آزمایش A/B یک آزمایش است که در آن یک کاربر تصادفی پلتفرم تجارت الکترونیکی، به دو نسخه از یک متغیر داده می‌شود: یک گروه کنترل و یک گروه درمان، برای کشف نسخه بهینه که بهبود تبدیل را بیشینه می‌کند. هنگام اجرای آزمایش A/B، می‌توانید از رویکرد بهینه‌سازی Multi-Armed Bandit استفاده کنید تا کاهش تبدیل به علت عملکرد پایین را کمینه کنید.

در فرآیند سنتی توسعه نرم افزار، آزمایش Multi-Armed Bandit (MAB) و راه‌اندازی یک ویژگی جدید معمولاً فرآیندهای جداگانه‌ای هستند. نوآوری Multi-Armed Bandit System for Recommendation، در ادامه به عنوان بهینه‌ساز Multi-Armed Bandit Optimiser، پیشنهاد می‌دهد آزمایش Multi-Armed Bandit را به طور همزمان با راه‌اندازی ویژگی جدید به صورت خودکار انجام دهد.

فرآیند آزمایش MAB را در زمان راه‌اندازی ویژگی جدید خودکار می‌کند.پارامترهای بهینه را بر اساس معیارهای پیش‌تعیین‌شده هر حالت استفاده می‌کند که منجر به یک راه حل پایان به پایان بدون نیاز به مداخله کاربر می‌شود.از روش های Batched Multi-Armed Bandit و Monte Carlo شبیه سازی استفاده می‌کند که به او امکان می‌دهد سناریوهای کسب و کار بزرگ را پردازش کند.از یک حلقه بازخورد برای جمع آوری خودکار معیارهای توصیه از لاگ های رویداد کاربر و تغذیه آنها به بهینه‌ساز Multi-Armed Bandit استفاده می‌کند.از یک روش راه اندازی تطبیقی برای به صورت خودکار راه اندازی بهترین مدل با ظرفیت توزیع حداکثر به توزیع بازخورد معیارها استفاده می‌کند.

سیستم پردازش جریان یک سیستم سبک است که عملیات پایه‌ای را در جریان‌های Kafka انجام می‌دهد مانند انگلوماسیون، فیلترینگ و نگاشت. راه حل پیشنهادی بر این چارچوب تکیه دارد تا رویدادهای خامی که توسط برنامه‌های تلفن همراه و پردازش‌های پشتیبانی به صورت خروجی‌های مربوط به نورد وارد شده است را به فرمت مناسبی که می‌تواند به حلقه بازخورد تغذیه شود، پیش پردازش کند.

یک سیستم که معیارهای هدف را محاسبه کرده و توزیع ترافیک مدل را بهینه می‌کند. یک سرور معیارها را اجرا کرده که داده را از Stalker دریافت می‌کند که یک پایگاه داده سری زمانی است که رویدادهای پردازش شده را در یک ساعت گذشته ذخیره می‌کند. سرور معیارها به صورت دوره‌ای یک Spark Job را فراخوانی می‌کند تا کوئری‌های SQL را اجرا کند که معیارهای هدف از پیش تعیین شده را محاسبه می‌کند: نرخ کلیک، نرخ تبدیل و غیره که توسط کاربران ارائه می‌شود. خروجی کار در یک کیسه S3 دمپ شده و توسط runtime بهینه ساز برداشت می‌شود. این بهینه ساز Multi-Armed Bandit را اجرا می‌کند تا توزیع ترافیک مدل را بر اساس معیارهای هدف آخرین به روز رسانی بهینه سازی کند.

با روش شبیه سازی Monte-Carlo، به مدت بارهایی تکراری برای پیدا کردن بهترین بازو در پنجره شبیه سازی پیاده سازی می‌شود. سپس، نتایج شبیه سازی به عنوان درصدهای توزیع هر بازو در دور بعدی استفاده می‌شود.

