Alerta ao Brasil

 Fonte: Telegram.

            A democracia está sob ataque no Brasil. A Câmara dos Deputados deverá votar em breve o PL 2630/2020, que foi alterado recentemente para incluir mais de 20 artigos completamente novos que nunca foram amplamente debatidos. Veja como esse projeto de lei matará a internet moderna se for aprovado com a redação atual. Caso seja aprovado, empresas como o Telegram podem ter que deixar de prestar serviços no Brasil.

 

Concede Poderes de Censura ao Governo

            Esse projeto de lei permite que o governo limite o que pode ser dito online ao forçar os aplicativos a removerem proativamente fatos ou opiniões que ele considera "inaceitáveis" [1] e suspenda qualquer serviço de internet – sem uma ordem judicial. [2]

 

            Por exemplo, o Ministro da Justiça requisitou recentemente sanções contra o Telegram, alegando que o aplicativo “não respondeu a uma solicitação” – antes mesmo da solicitação ser feita. Se o PL 2630/2020 estivesse em vigor, o governo poderia ter bloqueado imediatamente o aplicativo como “medida preventiva” até que o Telegram provasse que não violou nenhuma lei.

 

Transfere Poderes Judiciais Aos Aplicativos

            Esse projeto de lei torna as plataformas digitais responsáveis por decidir qual conteúdo é “ilegal” em vez dos tribunais – e fornece definições excessivamente amplas de conteúdo ilegal. [3]

 

            Para evitar multas, as plataformas escolherão remover quaisquer opiniões relacionadas a tópicos controversos, especialmente tópicos que não estão alinhados à visão de qualquer governo atualmente no poder, o que coloca a democracia diretamente em risco.

 

Cria um Sistema de Vigilância Permanente

            O projeto de lei exige que as plataformas monitorem as comunicações e informem as autoridades policiais em caso de suspeita de que um crime tenha ocorrido ou possa ocorrer no futuro. [4]

 

            Isso cria um sistema de vigilância permanente, semelhante ao de países com regimes antidemocráticos.

 

É Desnecessário

            O Brasil já possui leis para lidar com as atividades criminosas que esse projeto de lei pretende abranger (incluindo ataques à democracia).

 

            O novo projeto de lei visa burlar essa estrutura legal, permitindo que uma única entidade administrativa regule o discurso sem supervisão judicial independente e prévia. [5]

 

E Mais!

            Isso apenas toca a superfície do motivo pelo qual esse novo projeto de lei é perigoso. É por isso que Google, Meta e outros se uniram para mostrar ao Congresso Nacional do Brasil a razão pela qual o projeto de lei precisa ser reescrito – mas isso não será possível sem a sua ajuda.

 

O Que Você Pode Fazer Para Mudar Isso

            Você pode falar com seu deputado AQUI ou nas redes sociais hoje. Os brasileiros merecem uma internet livre e um futuro livre.

Novo método acelera a recuperação de dados em grandes bancos de dados

Os pesquisadores usaram o aprendizado de máquina para criar funções de hash mais rápidas e eficientes, que são um componente-chave dos bancos de dados.

Uma tela pop-up estilizada tem um ícone de "hash". Muitas outras versões translúcidas da tela se acumulam abaixo, sobre um fundo decorativo.

Pesquisadores do MIT e de outros lugares decidiram usar o aprendizado de máquina para criar melhores funções de hash.

Hashing é uma operação central na maioria dos bancos de dados online, como um catálogo de biblioteca ou um site de comércio eletrônico. Uma função hash gera códigos que determinam diretamente o local onde os dados seriam armazenados. Então, usando esses códigos, fica mais fácil encontrar e recuperar os dados.

No entanto, como as funções hash tradicionais geram códigos aleatoriamente, às vezes duas partes dos dados podem sofrer hash com o mesmo valor. Isso causa colisões — ao pesquisar um item, o usuário aponta para muitos dados com o mesmo valor de hash. Leva muito mais tempo para encontrar o caminho certo, resultando em pesquisas mais lentas e desempenho reduzido.

Certos tipos de funções hash, conhecidas como funções hash perfeitas, são projetadas para colocar os dados de forma a evitar colisões. Mas eles são demorados para serem construídos para cada conjunto de dados e levam mais tempo para serem computados do que as funções de hash tradicionais.

Como o hash é usado em muitos aplicativos, desde indexação de banco de dados até compactação de dados e criptografia, funções de hash rápidas e eficientes são essenciais. Assim, pesquisadores do MIT e de outros lugares decidiram usar o aprendizado de máquina para criar melhores funções de hash.

