کامپیوتری را بالا رفتن می دهند. میلر اعتقاد دارد چینی ها به سرعت درحال پیشرفت دادن فناوری های خود و هماهنگ تر کردن آن ها هستند. میلر با سناریویی پارنویاگونه، رفتار مأموران نظارتی چین را این گونه توضیح می دهد:

مقامات چینی امروز می توانند بگویند: هی، این مرد امروز صبح در استارباکس صبحانه خورد و الآن نیز به فروشگاه مک دونالد رفت. او رفتارهای آمریکایی زیادی دارد. باید از او بازجویی کنیم.

دوربین تشخیص چهره چین

وقتی که سیستم نظارت تصویری چین کامل شود، آن ها می توانند سیستم امتیازدهی اجتماعی اجباری خود را اجرا کنند. سیستم مذکور در چین، ارزش افراد را با فاکتورهای قابل اندازه گیری و نظارت همچون خریدها (آیا بیش ازحد نوشیدنی می خورند؟)، تفریح ها (آیا بیش از اندازه بازی ویدئویی انجام می دهند؟) و حتی دوستان آنلاین مشخص می کند. درحال حاضر یک نمونه ی داوطلبانه از این سیستم در چین اجرا خواهد شد.

افرادی که به طور داوطلبانه در سیستم امتیازدهی اجتماعی چین کمپانی کرده و امتیازهای بالایی دریافت می کنند، فرصت هایی همچون دسترسی به شغل، وام یا حتی سفرهایی دارند که دیگر مردم از آن محروم هستند. با اجرای برنامه های این چنینی آن برچسب های روی گوشی مجازی نیز گسترده تر می شوند.

بیایید مروری کلی بر برنامه های نظارتی کنونی داشته باشیم. به عنوان مثال، پلیس نیویورک، پلاک ماشین های ورودی به و خروجی از شهر، گوگل، تمام مکان هایی که بازدید کرده ایم و چین، با استفاده از فناوری تشخیص قدم زدن اختصاصی خود، انسان ها را کنترل می کنند. یکی از توسعه دهندگان فناوری تشخیص راه رفتن چین ادعا می کند این سیستم، با مواردی همچون لنگیدن یا هرگونه تغییر راه راه رفتن، فریب نمی خورد.

آمریکایی های شاید تصور کنند که هیچ گاه نصب میلیون ها دوربین نظارتی را تحمل نکنند اما شاید چنین اتفاقی بدون اطلاع آن ها به مرور رخ دهد. به عنوان مثال اکثر ما به گسترده تر شدن خودروهای خودران علاقه داریم اما توسعه ی آن ها در همه ی شهرهای جهان، به معنای وجود چشم های اینترنتی در همه جا خواهد شد.

نظارت بر کارگران

دوربین خودروهای خودران برای جلوگیری از برخورد با موانع استفاده می شود. البته هر دوربین، بدون شک اشخاص اطراف خود را نیز به خوبی تشخیص می دهد. ازطرفی، خیلی از خوردوهای خودران، اطلاعات مکانی و داده های رانندگی را به طور دائم ذخیره می کنند و در دوره های زمانی منظم آن ها را در سرورهای کمپانی سازنده، بارگذاری می کنند.

چین هم اکنون از تمامی خودروهای برقی حاضر در کشور درخواست می کند که اطلاعات خود را به سیستم های نظارتی دولتی ارسال کنند. راس، هم بنیان گذار استارتاپ کاینثوس اعتقاد دارد در صورتی که امروز چین به این مرحله رسیده است، دستیابی به قانون و فناوری دریافت اطلاعات تصویری هم ممکن خواهد بود.

فناوری تشخیص چهره، بسیار سریع تر از منتقدان و افرادی حرکت می کند که نگران آینده ی آن هستند. به بیان دیگر توسعه ی آن به حدی سریع است که متخصصان نمی توانند راه های مقابله و مدیریت آن را پیدا کنند. به علاوه، درحال حاضر فاصله بین اهداف دانشمندان و متخصصان و درک انسان های عادی از فناوری ها، روز به روز بالا رفتن پیدا می کند.

فناوری تشخیص چهره، سریع تر از منتقدان خود و افراد هادی پیشرفت می کند
میلر که خود در صنعت هوش مصنوعی فعالیت می کند، بعد از ملاقات و ارتباط بیشتر با بولاموینی، تعهد بیشتری نسبت به مسائل حریم خصوصی و عدالت پیدا کرد. البته او هنوز درحال یادگیری و به کارگیری مفاهیم اولیه است. این دانشمند هوش مصنوعی درباره ی پروژه های جدید خود پیرامون حوزه ی فعالیت، از سفارش وزارت دفاع آمریکا می گوید که با هدف بالا رفتن عقلانیت هوش مصنوعی و بهبود حل مشکل به وسیله ی آن صورت می گیرد. وزارت دفاع آمریکا همواره از پشتیبانان اصلی تحقیقات بینایی کامپیوتری بوده است.

این دانشمند هوش مصنوعی گذشتهاً با همکاری سه نفر از دانشجویانش، مقاله ای را در کنفرانس بینایی کامپیوتری در مونیخ ارائه کرد. نتیجه ی مقاله، بهبود شبکه های عصبی در واقعاح اشتباهات است. به طور خلاصه فناوری مورد نظر میلر از مقایسه ی فریم های متوالی در فیلم ها، برای بررسی اشتباهات و تشخیص های غلط استفاده کرده و آن ها را اصلاح می کند.

تشخیص چهره

اشتباهات اصلاح شده در الگوریتم جدید، خود موضوع آموزش موارد بعدی می شوند. درنتیجه، احتمال اشتباه در موراد آتی کاهش پیدا می کند. صحبت میلر درباره ی فناوری جدید و شگفت زدگی او از پیشرفت آن، حسن ختامی برای این مقاله محسوب می شود:

ویژگی های فناوری جدید من را هیجان زده می کند چون بدون دخالت انسان در حال بهبود خود است. البته، این ویژگی ها تاحدودی ترسناک هم هستند. تصور کنید: سلام دیوید، اسم من هال است. چطوری؟ من دیشب باهوش تر شدم.

نظر شما

instagram default popup image round
Follow Me
502k 100k 3 month ago
Share