معرفی

در سال 2022، مجله زیبایی و درمانی آذروت توانایی خودکفایی در خدمات جغرافیایی خود را کسب کرد. این انتقال، گامی حیاتی به سوی استفاده از نقشه‌ای که داخلی‌سازی شده و ویژه بازاری است که مجله زیبایی و درمانی آذروت در آن فعالیت می‌کند، بود. اکنون که ما کنترل کامل بر لایه نقشه داریم، می‌توانیم اطلاعات بیشتری به آن اضافه کنیم یا آن را براساس نیازهای سرویس‌هایی که بر روی آن اجرا می‌شوند، بهبود بخشیم. یکی از جنبه‌های کلیدی که این انتقال برای ما به تحقق رساندند، امکان ایجاد داده‌های فوقمحلی در سطح نقشه بود.

به عنوان مثال، با تعیین کشوری که یک جاده در آن قرار دارد، می‌توانیم به طور خودکار زبان رسمی آن کشور را استنتاج کرده و نام خیابان را به آن زبان نشان دهیم. در مثال دیگر، با دانستن کشوری که یک جاده در آن قرار دارد، می‌توانیم به طور خودکار به سمت رانندگی (چپ یا راست) استنتاج ببریم که بهبود تجربه راهبری را به همراه دارد. علاوه بر این، این قابلیت به ما این امکان را می‌دهد که به طور کارآمدی با سناریوهای مختلف برخورد کنیم. به عنوان مثال، اگر بدانیم یک جاده قسمتی از یک همکلانی محافظت‌شده است، منطقه‌ای که در آن رانندگان ما با محدودیت دسترسی مواجه می‌شوند، می‌توانیم عبور از آن منطقه را ممنوع کنیم.

این تنها چند مثالی از امکاناتی است که از داشتن کنترل کامل بر لایه نقشه به دست می‌آید. با داشتن نقشه داخلی، ما می‌توانیم نقشه‌هایمان را با بازارهای خاصی هماهنگ کنیم و تجربه بهتری برای رانندگان همکار و مشتریانمان فراهم کنیم.

زمینه

برای این همه چیز قابلیت دارد، ابتدا باید جاده‌ها را درون نقشه محلی کنیم. هدف ما این بود که داده‌های فوقمحلی را در نقشه قرار دهیم، که به داده‌هایی اشاره دارد که ویژه یک منطقه خاص مانند یک کشور، شهر یا حتی یک بخش کوچکتر از شهر مانند یک همکلانی محافظت‌شده مربوط می‌شود. در عین حال، هدف ما این بود که نقشه را به فراوانی بروز کنیم، بنابراین باید راهی مناسب برای پردازش این مقدار بزرگ از داده‌ها را پیدا کنیم و در عین حال هزینه‌ای مقرون به صرفه داشته باشیم.

روش

در قسمت‌های زیر مقاله، ما از بخشی از نقشه آسیای جنوب شرقی برای ارائه تصاویری از مفاهیم مورد بحث استفاده خواهیم کرد.

در شکل 1، تصویر 1، نمایشی از شبکه جاده، جاده‌های متعلق به این منطقه، آورده شده است. خطوط رنگی در تصویر 2 مرزها را که کشورها را در همان منطقه شناسایی می‌کنند نشان می‌دهند. با ترکیب اطلاعات از تصویر 1 و تصویر 2، می‌توانیم استنتاج کنیم که سطح کلی که درون یک مرز مشخص قرار گرفته است می‌تواند همان مجموعه ویژگی‌های مشترک را که در تصویر 3 نشان داده شده است، داشته باشد. در تصویر 4، سپس با اضافه کردن جاده‌های فوقمحلی برای هر منطقه ادامه می‌دهیم.

برای این کار، باید راهی برای محلی‌سازی هر جاده و شناسایی کشور مرتبط با آن پیدا کنیم. پس از اتمام این عملیات محلی‌سازی، می‌توانیم همه این اطلاعات ویژه مرز مورد نظر را بر روی هر جاده به طور جداگانه تکرار کنیم. این اطلاعات شامل جزئیاتی مانند نام کشور، سمت رانندگی و زبان رسمی است. ما می‌توانیم حتی بیشتر اطلاعاتی را استنتاج ببریم و داده‌های فوقمحلی را اضافه کنیم. به عنوان مثال، در ویتنام، می‌توانیم به طور خودکار از ورود موتورسیکلت به محورهای جاده‌ای جلوگیری کنیم.