Eles descobriram que, em certas situações, usar modelos aprendidos em vez de funções de hash tradicionais pode resultar em metade das colisões. Esses modelos aprendidos são criados executando um algoritmo de aprendizado de máquina em um conjunto de dados para capturar características específicas. Os experimentos da equipe também mostraram que os modelos aprendidos eram frequentemente mais eficientes computacionalmente do que as funções hash perfeitas.

“O que descobrimos neste trabalho é que em algumas situações podemos chegar a um melhor tradeoff entre o cálculo da função hash e as colisões que enfrentaremos. Nessas situações, o tempo de computação da função hash pode ser aumentado um pouco, mas ao mesmo tempo suas colisões podem ser reduzidas de forma muito significativa”, diz Ibrahim Sabek, pós-doutorando no MIT Data Systems Group of the Computer Science and Artificial Intelligence Laboratório (CSAIL).

Sua pesquisa, que será apresentada na Conferência Internacional de Bancos de Dados Muito Grandes de 2023, demonstra como uma função de hash pode ser projetada para acelerar significativamente as pesquisas em um banco de dados enorme. Por exemplo, sua técnica pode acelerar sistemas computacionais que os cientistas usam para armazenar e analisar DNA, sequências de aminoácidos ou outras informações biológicas.

Sabek é o co-autor principal do artigo com Kapil Vaidya, aluno de pós-graduação do Departamento de Engenharia Elétrica e Ciência da Computação (EECS). Eles são acompanhados por co-autores Dominick Horn, um estudante de pós-graduação na Universidade Técnica de Munique; Andreas Kipf, pós-doutorado do MIT; Michael Mitzenmacher, professor de ciência da computação na Harvard John A. Paulson School of Engineering and Applied Sciences; e o autor sênior Tim Kraska, professor associado da EECS no MIT e codiretor do Data, Systems, and AI Lab.

Fazendo hash

Dada uma entrada de dados, ou chave, uma função hash tradicional gera um número aleatório, ou código, que corresponde ao slot onde essa chave será armazenada. Para usar um exemplo simples, se houver 10 chaves a serem colocadas em 10 slots, a função gerará um número inteiro entre 1 e 10 para cada entrada. É altamente provável que duas chaves acabem no mesmo slot, causando colisões.

Funções de hash perfeitas fornecem uma alternativa livre de colisão. Os pesquisadores fornecem à função algum conhecimento extra, como o número de slots nos quais os dados devem ser colocados. Em seguida, ele pode realizar cálculos adicionais para descobrir onde colocar cada chave para evitar colisões. No entanto, esses cálculos adicionados tornam a função mais difícil de criar e menos eficiente.

“Estávamos nos perguntando, se soubermos mais sobre os dados – que virão de uma distribuição específica – podemos usar modelos aprendidos para criar uma função de hash que pode realmente reduzir as colisões?” diz Vaidya.

Uma distribuição de dados mostra todos os valores possíveis em um conjunto de dados e com que frequência cada valor ocorre. A distribuição pode ser usada para calcular a probabilidade de um determinado valor estar em uma amostra de dados.

Os pesquisadores pegaram uma pequena amostra de um conjunto de dados e usaram o aprendizado de máquina para aproximar a forma da distribuição dos dados ou como os dados são espalhados. O modelo aprendido então usa a aproximação para prever a localização de uma chave no conjunto de dados.

Eles descobriram que modelos aprendidos eram mais fáceis de construir e mais rápidos de executar do que funções hash perfeitas e que levavam a menos do que as funções de hash tradicionais se os dados forem distribuídos de maneira previsível. Mas se os dados não forem distribuídos de forma previsível porque as lacunas entre os pontos de dados variam muito, o uso de modelos aprendidos pode causar mais colisões.

“Podemos ter um grande número de entradas de dados, e as lacunas entre entradas consecutivas são muito diferentes, portanto, aprender um modelo para capturar a distribuição de dados dessas entradas é bastante difícil”, explica Sabek.

Menos colisões, resultados mais rápidos

Quando os dados eram distribuídos de forma previsível, os modelos aprendidos podiam reduzir a proporção de chaves em colisão em um conjunto de dados de 30% para 15%, em comparação com as funções de hash tradicionais. Eles também foram capazes de obter uma taxa de transferência melhor do que as funções hash perfeitas. Nos melhores casos, os modelos aprendidos reduziram o tempo de execução em quase 30%.

