İnternet yayınlarında, RTÜK kurallarının uygulanması yönünde kararlar alınmıştı. Bu platformlardan birtaneside Netflix idi, bunun neticeesince Netflix +18 içeriğe sahip yada uygunsuz içeriklere sahip yayınlar için ebeveynler pin kodu belirleyecek ve bu tarz içerikleri izlemeden önce pin kodu sorulucak. Sistem kısaca bu şekilde çalışıcak.

#netflix

Iowa Üniversitesi ve Purdue Üniversitesi'nden birleştirilmiş bir araştırmacı ekibi, 5G protokolünde yaklaşık bir düzine güvenlik ihlali buldu. Hem bulgularını hem de 5GReasoner adında geliştirdikleri bir güvenlik ihlali aracını tanımlayan bir makale yazmış ve onu Documentcloud sunucusuna yüklemişlerdir.

5G, akıllı telefonlara servis yapmak için gelecek nesil protokoldür - bazı müşteriler zaten kullanıyor. Kullanıcılara daha hızlı ve daha güvenli hizmet vermek için geliştirilmiştir. Ne yazık ki, kullanıcıların umduğu kadar güvenli olmayabilir. Bu çabayla çalışan araştırmacılar, diğer bazı sorunların yanı sıra kullanıcıları izlenme riski altında bırakan güvenlik açıkları bulmuşlardır.

Araştırmacılar tarafından yapılan çalışma, yeni protokolü test etmek için kullandıkları ve 11 güvenlik açığı bulunan 5GReasoner yazılım aracının oluşturulmasını içeriyordu . 5GReasoner kullanarak, araştırmacılar yakındaki telefonlara saldırmak için kullanılabilecek bir radyo baz istasyonu kurdular. Yerel telefonlar için ağ kimlikleri elde edebildiklerini ve bu sayede çağrı durumlarını keşfetmelerine izin verdiler ve telefonun o andaki yerini görmelerini sağladılar.Bu, onu kullanan kişiyi izlemek için kullanılabilir. Ayrıca, belirli bir alandaki telefonlara sahte acil durum uyarıları yayınlayabildiklerini ve bazı durumlarda telefon faaliyetlerini izleyebildiklerini bildirmişlerdir. Ayrıca, telefonların belirlenmiş şebekelerine erişmelerini engellemek için hizmet reddi sistemlerini kullanabileceklerini belirlediler - indirgenmiş servisle sonuçlanabilecek ya da daha da kötüsü, hiç servis gerektirmeyecek bir şema.

Araştırmacılar, güvenlik açıklarından bazılarının bilgisayar korsanları veya kanun uygulayıcı personel tarafından gözetim saldırısı için kullanılabileceğini belirtti. Ayrıca, buldukları tüm güvenlik açıklarının 4G veya 5G ağları hakkında temel bilgileri olan biri tarafından sömürülebileceğini ve düşük maliyetli bir yazılımla yapılabileceğini bildirmişlerdir.

Araştırmacılar bulgularını uluslararası telefon protokollerini onaylamaktan sorumlu olan #GSM Birliği'ne (GMSA) bildirmişlerdir. Buna cevaben, GMSA, güvenlik açıklarını sıfır veya düşük etkiye sahip olarak tanımlayan bir not yayınladı. Güvenlik açıklarının düzeltilip düzeltilmeyeceğinden bahsetmediler.