تخصیص هر جاده در نقشه به یک منطقه خاص، مانند یک کشور، منطقه خدمات یا زیربخش، یک وظیفه پیچیده است. پس چگونه می‌توانیم این کار را به طور کارآمد انجام دهیم؟

پیاده‌سازی

روشی ساده‌تر برای تست شامل شدن هر جاده در هر محدوده به حدود یافتن است. اما این کار آسان‌تر گفته شده از آن است. با نزدیک به 30 میلیون بخش جاده در نقشه آسیای جنوب شرقی و بیش از 10 هزار منطقه، هزینه محاسباتی تعیین شامل شدن یا تلاقی بین یک چندضلعی و یک چندضلعی گران است.

راه‌حل ما برای این چالش شامل جایگزین کردن عملیات گران‌تر اما دقیق با یک تقریب مناسب است. ما یک انتیته پروکسی، یعنی geohash، معرفی می‌کنیم و از آن برای تقریب محدوده‌ها و همچنین محلی‌سازی جاده‌ها استفاده می‌کنیم.

ما جایگزینی دقیق با سری عملیات ساده‌تر و کم‌هزینه می‌کنیم. ابتدا، ما یک پیش‌محاسبه ارزان قیمت انجام می‌دهیم که تمامی geohashهایی که قسمتی از یک منطقه خاص است یا در مرز تعیین شده واقع می‌شوند، را شناسایی می‌کند. سپس geohashهایی که جاده‌ها متعلق به آنها هستند را شناسایی می‌کنیم. در نهایت، از این مقادیر پیش‌محاسبه‌شده برای اختصاص جاده‌ها به مناطق مربوطه استفاده می‌کنیم. این فرآیند همچنین در زمان پردازش کم هزینه است.

با توجه به مساحت بزرگی که ما پردازش می‌کنیم، از تکنیک‌های داده بزرگ برای توزیع اجرا بر روی چندین گره و در نتیجه افزایش سرعت عمل استفاده می‌کنیم. ما می‌خواهیم نقشه را روزانه ارائه دهیم و این یکی از عملیات‌های بسیاری است که قسمتی از فرآیند ساخت نقشه است.

geohash چیست؟

برای درک بیشتر پیاده‌سازی ما، ابتدا مفهوم geohash را توضیح می‌دهیم. geohash شناسه‌ای منحصربه‌فرد از یک منطقه خاص روی زمین است. ایده اصلی این است که زمین به ناحیه‌هایی از اندازه‌بندی کاربر تقسیم می‌شود و به هر ناحیه شناسه‌ای در نظر داده می‌شود که به آن geohash معروف است. برای یک موقعیت داده شده در روی زمین، الگوریتم geohash عرض و طول جغرافیایی آن را به یک رشته تبدیل می‌کند.

geohash از یک سیستم رمزگذاری با الفبای پایه ۳۲ استفاده می‌کند که شامل کاراکترهایی از ۰ تا ۹ و از A تا Z است، به جز A، I، L و O. تصور کنید جهان را به یک شبکه با ۳۲ خانه تقسیم کنیم. کاراکتر اول در geohash مکان اولیه یکی از این ۳۲ خانه را مشخص می‌کند. هر یک از این خانه‌ها به طور متوالی به ۳۲ خانه کوچکتر تقسیم می‌شوند. این فرآیند تقسیم شکل را به مناطق مشخصی در جهان دقیق می‌کند. اضافه کردن کاراکترها به geohash باعث تقسیم بندی یک خانه می‌شود و تا محلی به دقیق‌ترین منطقه ممکن می‌رود.

