Comment l'intelligence artificielle aide-t-elle la surveillance en ligne ?

De nos jours, l'IA ou l'intelligence artificielle est une expression à la mode dans presque tous les secteurs de nos jours. Malgré le fait qu'il existe depuis les années 1950, il est perçu comme un point de basculement dans son application au cours de la décennie précédente qui progresse rapidement. L'intelligence simulée a commencé à saturer divers aspects de l'enseignement supérieur, mais la charge a été portée par quelques premiers membres du corps professoral, des universités et des départements individuels, par opposition à tous.

Pour ne donner que quelques modèles :

• Le bureau des admissions de l'Université de l'Arizona utilise des instruments d'examen par mot-clé AI-lead pour faciliter le processus d'examen des candidatures.
• Georgia State University a préparé un chatbot créé par AdmitHub pour aider à répondre au guide budgétaire de base et aux demandes d'inscription des étudiants.
• Un professeur de technologie de Géorgie a utilisé la technologie Watson d'IBM pour créer son propre assistant d'enseignement virtuel.

Chacun de ces cas dans lesquels un professeur, un chargé de cours, un département ou un collège a vu des résultats positifs donne aux compagnons une certitude supplémentaire pour réfléchir à la manière dont l'IA peut aider ou améliorer leurs propres cadres et procédures. L'objectif de chacun de ces premiers utilisateurs n'était pas de supplanter la composante humaine de l'enseignement et de l'adaptation, mais d'améliorer les résultats des étudiants. Dans l'ensemble, qu'est-ce qui comprend vraiment le raisonnement créé par l'homme ? En son centre, l'IA est un cadre automatisé ou une machine conçue pour recréer la perspicacité humaine. L'un des principes fondamentaux qui décrit le domaine de l'IA d'apprentissage automatique est qu'une composante de «l'apprentissage» se produit à l'intérieur du cadre - soit «géré», dans lequel les informations de préparation contiennent un résultat souhaité explicite, soit «non supervisé», dans lequel le les informations de préparation ne contiennent pas un résultat idéal.

Les trois régions reconnues où l'intelligence artificielle profitera de l'objectif principal de distinguer et de contrecarrer les ruptures d'intégrité scolaire sont mentionnées ci-dessous :

• Fausse déclaration d'identité
• Pratiques de triche
• Cambriolage de contenu

Nous avons découvert que consacrer du temps, de l'argent et de l'énergie à un arrangement d'IA axé sur ces territoires améliorerait les résultats pour les entreprises ainsi que pour les clients. L'objectif de l'ajout de l'IA aux services de surveillance en ligne n'était pas de supplanter les gens, mais plutôt de renforcer l'exactitude de l'administration en direct et informatisée. De plus, l'IA peut aider à réduire les erreurs humaines, à détecter les erreurs que les humains manqueront inévitablement et à favoriser la polyvalence des services.

En construisant un dispositif de surveillance robotisé, le premier des événements d'IA comme la reconnaissance faciale et les seuils essentiels pour les signes sonores et visuels sont mis en œuvre. L'innovation derrière un cadre de surveillance robotisé régulier n'est que l'ancien devenu nouveau. Les calculs qui exécutent ces cadres existent depuis plus de quatre ans. Quoi qu'il en soit, ces calculs sont statiques, sauf s'ils sont modifiés par un concepteur tout au long du framework.

Le principal contraste entre les anciens cadres mécanisés et les nouveaux cadres informatisés est que l'innovation de l'IA s'adaptera systématiquement, s'ajustera et deviendra « plus intelligente » à chaque test administré. De nos jours, les gens n'utilisent pas simplement l'IA dans leur administration mécanisée, mais ils la superposent également derrière leur administration en direct. À travers les deux niveaux de service, l'IA est instruite à l'aide d'un modèle d'apprentissage assisté dans lequel ses propres délégués humains sont les instructeurs du cadre.

La procédure essentielle du machine learning administré comporte quatre étapes :

• Section des humains et informations sur le nom.
• Une fois que suffisamment d'informations sont divisées autour d'un nom, une « occasion » autour du calcul est créée.
• Chaque donnée actuelle est parcourue par le calcul pour déclencher l'événement ou l'occasion récemment créé.
• Les humains revisitent cette information et affirment si l'occasion s'est produite ou non, rendant le cadre de plus en plus précis pour distinguer cette occasion explicite.

À grande échelle, cette procédure semble généralement simple, mais elle peut rapidement être confondue. Dans ce modèle d'apprentissage dirigé de l'apprentissage automatique, chaque activité ou exemple nécessite au moins 20 000 points d'information pour finir par devenir un « événement » dans le cadre. Lorsqu'il est préparé à cette occasion, le modèle doit continuer à être encouragé de plus en plus «d'informations sur la formation» afin d'étendre l'exactitude autour de cette occasion.

Un grand nombre de pratiques sont démonstratives de duperie, mais que diriez-vous de vous concentrer sur une seule. Imaginez les yeux et la tête d'un candidat se déplaçant rapidement d'un côté, regardant vers quelque chose hors de l'écran. Il faudrait 20 000 exemples de ce mouvement rapide pour entraîner le framework à le signaler comme un événement de triche. Ensuite, un nombre exponentiel de cas supplémentaires doit surgir pour améliorer la précision du cadre percevant et saluant la conduite. À l'heure actuelle, augmentez cela par un grand nombre de pratiques d'embrouille, on peut préparer le cadre pour signaler ces occasions. Comme vous pouvez le voir, cette procédure nécessite une quantité gigantesque d'informations. C'est ainsi que les services de surveillance en ligne voient le jour.

Maintenant, la question se pose d'où provient chacune de ces informations ? La plus grande organisation de surveillance d'Internet délègue plus d'un million de tests chaque année. Une fois anonymes pour des raisons de protection claires, toutes les informations de test peuvent être utilisées pour préparer le modèle d'IA.

Le modèle ci-dessus décrit juste une conduite trompeuse solitaire. Ne devrait-on donc pas dire quelque chose à propos de la fausse représentation des personnages et du cambriolage de contenu ? La procédure de préparation dans ces zones est comparative mais utilise des approches quelque peu uniques. La surveillance en ligne tente d'intégrer un ensemble d'avancées en matière d'apprentissage automatique, notamment la reconnaissance faciale propulsée, la reconnaissance d'objets, la découverte de plans, la synthèse vocale, la reconnaissance des mouvements oculaires et l'identification vocale, pour donner quelques exemples.

La procédure de formation de l'IA à la surveillance en ligne montre qu'elle devient plus intelligente car elle aura la capacité de faire des choses, par exemple, reconnaître la distinction entre un adulte qui parle, un enfant qui parle, un bébé qui pleure et un chien qui woofe . Ce sont des choses que les gens peuvent faire sans effort, mais le cadre montre lequel de ces éléments pourrait représenter un risque pour la fiabilité des chercheurs et lequel peut être qualifié d'inoffensif.

La façon de construire un modèle d'IA véritablement précis pour la surveillance d'Internet continuera à se développer à mesure que de nouvelles innovations se développent et finissent par être accessibles à la population des personnes testées. Le taux d'avancement mécanique s'est déplacé à un rythme indéniablement plus rapide. Au fur et à mesure que de plus en plus d'innovations sont exécutées dans les PC, les appareils portables et les téléphones portables, les gens auront la capacité d'utiliser ces avancées dans leurs propres réponses et de les inclure dans le modèle d'IA.