Stadia , Google tarafından işletilen yaklaşmakta olan bir bulut oyun hizmetidir . Yeterli yüksek hızlı İnternet kullanıyor olmaları koşuluyla, dünyanın dört bir yanındaki veri merkezleri üzerinden oyunculara yüksek dinamik aralık desteği ile saniyede 60 kare hızda 4K çözünürlüğe kadar video oyunları aktarabildiği söyleniyor. bağ. Masaüstü bilgisayarlardaki Google Chrome web tarayıcısı aracılığıyla veya akıllı telefonlar, tabletler, akıllı televizyonlar, dijital medya oynatıcılar ve Chromecast üzerinden erişilebilir

Servis YouTube ile entegredir. Durum paylaşma özelliği vardır. Stadia, Netflix'e benzemez, çünkü kullanıcıların bir oyun kütüphanesine erişim için ücret ödemek yerine Stadia üzerinden yayın yapmak için oyun satın almalarını gerektirir. Temel servis ücretsiz olurken, bir Pro aylık abonelik, daha büyük çözünürlükler için kullanıcıların daha yüksek oranlarda yayın yapmalarına ve kütüphanelerine ücretsiz oyunlar eklemelerini sağlar.

Proje Akışı olarak geliştirilmekte olan hizmet, 19 Kasım 2019'da seçilen ülkelerde halka açık bir tahliye ile Ekim 2018'de Assassin Creed Odyssey'i çalıştıran kapalı bir beta aracılığıyla hizmete girmiştir.

Takviye öğrenmenin (RL) şimdiye kadar yapay ajanları bireysel görevler konusunda eğitmek için etkili bir teknik olduğu kanıtlanmıştır. Bununla birlikte, farklı beceriler gerektiren çeşitli görevleri yerine getirmesi gereken çok amaçlı robotların eğitimi söz konusu olduğunda, mevcut RL yaklaşımlarının çoğu ideal olmaktan uzaktır.

Bunu akılda tutarak, UC Berkeley'deki bir araştırma ekibi son zamanlarda, robotlara sunulan davranışlarına göre davranışlarını adapte etmeyi öğretmek için kullanılabilecek yeni bir RL yaklaşımı geliştirmiştir. ArXiv'de önceden yayınlanan ve bu yıl Robot Öğrenme Konferansı'nda sunulan bir makalede açıklanan bu yaklaşım, robotların davranışları otomatik olarak ortaya koymalarını ve zaman içerisinde bunları uygulayarak hangilerinin belirli bir ortamda gerçekleştirilebileceğini öğrenmelerini sağlar. Robotlar daha sonra edindikleri bilgileri yeniden değerlendirebilir ve insan kullanıcılarının onlardan tamamlamasını istedikleri yeni görevlere uygulayabilir.

Çalışmayı yapan araştırmacılardan biri olan Ashvin Nair, "Robotun manipülasyonu için verilerin önemli olduğuna ve manipülasyonu genel bir şekilde çözmek için yeterli veriyi elde ettiğine inanıyoruz." Dedi. “Buna kendinden denetimli robot öğrenme diyoruz : Tutarlı keşif verilerini aktif olarak toplayabilen ve yeni beceriler öğrenmek için görevlerde başarılı veya başarısız olup olmadığını kendi başına anlayabilen bir robot .”

Nair ve meslektaşları tarafından geliştirilen yeni yaklaşım , önceki çalışmalarında sunulan hedef odaklı bir RL çerçevesine dayanıyor . Bu önceki çalışmada, araştırmacılar gizli bir alanda hedef belirlemeyi, harici bir ödüllendirme işlevine ya da durum tahminine ihtiyaç duymadan nesneleri itme ya da kapıları doğrudan piksellerden açma gibi beceriler konusunda eğitmek için bir teknik olarak tanıtmışlardır.

Uygulanabilir hedeflerin belirlenmesini gerektiren kendi kendini denetleyen robotik öğrenme için bir yöntem
Araştırmacılar, veri toplama sırasında sabit kalan içeriği dağıtan verilere bağlam koşullu bir VAE eğitimi verdi. Kredi: Nair ve diğ.
“Yeni çalışmamızda genellemeye odaklanıyoruz: Sadece tek bir beceri öğrenmekle kalmayıp aynı zamanda bu beceriyi gerçekleştirirken görsel çeşitliliği de genelleştirmeyi nasıl başarabilirim? Nair dedi. "Yeni durumlara genelleme yeteneğinin daha iyi robotik manipülasyon için anahtar olacağına inanıyoruz."