À medida que exploravam o uso de modelos aprendidos para hash, os pesquisadores também descobriram que a taxa de transferência era mais afetada pelo número de submodelos. Cada modelo aprendido é composto por modelos lineares menores que aproximam a distribuição de dados para diferentes partes dos dados. Com mais submodelos, o modelo aprendido produz uma aproximação mais precisa, mas leva mais tempo.

“Em um determinado limite de submodelos, você obtém informações suficientes para construir a aproximação necessária para a função hash. Mas depois disso, não levará a mais melhorias na redução de colisões”, diz Sabek.

Com base nessa análise, os pesquisadores querem usar modelos aprendidos para projetar funções de hash para outros tipos de dados. Eles também planejam explorar o hashing aprendido para bancos de dados nos quais os dados podem ser inseridos ou excluídos. Quando os dados são atualizados dessa maneira, o modelo precisa mudar de acordo, mas alterar o modelo mantendo a precisão é um problema difícil.

“Queremos encorajar a comunidade a usar o aprendizado de máquina dentro de estruturas de dados e algoritmos mais fundamentais. Qualquer tipo de estrutura de dados central nos apresenta uma oportunidade de usar aprendizado de máquina para capturar propriedades de dados e obter melhor desempenho. Ainda há muito que podemos explorar”, diz Sabek.

“As funções de hashing e indexação são essenciais para muitas funcionalidades do banco de dados. Dada a variedade de usuários e casos de uso, não há um tamanho único para todos os hashing, e os modelos aprendidos ajudam a adaptar o banco de dados a um usuário específico. Este artigo é uma excelente análise equilibrada da viabilidade dessas novas técnicas e faz um bom trabalho ao falar rigorosamente sobre os prós e contras, e nos ajuda a entender quando esses métodos podem funcionar bem”, diz Murali Narayanaswamy, um dos principais cientistas de aprendizado de máquina da Amazon, que não estava envolvido com este trabalho. “Explorar esses tipos de aprimoramentos é uma área empolgante de pesquisa tanto na academia quanto na indústria, e o tipo de rigor demonstrado neste trabalho é fundamental para que esses métodos tenham grande impacto”.

Este trabalho foi financiado, em parte, pelo Google, Intel, Microsoft, Fundação Nacional de Ciências dos EUA, Laboratório de Pesquisa da Força Aérea dos EUA e Acelerador de Inteligência Artificial da Força Aérea dos EUA.

Fonte: https://news.mit.edu/

Dispositivos giratórios impressos em 3D podem sentir como estão se movendo

Um novo sistema permite que os fabricantes incorporem sensores em engrenagens e outros mecanismos de rotação com apenas uma passagem em uma impressora 3D.

Um mecanismo rotacional, que possui um capacitor flutuante laranja dentro dele, paira sobre uma folha quadrada com um sensor laranja.

Legenda:Pesquisadores do MIT criaram um sistema que permite aos fabricantes incorporar sensores diretamente em mecanismos rotacionais com apenas uma passagem em uma impressora 3D. Isso dá aos mecanismos rotacionais, como as engrenagens dentro de um motor, a capacidade de detectar sua posição angular, velocidade de rotação e direção de rotação.

Créditos:Crédito: Cortesia dos pesquisadores. Editado por MIT News

As renderizações são mostradas da esquerda para a direita: uma roda azul renderizada em 3D rotulada como “a face seletiva”; o capacitor flutuante circular com partes laranja rotuladas como “partes condutoras”; uma visão de traços de desenho em um programa 3D; e uma inserção destaca a geometria cilíndrica gerada nas partes condutivas laranja.

Legenda: Os pesquisadores construíram um plug-in para o software de design auxiliado por computador SolidWorks que integra automaticamente os sensores em um modelo do mecanismo, que pode ser enviado diretamente para a impressora 3D para fabricação. Aqui, eles usaram o sistema para projetar uma roda que mede a distância enquanto rola por uma superfície.

Créditos: Cortesia dos pesquisadores. Editado por MIT News

A integração de sensores em mecanismos de rotação pode permitir que os engenheiros construam dobradiças inteligentes que saibam quando uma porta foi aberta, ou engrenagens dentro de um motor que informam a um mecânico a velocidade com que estão girando. Os engenheiros do MIT desenvolveram agora uma maneira de integrar facilmente sensores a esses tipos de mecanismos, com impressão 3D.

Embora os avanços na impressão 3D permitam a fabricação rápida de mecanismos rotacionais, a integração de sensores aos projetos ainda é notoriamente difícil. Devido à complexidade das peças rotativas, os sensores normalmente são incorporados manualmente, após o dispositivo já ter sido produzido.