فاکتور دقت geohash اندازه خانه را تعیین می‌کند. به عنوان مثال، فاکتور دقت یک خانه به ارتفاع ۵۰۰۰ کیلومتر و عرض ۵۰۰۰ کیلومتر است. فاکتور دقت شش، خانه‌ای به ارتفاع ۰.۶۱ کیلومتر و عرض ۱.۲۲ کیلومتر ایجاد می‌کند. علاوه بر این، فاکتور دقت نه، خانه‌ای به ارتفاع ۴.۷۷ متر و عرض ۴.۷۷ متر ایجاد می‌کند. لازم به ذکر است که خانه‌ها همیشه مربع نیستند و می‌توانند ابعاد مختلفی داشته باشند.

در شکل 2، ما یک شبکه geohash ۶ و کد آن wsdt33 را نشان داده‌ایم.

استفاده از عملیات‌های کم‌هزینه‌تر

محاسبه شامل شدن جاده‌ها در یک محدوده خاص، عملیاتی گران است. با این حال، تخمین هزینه دقیق آن چالش‌برانگیز است زیرا به چندین عامل بستگی دارد. یک عامل، پیچیدگی خطوط مرزی است. مرزها معمولاً غیرمنظم و بسیار جزئی هستند، زیرا باید مرز واقعی را به درستی نشان دهند. پیچیدگی هندسه جاده یک عامل دیگر است که نقش مهمی در آن بازی می‌کند زیرا جاده‌ها همیشه خطوط راست نیستند.

از آنجایی که این عملیات هم هزینه بالا در اصطلاحات ابرشاخته و هم زمان اجرای بالا نیاز دارد، باید راهی را برای ارزان و سریع کردن آن پیدا کنیم که نتایج مشابهی را تولید کند. با دانش اینکه پیچیدگی خطوط مرزی عامل مشکل است، ما از یک جایگزین دیگر استفاده کردیم، یک مستطیل. محاسبه شامل شدن یک چندضلعی درون یک مستطیل عملیاتی ارزان است.

پس ما این عملیات بزرگ، که هر بخش جاده را برای شامل شدن در بندری تست می‌کنیم، به یک سری عملیات کوچک بدل کرده‌ایم که در آن مراحل زیر را انجام می‌دهیم:

شناسایی تمام geohashهایی که قسمتی از یک منطقه خاص هستند یا به یک مرز مشخص متعلق هستند. در این فرآیند، مناطق اضافی را نیز در بر می‌گیریم تا اطمینان حاصل کنیم که سطح کلی درون مرز را پوشش داده‌ایم.برای هر بخش جاده، ما لیستی از geohashهایی را که به آن تعلق دارند، شناسایی می‌کنیم. یک جاده، بستگی به طول یا شکل آن، ممکن است به چندین geohash تعلق داشته باشد.

در شکل 5، ما شناسایی می‌کنیم که جاده به دو geohash تعلق دارد و که این دو geohash قسمتی از مرزی است که ما استفاده می‌کنیم.

حالا، همه ما باید کارتان را با هم جوین کنیم. این نوع عملیات، موردی خوب برای یک رویکرد داده بزرگ است زیرا به ما اجازه می‌دهد آن را به صورت موازی اجرا کرده و زمان پردازش را افزایش دهیم.

معامله میان دقت و قیمت

قبلاً ذکر کردیم که برای مبادله با یک تقریب مناسب، ما دقت را معامله کرده‌ایم. حالا به بررسی معامله واقعی با این رویکرد می‌پردازیم.

اولین چیزی که با این رویکرد می‌توان توجه کرد این است که ما دقت را به قیمت مبادله کرده‌ایم. این رویکرد می‌تواند هزینه را کاهش دهد زیرا از منابع سخت‌افزاری و زمان محاسبه کمتری استفاده می‌کند. با این حال، این کاهش دقت، به خصوص برای جاده‌هایی که در نزدیکی مرزها قرار دارند، کاهش دقت را تحمل می‌کند زیرا ممکن است اشتباهاً طبقه‌بندی شوند.

