فرکانسهای رادیویی با هوش مصنوعی شناسایی میشوند
به گزارش کارگروه فناوری اطلاعات سایبربان؛ بیشتر هوشهای مصنوعی امروزی با بهکارگیری الگوریتمهای یادگیری ماشینی ایجاد میشوند؛ زیرا در صورتی که این الگوریتمها به اندازهی کافی آموزش ببینند، موارد مصرف بسیاری مانند تشخیص کلمات، پردازش تصویر، تجزیهوتحلیل ویدئوها، تشخیص صدا، خودروهای بی راننده استفاده خواهند داشت.
با توجه به گزارش پل تیلمن (Paul Tilghman)، مدیر برنامهی دفتر فناوری میکروسیستمز دارپا[fn]DARPA’s Microsystems Technology Office[/fn]، در حال حاضر میلیاردها تلفن همراه، نرمافزار، پهپاد، چراغهای راهنمایی، سامانههای امنیتی، حسگرهای محیطی و بسیاری ابزارهای متصل دیگر مانند اینترنت اشیا، هماکنون در زمینهی سیگنالهای فرکانس رادیویی نیازمند یادگیری ماشینی هستند. به همین منظور سازمان دارپا پروژهی جدیدی را به نام «سامانههای یادگیری ماشینی فرکانس رادیویی» ([fn]Radio Frequency Machine Learning Systems[/fn]RFMLS) راهاندازی کرده است.
تیلمن گفت: «من تصور میکنم سامانهی یادگیری فرکانس رادیویی میتواند طیف فرکانس رادیویی را درک کنند. این سامانه انواع سیگنالهای اِشغال شده را تشخیص داده، آنهایی که در پسزمینه مهم هستند یا قوانین در آنها رعایت نمیشوند را شناسایی کنند.»
تیلمن میخواهد از فناوری یاد شده برای تشخیص تفاوتهای ظریف فرکانسهای رادیویی به خصوص در دستگاههای اینترنت اشیا استفاده کند تا بتوان سیگنالهایی که برای خرابکاری یا هک استفاده میشوند شناسایی شوند.
وی ادامه داد: «ما میخواهیم اتفاقاتی را که در حوزهی اینترنت اشیا رخ میدهد را درک کرده و به آنها اعتماد کنیم.»
مدیر برنامهی دارپا امیدوار است با توسعهی فناوری یادشده و درک بهتر وضعیت فعلی طیف فرکانسی، بتوانند ظرفیت به اشتراکگذاری و ارتباطات بیسیم را به شکل قابلتوجهی افزایش بدهند. لازم به ذکر است طرح دیگری مشابه این پروژه نیز با نام «چالش همکاری طیف فرکانسی» (Spectrum Collaboration Challenge) توسط دارپا در حال انجام است.
موج اول هوشهای مصنوعی شامل سیستمهایی تخصصی میشوند که با تقلید از مهارتهای انسانی و تصمیمگیری در حوزههای قابل پیشگویی کارهایی مانند ایجاد برگهی مالیات و کنترل فرآیند صنایع را انجام میدهند. همچنین از این فناوری برای استقرار فرکانسهای رادیویی استفاده میشود. به عنوان مثال اپراتورها قادر خواهند بود برای تعویض فرکانسهای رادیویی در زمان تداخل، قوانینی سختگیرانه را ایجاد بکنند. با وجود این سامانههای فعلی درک بسیار پایینی از روند اتفاقات طیفهای فرکانسی دارند.
برنامهی سامانههای یادگیری ماشینی فرکانس رادیویی دارای 4 جز فنی به شرح زیر است:
- یادگیری آینده (Feature Learning): این سامانه باید بتواند با استفاده از دادههای قرار داده شده در سیگنالهای رادیویی، تفاوت بین موارد کاربردی نظامی و غیرنظامی را تشخیص بدهد.
- دقت و برتری: همانگونه که مردم میتوانند در یک فروشگاه بزرگ به سرعت روی پیدا کردن نوع خاصی محصول تمرکز کرده و به آن دست پیدا کنند، سامانه مورد بحث نیز باید دارای الگوریتمهایی دقت مصنوعی (artificial attention) باشد که امکان بررسی فعالیتهای فرکانسهای رادیویی را فراهم میآورد.
- پیکربندی خودکار فرکانس رادیویی: مردمک چشم انسان با توجه به سطح نور محیط و حفظ تمرکز روی یک محیط کوچک و بزرگ میشود. این سامانه نیز باید بتواند با توجه به شرایط حساسیت خود را روی موضوعات متفاوت مشخص کند.
- سنتز شکل موج: سامانههای یادگیری ماشینی فرکانس رادیویی باید بتوانند هر شکل موج ممکنی را به صورت دیجیتالی سنتز کنند؛ درست همانگونه که انسان میتواند کلمات جدید را با یکدیگر بست داده و تناقضات معنایی را بیان کنند. این کار با هدف بهبود قابلیتها و شناسایی سیستمهای دوست انجام میگیرد.
