اÙÙضاء - عÙÙ٠اÙÙÙÙ ÙÙÙر٠اÙØاد٠ÙاÙعشرÙÙ
فہرست کا خانہ:
ایک برڈر کے طور پر، میں نے سنا تھا کہ اگر آپ نے سر کے پنکھوں پر توجہ مرکوز کی ہے تو وہ آپ کے پرندوں کو کھانا کھلانے والوں کو دیکھتے ہیں، آپ انفرادی پرندوں کو پہچانا شروع کر سکتے ہیں. اس نے مجھ سے تعجب کیا. یہاں تک کہ میں نے ابھی تک اپنے اپنے کھانے والوں میں کھلی پرندوں کی کوشش کرنے کے لئے بھی چلایا اور یہ ایک حقیقت تک سچ ثابت ہوا.
اس دوران، میرے دن میں ایک کمپیوٹر سائنسدان کے طور پر، میں جانتا تھا کہ دیگر محققین نے اعلی درجے کی تصاویر کے ساتھ ڈیجیٹل تصاویر میں انفرادی چہرے کو تسلیم کرنے کے لئے مشین سیکھنے کی تکنیک کا استعمال کیا ہے.
ان منصوبوں نے مجھے اپنے روزگار کے ساتھ اپنے شوق کو یکجا کرنے کے طریقوں کے بارے میں سوچ لیا. کیا انفرادی پرندوں کی شناخت کے لئے ان کی تکنیک کو لاگو کرنا ممکن ہو گا؟
لہذا، میں نے اعداد و شمار جمع کرنے کے لئے ایک آلہ بنائی: لکڑی کا ایک قسم اور ایک موثر فعال کیمرے کے ذریعہ برڈ فیڈر کی ایک قسم. میں نے اپنے مضافات میں ورجینیا یارڈ میں اپنے نگرانی اسٹیشن قائم کیا اور پرندوں کے انتظار میں انتظار کیا.
تصویری درجہ بندی
تصویری درجہ بندی ٹیک دنیا میں ایک گرم موضوع ہے. فیس بک، ایپل اور گوگل جیسے بڑے کمپنیوں کو اس مسئلے کا جائزہ لینے میں مدد ملتی ہے جیسے خدمات بصری تلاش، سماجی میگزین میں دوستوں کے آٹو ٹیگنگ اور اپنے سیل فون کو غیر مقفل کرنے کے لئے اپنے چہرے کا استعمال کرنے کی صلاحیت. قانون نافذ کرنے والے ایجنسیوں کے ساتھ ساتھ بہت دلچسپی ہے، بنیادی طور پر ڈیجیٹل عکاسی میں چہرے کو تسلیم کرنے کے لئے.
جب میں اس منصوبے پر اپنے طالب علموں کے ساتھ کام کرنا شروع کروں تو، تصویری درجہ بندی ریسرچ ایک ایسی تکنیک پر توجہ مرکوز کرتا ہے جس نے تصویر کی خصوصیات جیسے کناروں، کونوں اور اسی رنگ کے علاقوں کو دیکھا. یہ اکثر ٹکڑے ٹکڑے ہوتے ہیں جو کچھ شناختی مواد میں جمع ہوسکتے ہیں. سینکڑوں اعداد و شمار کے سیٹ کا استعمال کرتے ہوئے سینکڑوں زمرے اور دس ہزار زائد ٹریننگ مثالوں کے ساتھ ان کے نقطۂ نظر 70 فیصد درست تھے.
حالیہ تحقیق مصنوعی نیورل نیٹ ورک کے استعمال کی طرف منتقل ہوگئی ہے، جو ان کی خود کی خصوصیات کی شناخت کرتی ہے جو درست درجہ بندی کے لئے سب سے زیادہ مفید ثابت ہوتا ہے. نیورل نیٹ ورک انسانی دماغ میں نیوروں کے درمیان مواصلات کے پیٹرن پر بہت ڈھونڈتے ہیں. تبادلوں سے متعلق نیورل نیٹ ورکس، جو قسم ہم اب پرندوں کے ساتھ اپنے کام میں استعمال کرتے ہیں، وہ بصیرت پرانتستا پر نمونے کے طریقوں میں ترمیم کر رہے ہیں. اس سے انہیں تصویر کی درجہ بندی کے مسائل کے لئے خاص طور پر اچھی طرح سے مناسب بنایا گیا ہے.
کچھ دوسرے محققین پہلے سے ہی جانوروں پر اسی طرح کی تکنیکوں کی کوشش کر چکے ہیں. میں نے ولیمز کالج کے کمپیوٹر سائنسدان اینڈریا ڈھانلک کی طرف سے حوصلہ افزائی کی تھی، جس نے انفرادی طور پر دیکھا سالمندگان کو شناخت کرنے کے لئے مشین سیکھنے کا استعمال کیا ہے. یہ کام کرتا ہے کیونکہ ہر سالمین کے مقامات کا مخصوص نمونہ ہے.