بازگشت به مثال اولیه، بیایید به مورد جاده خارجی، در سمت چپ منطقه نگاه کنیم. همانطور که در شکل 6 می‌بینید، روشن است که جاده نیست

فناوری تشخیص چهره یکی از فناوری های نوین است که قبلاً فقط در فیلم های علمی تخیلی ظاهر می شد. ریشه های این فناوری را می توان به دهه 1960 برگرداند و از آن زمان به دلیل رشد قابل توجه تکنیک های یادگیری عمیق و تحول دیجیتال شتاب دهنده در سال های اخیر به طور چشم گیری افزایش یافته است.

در این پست وبلاگ به بررسی کاربردهای مختلف فناوری تشخیص چهره در Grab می پردازیم و جزئیات مؤلفه های فنی این تکنولوژی را ارائه می دهیم.

کاربرد فناوری تشخیص چهره

در Grab، ما باور داریم که پیشگیری، حفاظت و اقداماتی که برای ایجاد یک روزانه امن تر برای مشتریان، شرکا و جامعه به طور کلی انجام می دهیم. تمامی عکس های سلفی جمع آوری شده توسط مجله زیبایی و درمانی آذروت به تفصیل آمده در قوانین حفظ حریم خصوصی Grab مورد استفاده قرار می گیرند و بر اساس قوانین حفظ حریم خصوصی در کشورهایی که فعالیت می کنیم به طور ایمن تحت حفاظت قرار می گیرند. ما در بخشی پایین تر به طور دقیق توضیح خواهیم داد.

یکی از روش های مهم پیشگیری از وقوع حوادث در این است که هویت مصرف کنندگان و شرکای ما را تأیید کنیم.

از دیدگاه حفاظت از ایمنی مسافران، داشتن یک فرایند احراز هویت راننده قابل اعتماد می تواند جلوی ارسال رانندگان غیر مجاز به انجام سفر را بگیرد. این اطمینان را می دهد که سفرها در مجله زیبایی و درمانی آذر وت تنها توسط رانندگان ثبت شده و مجازی که با موفقیت از چک های پیشینه ی جامع ما عبور کرده اند، تکمیل می شوند. از دیدگاه حفاظت از ایمنی رانندگان، تأیید هویت مسافران جدید با استفاده از فناوری تشخیص چهره به جلوگیری از جرائمی که به رانندگان هدف می گیرد و تسهیل بررسی حوادث کمک می کند.

فناوری تشخیص چهره همچنین برای بهبود خدمات مالی دیجیتال مجله زیبایی و درمانی آذر وت استفاده می شود، به ویژه در تسهیل فرآیند “شناخت مشتری الکترونیکی” (e-KYC). KYC یک الزام نظارتی استاندارد در صنعت خدمات مالی است برای تأیید هویت مشتریان، که به طور عمومی برای جلوگیری از جرایم مالی مانند پول شویی استفاده می شود.

سنتیاً، مشتریان مجبور به مراجعه به یک میز فیزیکی برای تأیید هویت صادره دولتی خود هستند. امروزه با استفاده گسترده از دستگاه های تلفن همراه، همراه با رشد روز افزون فناوری تشخیص چهره، فرآیند بسیار ساده تر شده و می توان به طور کامل به صورت دیجیتال انجام داد.

بررسی کلی فناوری تشخیص چهره

لوله کشی تشخیص چهره معمولی شامل چندین مرحله است که با پیش پردازش تصویر، ضد فریب چهره، استخراج ویژگی و در نهایت برنامه های پستی شروع می شود - تأیید چهره یا جستجوی چهره.

روش های پیش پردازش تصویر معمول برای وظایف تشخیص چهره شامل شناسایی چهره و تطبیق چهره هستند. الگوریتم تشخیص چهره منطقه چهره را در تصویر شناسایی می کند و معمولاً توسط تطبیق چهره همراهی می شود که نقاط کلیدی آرایش چهره (مثل چشم چپ، چشم راست، بینی و غیره) را شناسایی کرده و آنها را به یک فضای هماهنگ استاندارد تبدیل می کند. هر دوی این مراحل پیش پردازش به هدف تضمین کیفیت یکسانی از داده های ورودی برای برنامه های پستی می پردازند.