No entanto, a integração manual de sensores não é uma tarefa fácil. Incorpore-os dentro de um dispositivo e os fios podem ficar emaranhados nas partes rotativas ou obstruir suas rotações, mas a montagem de sensores externos aumentaria o tamanho de um mecanismo e potencialmente limitaria seu movimento.

Em vez disso, o novo sistema que os pesquisadores do MIT desenvolveram permite que um fabricante imprima sensores em 3D diretamente nas partes móveis de um mecanismo usando filamento de impressão 3D condutor. Isso dá aos dispositivos a capacidade de detectar sua posição angular, velocidade de rotação e direção de rotação.

Com seu sistema, chamado MechSense, um fabricante pode fabricar mecanismos rotacionais com sensores integrados em apenas uma passagem usando uma impressora 3D multimaterial. Esses tipos de impressoras utilizam vários materiais ao mesmo tempo para fabricar um dispositivo.

Para agilizar o processo de fabricação, os pesquisadores construíram um plug-in para o software de design assistido por computador SolidWorks, que integra automaticamente os sensores em um modelo do mecanismo, que pode ser enviado diretamente para a impressora 3D para fabricação.

O MechSense pode permitir que os engenheiros prototipem rapidamente dispositivos com peças rotativas, como turbinas ou motores, incorporando a detecção diretamente nos projetos. Pode ser especialmente útil na criação de interfaces de usuário tangíveis para ambientes de realidade aumentada, onde a detecção é crítica para rastrear os movimentos de um usuário e a interação com objetos.

“Grande parte da pesquisa que fazemos em nosso laboratório envolve pegar métodos de fabricação que fábricas ou instituições especializadas criam e torná-los acessíveis para as pessoas. A impressão 3D é uma ferramenta que muitas pessoas podem ter em suas casas. Então, como podemos fornecer ao fabricante médio as ferramentas necessárias para desenvolver esses tipos de mecanismos interativos? No final das contas, toda essa pesquisa gira em torno desse objetivo”, diz Marwa AlAlawi, estudante de graduação em engenharia mecânica e principal autora de um artigo sobre o MechSense.

Os coautores de AlAlawi incluem Michael Wessely, ex-pós-doutorado no Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT, que agora é professor assistente na Universidade de Aarhus; e a autora sênior Stefanie Mueller, professora associada nos departamentos de Engenharia Elétrica e Ciência da Computação e Engenharia Mecânica do MIT e membro do CSAIL; bem como outros no MIT e colaboradores da Accenture Labs. A pesquisa será apresentada na Conferência ACM CHI sobre Fatores Humanos em Sistemas de Computação.

Para incorporar sensores em um mecanismo rotacional de forma a não interromper o movimento do dispositivo, os pesquisadores aproveitaram a detecção capacitiva.

O sensor ativo pode detectar mudanças resultantes no campo elétrico entre as placas. Essa informação poderia então ser usada para calcular a velocidade, por exemplo.

“Na detecção capacitiva, você não precisa necessariamente ter contato entre as duas placas condutoras opostas para monitorar mudanças naquele sensor específico. Aproveitamos isso para o design do nosso sensor”, diz AlAlawi.

Os mecanismos rotacionais geralmente consistem em um elemento rotacional localizado acima, abaixo ou próximo a um elemento estacionário, como uma engrenagem girando em um eixo estático acima de uma superfície plana. A engrenagem giratória é o elemento rotacional e a superfície plana abaixo dela é o elemento estacionário.

O sensor MechSense inclui três patches feitos de material condutivo que são impressos na placa estacionária, com cada patch separado de seus vizinhos por material não condutivo. Um quarto patch de material condutor, que tem a mesma área que os outros três patches, é impresso na placa rotativa.

À medida que o dispositivo gira, o patch na placa rotativa, chamado de capacitor flutuante, sobrepõe cada um dos patches na placa estacionária por sua vez. À medida que a sobreposição entre o patch rotativo e cada patch estacionário muda (de completamente coberto, para meio coberto, para não coberto), cada patch detecta individualmente a mudança resultante na capacitância.

O capacitor flutuante não está conectado a nenhum circuito, então os fios não ficarão emaranhados com os componentes rotativos.

Em vez disso, os patches estacionários são conectados a eletrônicos que usam software que os pesquisadores desenvolveram para converter dados brutos do sensor em estimativas de posição angular, direção de rotação e velocidade de rotação.

Ativando a prototipagem rápida

Para simplificar o processo de integração do sensor para um usuário, os pesquisadores construíram uma extensão do SolidWorks. Um fabricante especifica as partes rotativas e estacionárias de seu mecanismo, bem como o centro de rotação e, em seguida, o sistema adiciona automaticamente patches de sensor ao modelo.

