Hacking misslyckades miljarder Dollar gränsen säkerhetssystemet (3 / 4 steg)

Steg 3: Lägg till artificiell intelligens

Artificiell intelligens (AI) är något som omfattar en rad komplicerade klingande terminologi som neurala nätverk, datorseende, situationsmedvetenhet, beteendemässiga profilering, automatisk mål erkännande, kognitiv beteende, mönsterigenkänning, och så vidare och så vidare. Experterna skulle förmodligen säga att det är alla mycket, mycket komplicerat. I själva verket det är, och skulle vara för komplicerat för mig, om jag var tvungen att göra det genom lärobok standardmetoder, i stället för att skapa min egen metod. Det enda sättet jag kan någonsin göra något alls är med hjälp av min egen algoritmer, utvecklats under många år. Jag vet inte hur andra människor gör det, allt jag vet är att min väg verkar fungera mycket bra.

Igen, vilket framgår med Kalmanfilter, när det kokas ner, är det allt mycket enkelt, nästan till grad att vara trivial. Många gånger jag har att genomföra något men det är så komplicerat att jag bara ge upp. Men jag tycker ofta att om jag spenderar tid att verkligen koka den, ibland är det något jag uppfann på min egen kanske 25 eller 30 år sedan. Detta hände ett tag sedan när jag och en medarbetare beslutat att göra en Fortran till C++ translator. Helt optimera programmet, beslutade vi att använda något min medarbetare såg i C++ tidskrift kallad Simuleras glödgning . Det verkade otroligt komplicerat, och jag valde att låta någon annan göra det. Till slut dock, jag tillbringade tid att lista ut det, och visst, det var något jag hade utvecklats på min egen väg 27 år tidigare. BTW, här är det patentet för språk översättare. När det gäller AI, skulle jag säga översättaren var ett "expertsystem", däri det utförs exakt samma uppgifter som skulle vara anställd av en expert i datorprogrammering.

Jag bör nämna att jag använt simulerad annealing algoritmen för att lösa ett stort pussel i Los Angeles Times, som var en tävling som kallas "Härva städer." Detta var i början av 80-talet. Du hade weekly pussel som du var tvungen att lösa och skicka in i flera månader, som fick allt svårare, kulminerade med stora pussel för sista tävlingen. Priserna var trevligt, som en ny Cadillac, eller $50 grand och en hel massa andra priser. För det slutliga pusslet hade du en lista över varje stad i Kalifornien, cirka 650 och en pool av bokstäver, så många av varje bokstav, och varje brev var värt ett olika antal punkter, och du fick poäng för hur många städer du stavat, och kanske andra punkter för något annat. Hursomhelst, jag inte vinner det stora stora priset, men jag vann en fancy letar stereoanläggning, som var en bit av skit, och som jag sålde bara för att betala skatt på den. Igen, simulerade glödgning är ett AI-koncept, och teoretiskt skulle kunna vara till nytta i gränsen systemet.

Hur som helst, låt oss avmystifiera artificiell intelligens genom att bryta ner till vad det verkligen innebär (för mig.)

konstgjorda = mjukvara
intelligens = sunt förnuft

Hur den gäller gränsen systemet är till exempel, som använder sig av medvetenhet om situationen. Det betyder att var am I, hur hög är jag, vad är min vantage punkt, vad bör jag titta till, etc. Detta är naturligtvis bara sunt förnuft. Medvetenheten om läget för oss är att vi sitter på toppen av ett torn över öknen. Vi vill upptäcka rörliga objekt. Även om, när vi upptäcker något, innan vi rapportera larm, använder vi en annan bit av sunt förnuft för att avgöra om eller inte att rapportera larm. Denna logik skulle se ut så här:

Om larmet = true THEN
OM target_direction = towards_the_border sedan
cancel_alarm = sant
SLUT OM
SLUT OM

Så, vi helt enkelt undvika rapportering larm för saker och ting mot gränsen eftersom det är förmodligen ett border patrol fordon, eller vad som helst. Detta kallas "utnyttjande av medvetenheten om läget," åtminstone det är vad jag kallar det när jag vill låta som jag vet vad jag talar om, annars jag kalla bara det sunt förnuft. Och om du trodde det var slick, sedan stå tillbaka mina damer och herrar medan jag visa dig en total AI mash-up med en 3-vägs combo av mönsterigenkänning, situationsmedvetenhet och kognitiv funktion att ytterligare minska falsklarm. Är du redo? Här är ekvationen:

IF (numb_targets = 1) och (persistens < 50%) OCH (target_distance > 1000 varv) sedan
Ring forget_about_it (target_ID);
SLUT OM