ضد فریب چهره به فرآیند اطمینان می دهد که تصویر چهره ارسال شده توسط کاربر معتبر است. این برای جلوگیری از اشخاص تقلبی که با استفاده از عکس چاپ شده یا تکرار ویدئوها از صفحه های تلفن همراه، هویت دیگران را تقلید کرده و یا هویت خود را پنهان می کنند. رویکرد اصلی در اینجا این است که نشانه های تقلب کم سطحی مانند الگویموآ bرا با استفاده از روش های یادگیری ماشین مختلف استخراج کنیم تا تصویر تقلبی است یا خیر.

بعد از گذراندن بررسی های ضد فریب، تصاویر ارسالی توسط کاربر برای استخراج ویژگی چهره ارسال می شوند، جایی که ویژگی های مهمی که می تواند به منظور تمایز یک شخص از یک شخص دیگر استفاده شود، استخراج می شوند. بهتر است مدل استخراج ویژگی، جاسازی (یعنی بردارهای بعد بالا) با فاصله داخل-کلاس کوچک (یعنی چهره های همان شخص) و فاصله بین-کلاس بزرگ (یعنی چهره های افراد مختلف) تولید کند، تا برای برنامه های پستی مذکور (تأیید چهره و جستجوی چهره) وظیفه ای ساده تر باشد - آستانه گذاری فاصله بین جاسازی ها.

تأیید چهره یکی از کاربردهای کلیدی تشخیص چهره است و به سؤال “آیا این شخص همان شخص است؟” پاسخ می دهد. همانطور که اشاره شد، این می تواند از طریق مقایسه فاصله بین جاسازی هایی که از تصویر الگو (مانند کارت شناسایی صادره دولت یا عکس پروفایل) و یک تصویر پرس و جو ارسال شده توسط کاربر تولید می شوند، دست یافته شود. فاصله کوتاه نشان دهنده این است که هر دو تصویر متعلق به همان شخص هستند، در حالی که فاصله بزرگ نشان دهنده این است که این تصاویر از افراد مختلف گرفته شده اند.

به طرف دیگر، جستجوی چهره سؤال را مطرح می کند: “این شخص کیست؟” که می تواند به عنوان یک مسئله جستجوی شباهت بردار / جستجوی سمتی بردار در نظر گرفته شود. جاسازی های تصویر تعلق به یک شخص به شدت مشابه هستند، بنابراین در نتایج جستجوی آنها به رتبه بالایی قرار می گیرند. این به خصوص برای جلوگیری از برگردان جنایی به پلتفرم ما با مسدود کردن سلفی های جدیدی که با پروفایل جنایی که در پایگاه داده ما نهی لیست قرار دارد، مطابقت دارد.

ضد فریب چهره

برای ضد فریب چهره، روش های رایج استفاده شده برای حمله به سیستم تشخیص چهره، پخش صفحه و کاغذ چاپ شده هستند. به منظور تمایز این حمله های تقلبی از چهره های حقیقی، باید دو چالش اصلی را حل کنیم.

چالش اول، کسب داده های کافی از حملات تقلبی است تا امکان آموزش مدل ها وجود داشته باشد. چالش دوم، آموزش مدل به گونه ای دقیق که بر تفاوت های کوچک بین حالات تقلبی و واقعی تمرکز داشته باشد و به جای بیشتر شدن به اطلاعات زمینه دیگر، آنها را تمیز دهد.

منبع1

جمع آوری حجم بزرگی از داده های تقلبی به طبیعتاً سخت است زیرا موارد تقلبی در جریان محصولات بسیار کمتری رخ می دهند. برای رفع این مشکل، یک گزینه تولید حجم بزرگی از داده های تقلبی به جای جمع آوری داده های تقلبی واقعی است. به طور خاص، ما الگوهای بو که روی تصاویر چهره حقیقی که داریم را بوجود می آوریم و از داده تولید شده به عنوان داده حمله پخش صفحه استفاده می کنیم. این اجازه می دهد که مدل ما از مقادیر کمی از داده های تقلبی واقعی استفاده کند و تقلب را به خوبی شناسایی کند در حالی که بیشتر به داده هایی برای آموزش مدل جمع آوری می کند.