“Isso não muda em nada o design. Ele apenas substitui parte do dispositivo por um material diferente, neste caso material condutor”, diz AlAlawi.

Os pesquisadores usaram seu sistema para prototipar vários dispositivos, incluindo uma lâmpada de mesa inteligente que muda a cor e o brilho de sua luz dependendo de como o usuário gira a parte inferior ou central da lâmpada. Eles também produziram uma caixa de engrenagens planetárias, como as usadas em braços robóticos, e uma roda que mede a distância ao rolar sobre uma superfície.

Enquanto prototipavam, a equipe também realizou experimentos técnicos para ajustar o design do sensor. Eles descobriram que, à medida que reduziam o tamanho dos patches, a quantidade de erro nos dados do sensor aumentava.

“Em um esforço para gerar dispositivos eletrônicos com muito pouco lixo eletrônico, queremos dispositivos com pegadas menores que ainda possam funcionar bem. Se adotarmos nossa mesma abordagem e talvez usarmos um material ou processo de fabricação diferente, acho que podemos reduzir a escala enquanto acumulamos menos erros usando a mesma geometria”, diz ela.

Além de testar diferentes materiais, AlAlawi e seus colaboradores planejam explorar como podem aumentar a robustez de seu design de sensor para ruído externo e também desenvolver sensores imprimíveis para outros tipos de mecanismos móveis.

Esta pesquisa foi financiada, em parte, pela Accenture Labs.

Fonte: https://news.mit.edu/

Digitalização na mineração

“A digitalização é a resposta para muitos dos desafios enfrentados pelo setor”, afirma Riku Pulli, presidente da divisão Digital Mining Technologies da Sandvik. “No campo da conectividade digital e automação, a Sandvik está em uma posição muito boa.”

A Deswik é fornecedora de software de planejamento de minas.

Isso faz da Sandvik a primeira empresa a oferecer uma solução digital completa de ponta a ponta, o que nos torna únicos no mercado.

Um número crescente de minas já incorporou o uso do OptiMine®, um conjunto abrangente de soluções digitais para analisar e otimizar a produção de mineração e os processos subterrâneos. Por vários anos, as minas em todo o mundo usaram equipamentos de mineração totalmente autônomos da Sandvik, como caminhões subterrâneos e carregadeiras. O primeiro sistema de automação AutoMine® foi desenvolvido e entregue em 2004. Para ajudar a indústria a obter os benefícios da digitalização, a Sandvik está continuamente atualizando suas ofertas. Um novo produto empolgante a ser lançado em 2022 é um sistema de prevenção de colisões desenvolvido pela unidade de negócios Newtrax. A aquisição da empresa de software australiana Deswik, fornecedora de primeira linha de software de planejamento de minas, apoia a digitalização em toda a cadeia de valor da mineração.

“Isso torna a Sandvik a primeira empresa a oferecer uma solução digital completa de ponta a ponta, o que nos torna únicos no mercado”, diz Pulli. “Podemos oferecer uma plataforma que vai desde o planejamento da mina até a execução e vice-versa.”

Otimizando a operação

Fechar o ciclo é de grande importância, pois todos os dados coletados nas operações de mineração podem ser usados para melhorar o planejamento e otimizar toda a operação.

“Esses novos recursos também nos ajudarão a construir e desenvolver produtos e soluções ainda melhores para ajudar nossos clientes a projetar minas otimizadas, por exemplo, para automação e eletrificação – uma megatendência no setor e o caminho para operações mais sustentáveis”, diz Pulli .

Todas as minas são diferentes, porém, e o grau de maturidade varia muito. “Diferentes minas têm necessidades diferentes e seus objetivos de curto prazo podem variar”, diz Pulli. “Acredito que temos o portfólio mais completo do mercado, com soluções para empresas em todos os níveis de maturidade.”

Para muitos, o primeiro passo digital é usar o My Sandvik, uma oferta de serviço que permite aos clientes conectar seus equipamentos a serviços de monitoramento remoto para manutenção preventiva e evitar paradas inesperadas. O My Sandvik não requer grandes mudanças na maneira como os clientes operam suas minas e equipamentos, explica Pulli, mas ainda fornece ferramentas muito poderosas para obter mais da frota.

“Combinado com os sistemas de processo de mineração OptiMine™ e AutoMine™”, diz ele, “esse recurso transforma toda a operação de mineração em digital e a torna mais segura, totalmente transparente e muito mais produtiva”.

Fonte: https://www.home.sandvik/