BAM! Förmodligen fick bli av 25 falsklarm/minut, gå ut hela dagen lång, med bara den ett litet tricken. För vissa Gud okänd anledning, Boeing logik var, om jag får en larmsignal, sätta upp en gul symbol, och om jag får tre i rad, sätta upp en röd symbol. Det betyder att de var bara spendera cirka 2 sekunder att titta på ett mål innan de tog ett beslut att indikera ett larm. Och vad jag gjorde med att ekvationen var att säga, om jag bara se ett objekt, och det är bara där mindre än hälften av tiden när jag tittar på det, och det är verkligen långt borta, som en halv mil, då jag inte behöver oroa sig för den. Jag ska hålla det på filen, men om det är någon kommer över gränsen, och de är på foten, då de kommer att komma mitt håll så småningom, och jag kan spendera de 30 minuterna spåra dem (eller det) för att se om det har blivit närmare under den tiden. Jag behöver inte någon att köra ute för att kontrollera det, eftersom det har ingen plats att gå där jag inte kan se den. Och hur många gånger kommer människor över gränsen allt av sig själva? Aldrig! Folk kommer alltid över gränsen i stora mängder, eller hur många en pickup innehar. Så är det nog bara en prärievarg. Förresten, fick jag avståndet till målet från radarn, även om jag kan beräkna det direkt från video lika bra, och jag kan också beräkna storleken på videon. Och jag känner mig som jag svamla här, medan jag slå en död häst på samma gång, om något som är bara enkelt sunt förnuft. Då igen pratar mina damer och herrar, vi om $1 miljard dollar skattebetalarna pengar här. (Någon här är definitivt galen, och det är säkert inte mig. Även om det är en hel del människor som kommit överens om något, och jag är den enda avvikande mening... det ganska galen mig bara lite.)

Tja, behandlas fortsätter på, när det gäller datorseende, modell jag bara allt att fungera exakt hur det mänskliga ögat fungerar, samt hur informationen i hjärnan. Ett trivialt exempel är hur iris styr eleven för att justera mängden ljus som kommer in i ögat. Detta är en automatisk funktion, vilket innebär ofrivilliga; du behöver inte tänka på det, men du behöver den. Denna funktion är något du normalt få gratis eftersom det är inbyggd i kameran. Eleven representeras av kamerans bländare. En annan funktion inbyggd i de flesta kameror är automatisk nivå och vinna.

Lite intressant läsning om datorseende, kolla in denna armé förslag jag skrev för flera år sedan. (Bläddra ner till 2.1.1.1 generaliserade balanserad ternära.) I detta förslag diskuterade jag hur visuella stimuli tolkas i hjärnan, inklusive hur objekt identifieras med hjälp av en algoritm för klustring och hur relativa storlek beräknas med bara några enkla beräkningar. Diskuterade också är att använda en base-7 matematiskt system ger en bekväm metod för summering av statistiska uppgifter över en sexkantig rutnät med pyramid algoritmer.

Förmodligen viktigaste när genomförandet av datorseende är att emulera hur hjärnan filtrerar bort saker som är ointressant. Till exempel om du tittar över öknen söker rörliga föremål, är en sak hjärnan inte ignorera saker och ting på ett naturligt sätt på grund av vind. Det innebär att de vajande grenar och prassel av bladen på ett träd ignoreras utan att ens tänka. Många år sedan jag arbetade på automatisk mål erkännande för en inriktning system som min grupp utvecklat en DARPA projektet, och används för närvarande i en armén helikopter kallas OH-58 D Kiowa krigare . En algoritm jag utvecklat var för emulera hur hjärnan upphäver motion på ett visst område i synfältet, och jag kallade det "adaptiv lokaliserade filtrering." Det innebär att om jag tittar på en scen, och det finns rörelse som är ambient och en naturlig händelse, då jag kan filtrera som ut genom att ändra vinster och tröskelvärden för pixlarna i det aktuella området. Detta innebär att jag kan nu anpassa sig till vad de nuvarande förhållandena är. Detta är en form av artificiell intelligens i att jag inte kräver en operatör att justera parametrar för mig att anpassa min filter för de nuvarande villkoren. Detta kan kompletteras med utfodring mig momentana lindahastigheten (vindhastighet plus riktning.) Genom att sätta denna lindahastigheten till Kalman-filter, vet jag att om vindhastigheten är hög, jag kan göra vissa antaganden när initieras mina filter. Observera att jag använder massor av små filter att efterlikna de enskilda cellerna i näthinnan, eller snarare, grupper av celler, eftersom jag använder "super pixlar" att skära ner på processorns bandbredd.