از سوی دیگر، یک تصویر چهره تقلبی شامل اطلاعات بسیاری با نشانه های نازک تقلبی مانند الگویموآ است که توسط چشم برهنه قابل تشخیص نیست. به همین دلیل، آموزش مدل برای شناسایی نشانه های تقلبی به جای تمرکز بر جنبه دامنه ممکن بین داده های تقلبی و داده های واقعی بسیار مهم است. برای دستیابی به این هدف، باید شیوه آماده سازی داده های آموزش را عوض کنیم.

بجای استفاده از کل تصویر سلفی به عنوان ورودی مدل، ابتدا ناحیه چهره را شناسایی و برش می کنیم، سپس ناحیه چهره برش شده را به چند پچ تقسیم مساوی می کنیم. این پچ ها به عنوان ورودی برای آموزش مدل استفاده می شوند. هنگام ارزیابی، تصاویر همچنین به همان روش به پچ ها تقسیم می شوند و نتیجه نهایی میانگین خروجی همه پچ ها خواهد بود. پس از پیش پردازش داده ها، پچ ها شامل کمترین اطلاعات زمینه گلوبال و ویژگی های ساختاری محلی بیشتری خواهند بود که درساده سازی آموزش مدل و تمایز دادن عکس های تقلبی و واقعی کمک می کند.

تشخیص چهره

"داده غذایی هوش مصنوعی است." - اندرو انگ، بنیانگذار Google Brain

عوامل موفقیت کلیدی مدل های هوش مصنوعی (AI) بدون شک توسط حجم و کیفیت داده هایی که در اختیار داریم تعیین می شود. در Grab، ما یکی از بزرگترین و جامع ترین مجموعه داده های چهره را در منطقه جنوب شرقی آسیا داریم که گروه های جمعیتی مختلف را شامل می شود. این موضوع به ما امکان ایجاد یک مدل تشخیص چهره بسیار قوی و بی طرفانه را می دهد که به خدمت به منطقه بهتر می پردازد.

همانطور که در ابتدا اشاره شد، تمامی سلفی های جمع آوری شده توسط مجله زیبایی و درمانی آذروت تحت حفاظت امن قوانین حفظ حریم خصوصی در کشورهایی که در آن فعالیت می کنیم قرار دارند. ما تدابیر قانونی، سازمانی و فنی منطقی را برای حفاظت از داده های شخصی شما اتخاذ می کنیم. این شامل تدابیری برای جلوگیری از گم شدن داده های شخصی، استفاده یا دسترسی غیرمجاز به آنها است. دسترسی به این داده های شخصی تنها برای کارکنان ما به صورتی که نیازمندی را دارند محدود است. آنانی که هر گونه داده شخصی را پردازش می کنند فقط به این کار به صورت مجاز می پردازند و موظف هستند اطلاعات را با حفظ محرمیت رفتار کنند.

همچنین، داده های سلفی با هیچ کس دیگر، از جمله راننده ها، شرکا یا هر طرف سوم دیگری به جز بر اساس مجوز صحیح از دارنده حساب، به اشتراک گذاشته نخواهد شد. آنها به صورت صرفاً برای بهبود و ارتقای محصولات و خدمات ما استفاده می شوند و به عنوان یک روش برای جمع آوری داده شناسایی شخصی استفاده نمی شوند. هر افشای داده های شخصی به منابع دیگر به طور مطابقت با سیاست حفظ حریم خصوصی مجله زیبایی و درمانی آذرت انجام خواهد شد.

علاوه بر داده، معماری مدل نیز نقش مهمی ایفا می کند، به خصوص در هنگام مرتب سازی با سناریوهای کمترین پرس و جوی چهره، مانند