MI-X може да създава машинно четим изход във формат JSON или CSV. Освен новите актуализации, компанията предлага поддръжка за Windows за уязвимостите Heartbleed и SpookySSL. 

MI-X дава възможност за използване на инструмент с интерфейс на командния ред (CLI) за идентифициране и установяване на възможността за експлоатиране на повече от 20 добре познати общи уязвимости и експозиции (CVE).

Цялата новина може да прочетете на международното издание DevStyleR.IO – Rezilion Updates MI-X for Better Application Development Protection

“Надяваме се, че нашата работа ще помогне на другите да разберат по-добре колко голям е неотдавнашният напредък в ML, обусловен от увеличаването на мащаба и ще подобри прогнозите ни за развитието на усъвършенствани ML системи.”

Анализът е представен в статия, публикувана в arXiv. Наборът от данни съдържа три пъти повече модели в сравнение с предишни опити и обхваща забележителни ML модели, които са допринесли за напредъка на техниката. Целта на изследването е да се помогне за прогнозиране на напредъка на ML, като се използва търсенето на изчисления за обучение като показател. Екипът идентифицира три различни епохи в ML, наречени “ера преди дълбокото обучение”, “ера на дълбокото обучение” и “ера на големите мащаби”. Изчислени са също така и тенденциите за удвояване (подобно на закона на Мур) за всяка ера: съответно около 21 месеца, 6 месеца и 10 месеца.

“Нашата идея дойде от това как човешкият мозък обработва информация”, казва Ксиадонг Чен, един от изследователите работили по проекта. “В човешкия мозък процесите като мислене, планиране и вдъхновение, не зависят само от конкретна сетивна информация, а се активират от цялостна мултисензорна информация, достигаща до мозъка. Това ни вдъхнови да комбинираме визуална информация и соматосензорна информация за прилагане на изключително прецизно разпознаване на жестове.”

При разработването на техниката им за разпознаване на човешки жестове, Чен и неговите колеги гарантират, че тя може да интегрира различни видове информация, събрана от множество сензори.

„За да постигнем целта си, подобрихме качеството на събраните данни, като проектирахме и изработихме разтегливи и съвместими сензори, които могат да събират по-точни соматосензорни данни от жестове на ръка, в сравнение с  досегашните“, казва Чен. “В допълнение, разработихме вдъхновена от биологията, соматосензорно-визуална архитектура за обучение, която може рационално да обедини визуалната и соматосензорна информация, наподобяваща йерархията при синтеза на информацията в мозъка.”

Това се случва по няколко начина:  чрез имитация на мозъчната структура, съставена от изкуствени невронни мрежи вместо биологични; обработка на модални сензорни данни, например обработка на визуална информация, която се извършва в части от човешкия мозък, отговорни за зрението и други.

Според първоначалните оценки иновативната архитектурата за машинно самообучение (Machine Learning – бел. ред.), разработена от Чен и неговите колеги, превъзхожда предишните модели за едномодално разпознаване (т.е. подходи, които обработват само визуални или соматосензорни данни, вместо да разглеждат и двете).

Вдъхновената от мозъка архитектура, разработена от този екип, в крайна сметка може да бъде въведена в реални условия. Например, може да се използва за разработване на здравни роботи, които могат да четат езика на тялото на пациента, или може да помогне за създаването на по-модерна виртуална реалност (VR), разширена реалност (AR) и развлекателни технологии.