برڈ ID پر پیش رفت
میرے طالب علموں اور میرے پاس جب تک زیادہ سے زیادہ دیگر محققین اور کمپنیوں کے ساتھ کام کرنے کے لئے میرے پاس زیادہ سے زیادہ تصاویر نہیں تھے، تو ہم نے کچھ رکاوٹوں کا فائدہ اٹھایا جو ہمارے کلاسیکیفائرڈ کی درستگی میں اضافہ کر سکتا تھا.
ہماری سبھی تصاویر اسی نقطہ نظر سے لے جایا گیا تھا، اسی پیمانے پر تھا اور ایک محدود تعداد میں زمرے میں گر گیا. سب نے کہا، میرے علاقے میں فیڈرل میں تقریبا 15 پرجاتیوں نے کبھی بھی دورہ کیا. ان میں سے، ایک کلاسیکی تربیت کرنے کے لئے ایک مفید بنیاد فراہم کرنے کے لئے صرف 10 کافی وقت کا دورہ کیا.
تصاویر کی محدود تعداد میں ایک خاص ہینڈیکپ تھا، لیکن ہمارے حق میں کام کرنے والے چھوٹے طبقات کی تعداد. جب یہ تسلیم کرنے آیا تھا کہ آیا ایک تصویر میں پرندوں کو چھوٹا ہوا، ایک کیرولینا وین، ایک کارڈنل یا کچھ اور، ایک چہرے کی شناخت الگوریتھم کی بنیاد پر ایک ابتدائی منصوبے 85 فیصد کی درستگی کے بارے میں حاصل ہوئی - مسئلہ میں دلچسپی رکھنے کے لئے کافی اچھا ہے.
تصاویر میں پرندوں کی شناخت ایک "ٹھیک دھاگہ درجہ بندی" کام کا ایک مثال ہے، مطلب یہ ہے کہ الگورتھم ایک دوسرے سے صرف تھوڑا سا مختلف چیزوں کے درمیان تبصری کرنے کی کوشش کرتا ہے. فیڈرز میں ظاہر ہونے والے بہت سے پرندوں نے ایک ہی شکل میں، مثال کے طور پر، تو ایک پرجاتیوں کے درمیان فرق بیان کرتے ہوئے اور ایک دوسرے کے ساتھ بھی تجربہ کار انسانی مبصرین کے لئے کافی مشکل ہوسکتا ہے.
جب چیلنج آپ افراد کی شناخت کرنے کی کوشش کرتے ہیں تو چیلنج صرف ریمپوں پر ہوتا ہے. زیادہ تر پرجاتیوں کے لئے یہ ممکن نہیں ہے. جو لکڑیوں میں دلچسپی رکھتی تھی اس میں پندرہ پوزیشن کا اندازہ لگایا گیا ہے لیکن انفرادی طور پر انفرادی طور پر ان کی بڑی تعداد میں موجود ہے.
لہذا، ہمارے سب سے بڑے چیلنجوں میں سے ایک ہماری کلاسیکیفیریل کو تربیت دینے کے لئے اعداد و شمار کی لیبل کا انسانی کام تھا. میں نے محسوس کیا کہ ادھر لکڑی کے سروں کے سر پنکھوں کو افراد کے درمیان فرق کرنے کا قابل اعتماد راستہ نہیں تھا، کیونکہ ان پنکھوں کو بہت زیادہ گزرتا ہے. وہ پرندوں کے ذریعہ جلانے یا الارم کا اظہار کرتے ہیں. تاہم، جوڑنے والے پنکھوں پر پیٹ کے پیٹرن زیادہ مطابقت رکھتے ہیں اور ایک دوسرے سے کہنے کے لئے صرف ٹھیک کام کرنے لگتے ہیں. ان ونگ پنکھوں کو ہماری تصاویر میں تقریبا ہمیشہ ہی نظر آتا تھا، جبکہ سر پیٹرنوں کو برڈ کے سر کے زاویہ کے لحاظ سے بے نقاب کیا جا سکتا ہے.
آخر میں، ہم نے 2،450 آٹھ مختلف لکڑی کے ٹکڑوں کی تصاویر تھیں. جب یہ انفرادی لکڑی کے ٹکڑوں کی نشاندہی کرنے آیا تو ہمارے تجربات نے 97 فیصد کی درستگی حاصل کی. تاہم، اس نتیجے میں مزید تصدیق کی ضرورت ہے.
