Peta Google menyediakan pandangan jalan-demi-jalan dunia berdasarkan imejan satelit dan menggunakan algoritma pengecaman muka untuk memproses mozek. Algoritma ini, yang menggunakan pembelajaran mendalam, memainkan peranan penting dalam pelbagai bidang, termasuk penjagaan kesihatan, kereta pandu sendiri dan sistem grid pintar, dan digabungkan dengan teknik analisis berangka untuk meningkatkan kecekapan dan ketepatan.
Peta Google ialah perkhidmatan pemetaan yang disediakan oleh Google yang menyediakan pemandangan jalan demi jalan dunia. Perkhidmatan ini berdasarkan imejan satelit. Foto-foto ini tidak dapat tidak menunjukkan wajah orang yang berjalan di jalan, yang menimbulkan kebimbangan privasi dan akhirnya membawa kepada mozek mereka semua. Peta Google telah berkembang dengan mantap sejak penubuhannya, dan kini menawarkan keupayaan untuk meneroka bukan sahaja jalan raya, tetapi juga bahagian dalam bangunan, landskap semula jadi dan juga di bawah air. Ini telah menjadikan kehidupan lebih mudah untuk pengguna, membolehkan mereka merancang perjalanan atau meneroka tempat tertentu lebih awal.
Bolehkah ini dilakukan oleh manusia? Sudah tentu, ia boleh, tetapi sukar untuk menjejaki 150 juta kilometer persegi jisim tanah Bumi. Masalah yang sama wujud di media sosial. Jika anda pernah menggunakan Facebook, anda mungkin pernah melihat tetingkap segi empat sama muncul dalam foto dengan wajah rakan anda, menggesa anda untuk menandai mereka. Algoritma yang menyelesaikan masalah ini dipanggil algoritma pengecaman muka. Secara umum, algoritma untuk mengenal pasti objek dalam foto atau video dikaji bukan sahaja dalam sains komputer, tetapi juga dalam kejuruteraan elektrik utama saya.
Terdapat banyak kaedah algoritma pengecaman muka yang berbeza, tetapi kaedah yang paling popular ialah melatih mesin menggunakan pangkalan data. Kaedah ini juga dikenali sebagai pembelajaran mendalam. Pembelajaran mendalam ialah satu cabang pembelajaran mesin yang menggunakan rangkaian saraf tiruan untuk mempelajari corak daripada sejumlah besar data. Contohnya, dalam pengecaman muka, jika anda mempunyai banyak koleksi foto wajah orang, komputer boleh menggunakan algoritma pembelajaran mendalam untuk menentukan kesamaan foto yang diberikan dengan foto yang dimilikinya dan memberitahu anda sama ada ia mempunyai wajah atau bukan. Ini boleh digunakan untuk mengenal pasti tisu badan yang bermasalah dalam pengimejan perubatan, atau digunakan pada mata robot seperti manusia. Dalam bidang perubatan, sebagai contoh, sistem diagnostik yang menggunakan pembelajaran mendalam menyumbang dengan ketara kepada pengesanan awal penyakit, yang telah membantu menyelamatkan nyawa ramai pesakit.
Algoritma lanjutan seperti pembelajaran mendalam juga memainkan peranan besar dalam bidang lain. Kereta pandu sendiri perlu mengenali persekitarannya, mengelaskan objek dan bertindak balas dalam masa nyata. Di sinilah teknologi pengecaman imej, serupa dengan teknologi pengecaman muka, dimainkan. Komputer menganalisis imej daripada kamera dalam masa nyata untuk mengenali pejalan kaki, kenderaan, papan tanda jalan, dsb. dan melaraskan laluan pemanduan dengan sewajarnya. Kemajuan dalam teknologi pemanduan autonomi akan membantu mengurangkan kemalangan jalan raya, melancarkan aliran trafik dan menyumbang kepada bandar pintar masa depan.
Walau bagaimanapun, terdapat juga pelbagai masalah yang timbul apabila algoritma pengecaman objek diamalkan. Dalam filem 'The Imitation Game', Alan Turing membina mesin penyahkod, tetapi bimbang kerana keputusan yang sepatutnya keluar dalam sehari tidak keluar selama beberapa hari. Dalam erti kata lain, adalah perlu untuk mempertimbangkan sejauh mana ia mengenali, serta kelajuan algoritma dan beban pada perkakasan. Ini kekal sebagai salah satu cabaran terbesar untuk teknologi seperti pembelajaran mendalam untuk dikomersialkan.
Saya seorang jurusan kejuruteraan elektrik dengan minor dalam matematik, dan saya amat berminat dalam bidang analisis berangka. Bidang ini mengkaji cara mencari cara terpantas untuk menjawab masalah dengan ketepatan tertentu apabila berurusan dengan jumlah data berangka yang besar. Mengaplikasikan teori matematik, jumlah maklumat yang perlu ditangani adalah besar, jadi setiap nilai bermakna diwakili hanya secara numerik menggunakan matriks. Oleh itu, masalah yang paling mudah ialah menyelesaikan Ax=b. Cara paling mudah untuk memikirkan perkara ini ialah dengan mendarab songsangan A dengan b untuk mendapatkan x. Walau bagaimanapun, masa yang diperlukan oleh komputer untuk menyelesaikannya adalah sangat lama. Terdapat berjuta-juta pembolehubah cuaca yang diperlukan untuk meramalkan cuaca, dan mengiranya dengan cara ini akan mengambil masa lebih lama daripada usia alam semesta, walaupun pada komputer terpantas yang ada. Walau bagaimanapun, kita sebenarnya mendengar ramalan cuaca yang lebih kurang tepat dengan menggunakan kaedah lain.
Satu lagi isu penting dalam bidang analisis berangka ialah kestabilan. Jika algoritma berangka tidak menumpu atau mempunyai ralat yang besar, hasilnya boleh menjadi pesong dengan ketara. Contohnya, dalam pemodelan kewangan, menggunakan kaedah berangka yang salah boleh menyebabkan kerugian ekonomi yang besar. Oleh itu, penyelidik analisis berangka sentiasa membangunkan kaedah baharu untuk memastikan kestabilan dan ketepatan algoritma mereka.
Memandangkan kualiti foto dan video menjadi lebih baik dan lebih baik, jumlah data yang diperlukan oleh komputer untuk mengenali objek berkembang dengan pesat. Oleh itu, keperluan untuk memahami alat matematik hanya akan meningkat pada masa hadapan. Tambahan pula, teknik analisis berangka ini memainkan peranan penting dalam pelbagai bidang, termasuk ramalan ekonomi, penyelidikan genomik, kejuruteraan aeroangkasa dan banyak lagi. Tambahan pula, sains maju seperti nanoteknologi akan menjadi semakin penting kerana ia memerlukan pengiraan yang tepat pada skala kecil. Akhirnya, memastikan data adalah tepat dan cekap akan menjadi kunci kepada kemajuan teknologi masa hadapan. Konvergensi kejuruteraan elektrik dan alat matematik akan memainkan peranan yang semakin penting dalam proses ini. Sebagai contoh, sistem grid pintar memantau dan meramalkan penggunaan tenaga dalam masa nyata untuk membolehkan pengagihan tenaga yang cekap. Ini boleh menyumbang dengan ketara bukan sahaja kepada penjimatan tenaga tetapi juga kepada perlindungan alam sekitar. Kami tidak sabar-sabar untuk melihat bagaimana teknologi ini akan mengubah kehidupan harian kita pada masa hadapan.
