2 مه 2023 -توسط دانشگاه میسوری -این شبیه سازی ترن هوایی در واقعیت مجازی توسط Khaza Anuarul Hoque و تیمی از محققان برای شبیه سازی و تشخیص بیماری سایبری استفاده شده است.
قرار گرفتن در معرض یک محیط واقعیت افزوده (AR) یا واقعیت مجازی (VR) می تواند باعث شود افراد دچار بیماری سایبری شوند – نوع خاصی از بیماری حرکتی با علائمی از سرگیجه تا حالت تهوع – و تحقیقات موجود برای کاهش شدت علائم اغلب به رویکرد یک اندازه مناسب برای همه دنبال می شود.
با این حال، خزا انوارالحوک، استادیار دپارتمان مهندسی برق و علوم کامپیوتر در دانشگاه میسوری، و تیمی از محققان در حال کار بر روی ایجاد یک رویکرد شخصی برای شناسایی بیماری سایبری با تمرکز بر علل ریشه ای هستند که می تواند برای هر فرد متفاوت باشد.
Hoque که همچنین مدیر آزمایشگاه سیستم‌های فیزیکی قابل اعتماد سایبری در MU است، گفت: «بیماری سایبری عمومی نیست. برای مثال، یک شبیه‌سازی می‌تواند باعث بیماری سایبری در من شود در حالی که همان شبیه‌سازی ممکن است برای شخص دیگری باعث بیماری سایبری نشود.
یکی از مشکلاتی که افراد معمولاً هنگام استفاده از هدست های واقعیت مجازی یا واقعیت افزوده با آن مواجه می شوند این است که تجربه کاربری ممکن است پس از مدتی بد شود، از جمله علائم تهوع و استفراغ، به خصوص اگر کاربر در یک محیط مجازی غوطه ور شود که در آن حرکات زیادی وجود دارد. می تواند به عوامل زیادی از جمله جنسیت، سن و تجربه فرد بستگی داشته باشد.
هوک گفت که او می‌خواهد با استفاده از هوش مصنوعی قابل توضیح بر روی یک زاویه جدید تمرکز کند، زیرا پتانسیل تغییر صنعت AR و VR را دارد.
هوک می‌گوید: «هوش مصنوعی توضیح‌پذیر ابزاری عالی برای کمک به این امر است، زیرا معمولاً الگوریتم‌های یادگیری ماشینی یا یادگیری عمیق می‌توانند پیش‌بینی و تصمیم را به شما بگویند، در حالی که هوش مصنوعی توضیح‌پذیر نیز می‌تواند به کاربر بگوید هوش مصنوعی چگونه و چرا این تصمیم را گرفته است». “بنابراین، به جای تحمیل یک تکنیک کاهش ثابت برای همه کاربران، اگر بدانیم چرا یک فرد خاص در حال ابتلا به بیماری سایبری است و به آن فرد تخفیف مناسبی که نیاز دارد بدهیم، موثرتر خواهد بود. هوش مصنوعی قابل توضیح می تواند به ما کمک کند تا این کار را بدون مانع شدن تجربه ی کاربر انجام دهیم..”
هوک علاوه بر تماشای تجربه بیماری سایبری توسط دانش‌آموزان خود، متوجه رویکردهای آکادمیک و صنعتی برای شناسایی بیماری سایبری در پنج تا هفت سال گذشته شد که اغلب بر تکنیک‌های مبتنی بر داده‌ها مانند یادگیری ماشین (ML) و یادگیری عمیق (DL) متمرکز شده‌اند.
هوک گفت: «این گونه رویکردها اغلب «جعبه سیاه» هستند و بنابراین، فاقد قابلیت توضیح هستند. “همچنین متوجه شدم که قابلیت توضیح مدل‌های بیماری سایبری DL می‌تواند به طور قابل توجهی درک مدل را بهبود بخشد و بینشی را در مورد چرایی و چگونگی رسیدن این مدل‌های هوش مصنوعی به یک تصمیم خاص ارائه دهد. ما می‌توانیم به طراحان کمک کنیم تا مدل‌های تشخیص بیماری سایبری مؤثرتری ایجاد کنند.”
هوک گفت هوش مصنوعی قابل توضیح همچنین می‌تواند به توسعه‌دهندگان نرم‌افزار کمک کند تا مهم‌ترین ویژگی‌های مورد نیاز برای بهینه‌سازی مدل آموزش هوش مصنوعی را در شناسایی فردی که دچار بیماری سایبری شده است، شناسایی کنند. این امر به ویژه برای کاربرانی که از هدست های VR مستقل استفاده می کنند بسیار مهم است.
هوک گفت: «من با گروه‌های مختلف مردم و کشورهای مختلف صحبت کرده‌ام و کار کرده‌ام و این واقعاً به من کمک کرد تا به یک مشکل، اما از زوایای مختلف نگاه کنم». “من فکر می کنم برای هر محققی بسیار مهم است که به یک مسئله فقط از یک منظر نگاه نکند، بلکه از منظرهای متعدد نگاه کند.”