Bir robotu bireysel olarak birçok beceri üzerine eğitmek yerine, Nair ve meslektaşları tarafından önerilen koşullu hedef belirleme modeli, robot için uygun ve mevcut durumuyla uyumlu belirli hedefler belirlemek için tasarlanmıştır. Temel olarak, geliştirdikleri algoritma, robotun kontrol edemediği şeyleri kontrol edemediği şeylerden ayıran belirli bir gösterimi öğrenir.

Kendi denetimli öğrenme yöntemlerini kullanırken, robot başlangıçta etrafındaki ortamla rasgele etkileşime girerek verileri (yani bir dizi görüntü ve eylem) toplar. Daha sonra, görüntüleri dolaylı olarak nesnelerin konumu gibi bilgileri içeren düşük boyutlu vektörlere dönüştüren bu verilerin sıkıştırılmış bir gösterimini eğitir. Açıkça ne öğrenileceği anlatılmak yerine, bu temsil, sıkıştırma hedefi ile kavramları otomatik olarak anlar.

Nair, “ Öğrenilen gösterimi kullanarak, robot farklı amaçlara ulaşmak için pratik yapıyor ve donatı öğrenmeyi kullanarak bir politika geliştiriyor ” dedi. "Sıkıştırılmış gösterim, bu uygulama aşaması için anahtardır: iki görüntünün ne kadar yakın olduğunu ölçmek için kullanılır, böylece robotun ne zaman başarılı veya başarısız olduğunu anlar ve robotun pratik yapması için hedefleri örneklemek için kullanılır. Test zamanında, daha sonra öğrendiği politikasını uygulayarak bir insan tarafından belirtilen bir hedef imajını eşleştirebilir. "

Araştırmacılar, yaklaşımlarının etkililiğini, yapay bir ajanın MuJuCo simülasyon platformu kullanılarak yaratılmış bir ortamda daha önce görülmeyen nesneleri manipüle ettiği bir dizi deneyde değerlendirdi. İlginç bir şekilde, eğitim yöntemleri robotik aracının otomatik olarak daha sonra yeni durumlar için geçerli olabileceği becerileri kazanmasına izin verdi. Daha spesifik olarak, robot daha önce edindiği manipülasyon stratejilerini, eğitim sırasında karşılaşmamış olan yeni nesnelere genelleyerek, çeşitli nesneleri manipüle edebildi.

Nair, “Biz bu işten iki sonuç hakkında en heyecanlıyız” dedi. “İlk olarak, gerçek dünyadaki nesneleri yaklaşık 20 nesneye itmek için bir politika geliştirebileceğimizi keşfettik, ancak öğrenilen politika aslında başka nesneleri de zorlayabilir. Bu genelleme türü, derin öğrenme yöntemlerinin temel vaadidir ve umuyoruz Bu, gelecek çok daha etkileyici genelleme biçimlerinin başlangıcıdır. ”

Dikkat çekici bir şekilde, deneylerinde, Nair ve meslektaşları, çevrimiçi olarak büyük miktarda veri toplamak zorunda kalmadan sabit bir etkileşim veri kümesinden bir politika geliştirebildiler. Robotik araştırmalar için veri toplama genellikle çok pahalı olduğundan ve sabit veri kümelerinden gelen becerileri öğrenebilme yaklaşımlarını çok daha pratik hale getirdiğinden, bu önemli bir başarıdır.

Gelecekte, araştırmacılar tarafından geliştirilen kendi kendini denetleyen öğrenme modeli, bireysel olarak geniş bir beceri seti üzerinde eğitim almadan daha geniş çapta çeşitli görevlerle başa çıkabilen robotların geliştirilmesine yardımcı olabilir. Bu arada, Nair ve meslektaşları, benzetilmiş ortamlarda yaklaşımlarını test etmeye devam etmeyi ve bunun yanı sıra daha da geliştirilebilecek yolları araştırmayı planlıyor.