2018. 06. 24. - 18:38

Okos konnektort épített az MIT

Okos konnektort épített az MIT

A mai konnektorok sokkal biztonságosabbak, mint amilyennek látszanak. Nézzük például az áramköri megszakítókat (AFCI): ezek olyan érzékelők a falakban, melyek megszakítják az áramkört, ha veszélyesnek ítélnek egy szikrát. Ezekkel a legnagyobb baj, hogy túlérzékenyek, sokszor szükségtelenül kapcsolják le a használteszközt (például porszívót vagy klímát) a hálózatról.

Ha hibázik a szerkezet, jobb esetben olyankor is lekapcsolja az áramot, amikor veszélyesnek ítél meg egy ártalmatlan szikrát. Rosszabb esetben azonban nem szakítja meg az áramkört, amikor egy veszélyes szikrát érzékel rosszul. Míg az előbbi esetben a hiba csak bosszankodást okoz, az utóbbi esetben akár lakástűzhöz, vagy súlyos áramütéshez vezethet. Az MIT kutatói a hibaszázalék csökkentése érdekében a mesterséges intelligenciát hívták segítségül.


A kutatók szétszedtek egy hagyományos AFCI-t, melyből kiderült, hogy azok a szerkezetek mindössze egy kis mikrokontrolleren futó, egyszerű algoritmus alapján próbálják jól felmérni a szikrák veszélyességét. Ezt az elemet cserélték ki egy jóval okosabb, szélesebb körben alkalmazható Raspberry Pi névre hallgató mikrokomputerre. Ez a kis szerkezet képes olyan MI programot futtatni, mely felismeri és megtanulja a különböző szerkezetek hálózati ujjlenyomatait.


„Ujjlenyomatokat kreáltunk, melyekről feljegyeztük, hogy milyen szerkezethez tartoznak, illetve, hogy jók-e vagy rosszak. Vannak jó ujjlenyomatok és vannak olyanok is, amik leégetik a házadat. A rövidtávú célunk, hogy megtaláljuk, mi égeti le a házad és mi nem, illetve hosszabb távon, hogy egyedi elektronikai mintája alapján felismerje a szerkezet, amit a konnektorba dugtak” – mondta a kutató Joshua Siegel az MIT News-nak.


Az ujjlenyomatok feltérképezését egy USB-vel csatlakoztatott hangkártya segíti. Bár elsőre furcsának hathat a döntés, de a hangkártyák kis jeleket olvasnak nagy mintavételezési sebességgel és itt pont erre van szükség. Sőt, a hangkártyák beépített analóg-digitális átalakítóval és memóriával rendelkeznek, mely által a Raspberry valós időben tudja elemezni a hálózati jeleket.


A tesztelés során az MIT fejlesztése 99,95%-os pontossággal találta el, hogy le kell-e kapcsolni a szerkezet áramellátását, ami csak egy kicsivel jobb, mint az általánosan elterjedt AFCI-k teljesítménye. Igazi erőssége az eszközfelismerésben rejlik. Két hálózatra kapcsolt szerkezetet (például egy ventilátort és egy iMac-et) 95,61%-os sikerrel különböztet meg. Ez a sikerszázalék folyamatosan nő, ahogy az MI egyre bővíti az általa ismert szerkezetek adatbázisát. Tehát ami a gépi tanulás legfontosabb jellemzője itt is felbukkan: minél többen és többször használják az eszközt, az annál jobban fog működni.

 

Dugasz Ádám

Hírlevél feliratkozás

Kérjük, add meg adataidat a hírlevélre történő feliratkozáshoz! A megadott adatokat bizalmasan kezeljük, azokat harmadik félnek át nem adjuk.

 

gyulai_vafurdo

profight_banner.