Cómo la tecnología de supervisión de IA controla el reconocimiento del globo ocular
Hemos desarrollado un sistema que puede detectar automáticamente si los examinados están haciendo trampa, como mirar sus teléfonos, enviar respuestas a los examinados de al lado, etc., a partir de gestos, esqueletos, líneas de visión, etc. de los personajes de la película. Al utilizar el aprendizaje profundo en el dispositivo en lugar de la nube, el sistema puede superponer el rostro de un candidato desprevenido y al mismo tiempo tener en cuenta la privacidad del candidato y ayudar a detectar trampas.
Dado que este sistema no requiere la instalación de equipos a gran escala, solo necesita utilizar equipos terminales de computadora y lentes de fotografía en el sitio para monitorear automáticamente un área grande para ayudar al examinador. La IA de detección de trampas puede tener en cuenta la privacidad, ayudar mejor a los examinadores supervisados visualmente y, al mismo tiempo, proporcionar un entorno de examen más justo para todos los candidatos.
La aceleración del aprendizaje profundo por hardware se ralentiza y las matrices sistólicas trajeron un enorme crecimiento acelerado al mundo en 2017. No podemos esperar mejoras significativas en la potencia informática en 2019.
El núcleo Turing de NVidia es sólo un poco más rápido que el núcleo de Volta. Los sistemas TPUv3 de Google ahora utilizan refrigeración líquida y son más densos que los productos anteriores. No creo que haya grandes mejoras estructurales en 2019, así que no agreguemos demasiado como en años anteriores.
El resumen es el siguiente:
Pero veremos que la nueva arquitectura de GraphCore y Gyrfalcon evita el consumo de energía de la transferencia de memoria y admite operaciones dispersas, pero el formato de aprendizaje profundo necesita Cambiar para adaptarse a estas nuevas arquitecturas requiere nueva investigación de hardware, que se inspira en la nanointencionalidad biológica.