اس پرندوں کی مدد کیسے کر سکتی ہے؟
ماہرین سائنسدانوں کو اس بات پر درست اعداد و شمار کی ضرورت ہوتی ہے کہ کس طرح نسل کے آبادی کو وقت کے ساتھ تبدیل کیا جاتا ہے. چونکہ بہت سے پرجاتیوں ان کے رہائش گاہ میں ضروری ہے جب نسل، سیاحت اور منتقلی کی صورت میں آتی ہے تو اس میں مناسب تبدیلی کی تبدیلی کے اثرات کے بارے میں سوچنے کے لئے مناسب اعداد و شمار مفید ثابت ہوسکتے ہیں. انفرادی پرجاتیوں جیسے اعداد و شمار کی لکڑی کے ٹکڑے ٹکڑے کے اعداد و شمار کو دوسری معلومات، جیسے زمین استعمال کے نقشے، موسم کے پیٹرن، انسانی آبادی کی ترقی اور اس کے ساتھ مل کر مل سکتا ہے، وقت کے ساتھ مقامی پرجاتیوں کی کثرت کو سمجھنے کے لئے.
میرا یقین ہے کہ ایک سیمییوٹومیٹ نگرانی سٹیشن کم سے کم قیمت تک رسائی کے اندر اندر ہے. میرا نگرانی اسٹیشن تقریبا 500 امریکی ڈالر کی لاگت ہے. حالیہ مطالعے سے یہ پتہ چلتا ہے کہ تصاویر کے ایک وسیع پیمانے پر گروپ کا استعمال کرتے ہوئے اسے کلاسیکیفائزر کو تربیت دینا ممکن ہے، پھر جلدی سے اسے ٹھیک کرنا اور انفرادی پرندوں کو تسلیم کرنے کے لئے موزوں مجازی مطالبات کے ساتھ.
آرتھتھولوژیو کے ایبریڈر کی کارنیل لیبارٹری جیسے منصوبوں نے شہری سائنسدانوں کی آبادی کی آبادی کی نگرانی کے لئے زمین پر ایک چھوٹی سی فوج ڈال دی ہے، لیکن ان اعداد و شمار میں سے بہت سے لوگ ایسے مقامات سے تعلق رکھتے ہیں جہاں لوگوں کو بہت زیادہ ہے، بلکہ سائنسدانوں کو خاص دلچسپی کے مقامات سے بھی.
ایک خود کار طریقے سے نگرانی کے اسٹیشن کے نقطۂٔٔٔٔٔٔٔٔٔٔٔٔاس کو مخصوص نسلوں یا مخصوص مقامات سے متعلق وائلڈ لائف حیاتیاتی ماہرین کے لئے ایک طاقت ضرب فراہم کر سکتا ہے اس سے کم از کم انسانی مداخلت کے ساتھ اعداد و شمار جمع کرنے کی صلاحیت کو وسیع کرے گا.
یہ مضمون اصل میں لیوس بارنیٹ کی طرف سے بات چیت پر شائع کیا گیا تھا. یہاں اصل مضمون پڑھیں.
زمین کا سر ٹھنڈا ہوا تو کیا ہو گا؟ سائنس بیان کرتا ہے
"کیا ہو گا اگر زمین کا بنیادی زیادہ گرم نہیں پھنس گیا ہے؟" زمین کا کور بہت آہستہ آہستہ اوور ٹائم ٹھنڈا کر رہا ہے، لیکن ایک دن، جب کور مکمل طور پر ٹھنڈا ہوا اور ٹھوس ہوجاتا ہے، اس کے پورے سیارے پر بہت بڑا اثر پڑے گا، جس سے زندگی کو زندہ رہنے کے لئے مشکل ہوتا ہے.
کس طرح ابر یقینی بنانے کے لئے چہرے کی شناخت کا استعمال کرتا ہے آپ کا ڈرائیور ایک امیجٹر نہیں ہے
اوبر نے ایک ایسی خصوصیت کو ختم کر دیا جس سے ڈرائیوروں کو سروس پر فعال ہونے سے پہلے خود کو شناخت کرنے اور وقفے سے تصدیق کرنے کی ضرورت ہوگی.
قانون نافذ کرنے کا مستقبل کیا ہے؟ NTechLab کا کہنا ہے کہ ایک روسی آغاز اس کے چہرے کی شناخت کے آلے کے بارے میں سوچتا ہے.
NTechLab، ایک ایسی کمپنی جس نے گوگل کو چہرے کی شناخت کے سافٹ ویئر مقابلہ میں شکست دی، امید ہے کہ قانون نافذ کرنے والی نگرانی بہتر طریقے سے نگرانی کرنے کے طریقوں سے بدل جائے گی.