BTW, jag insåg precis att jag nu har ersatt "själv" i stället för "programvara." Jag gjorde det inte avsiktligt, men det är faktiskt exakt hur jag utveckla alla min algoritmer relaterade till artificiell intelligens, så jag lämnar det i. Att komma med algoritmer som jag vet jag behöver för att göra ett system som fungerar perfekt, (dvs arbeta som jag var där kontrollera det, men jag ska vara där kontrollera det,) jag lade mig på datorn och jag blundar, eftersom en dator har inte ögon, och jag trodde experiment, som jag lärde mig från läsa om Albert Einstein. Därifrån, jag har bara min hjärna att arbeta med, som tillåter mig att göra trodde experiment, så att min hjärna är faktiskt datorn, och jag blundar för att simulera datorseende, där jag bara har videodata, en mängd pixlar vars värden kan vara bara nyanser av grått från 0 till 255. Och då tror jag att om hur jag behandla uppgifterna i mitt huvud, med data som kommer in från flera sensorer. Till slut utveckla jag en algoritm för att lösa ett problem, med hjälp av en biologisk modell, tillsammans med mina egna tankeprocesser. Slutresultatet är en "ad hoc" algoritm, baserat på en kombination av sunt förnuft och intuition, tillsammans med massor av laboratoriet försök och misstag.

Sätt att genomföra sensor fusion, med tanke på att Doppler radarn bara rörelsedetektor, är genom att också göra rörelsedetektor med två kameror. Den grundläggande tekniken för video rörelsedetektorn är av scen subtraktion, där en ram av data dras från en ram av data tas kanske 1/10 av en sekund senare, från vilket någon rörelse blir tydligt. För detta system, skulle det vara en hög hastighet motion detection funktion utförs medan vid någon av de stirrande ståndpunkterna, samt en låg hastighet funktion utförs när systemet återgår till en viss stirrande plats. Med andra ord, har du rörelsedetektor för saker och ting snabbt, samt rörelsedetektor för saker som kan kräva 30 sekunder mellan ramar för att vara klart påvisbara, som i fallet med föremål på långt avstånd. Detta ger två nivåer av upplösning. Observera att radarn gör momentan rörelsedetektering, vilket innebär att den inte jämför data från tidigare tid på en viss stirrande plats.

När det gäller Kalmanfilter, för varje enskilt mål skulle jag behålla en stat vektor bestående av [position, hastighet, acceleration, storlek, sortiment, persistens].

För fullt självständig operation, och möjligheten att köra kontinuerligt, är det bara nödvändigt att köra programmet i en oändlig loop.

Vid denna punkt, den viktigaste och mest intressanta, har för att införliva och vad som verkligen ger systemet människoliknande egenskaper, är kapaciteten för kognitiv beteende. Kognitiv beteende kan göra saker som att ha förmågan att lära av erfarenhet, och förmågan att bli kunnigare i prestanda med tiden, precis som förväntas från en mänsklig operatör. På samma sätt, eftersom vi har ett neuralt nätverk och använder mönsterigenkänning, systemet kan upptäcka trender, som de flesta intrång inträffar inom en särskild korridor, och vid en viss tid på natten, och som inkräktare tenderar att följa en liknande väg varje gång. Med denna information i systemet kan ändra den sökmönstret att spendera mer tid söker den särskilt korridoren, och mindre tid på områden som uppvisar historiskt liten eller ingen aktivitet. Återigen, detta är samma exakta beteende man kan förvänta sig från en mänsklig operatör.

För en sista anmärkning är bara exemplet en mycket bra beskrivning av ett neuralt nätverk eftersom det mig, ett neuralt nätverk är bara en databas tillsammans med viss regel-baserad logik. I ovanstående fall med mönsterigenkänning för att upptäcka en trend, resultaten i denna godbit av information som ska lagras i databasen som en ny nod, genererar mycket på samma sätt hjärnan nervceller permanent spara information i långtidsminne. Igen, jag gör allt med en biologisk metod. I själva verket kan inte jag ens tänka på något annat sätt jag skulle kunna göra det. Dessutom använder den biologiska metoden en 1 till 1 analogi. Till exempel med den mänskliga hjärnan, du har kort sikt RAM-minne, långtidsminne (disk eller FLASH,) och nervceller (brain cell kluster, eller något sånt) och synapser (noder i en databas), och alla paralleller till hur en dator fungerar. Ärligt talat, inte jag se även den minsta skillnaden mellan en mänsklig hjärna och en dator, även med olika sensorer och vision att vara som datorseende, och så vidare. Du kanske också är intresserad av att veta, att sättet en hög slut autofokus kamera fungerar, eller används för att på något sätt, (jag har faktiskt planerat denna funktion innan,) är av gitter linsen fram och tillbaka tills du får den bästa fokus (tekniskt, att hitta det som maximerar pixel standardavvikelsen.) Och detta är gjort, inte använder en motor och redskap, men genom att använda en piezoelektrisk membran, som låter för mig precis som hur det mänskliga ögat använder muskler och membran som manöverdon. Biologiskt sett är motsvarar allt bara så bra med en biologisk modell. Förutom, naturligtvis, för mänskliga känslor, och tacka Gud för detta. (Oh crap, min dator är inte prata med mig just nu... måste ha varit något sagt!)