sakhtevacum

کودکان با مشاهده محیط خود ، گوش دادن به افراد اطراف خود و اتصال نقاط بین آنچه می بینند و می شنوند زبان را یاد می گیرند. از جمله موارد دیگر ، این به کودکان کمک می کند تا ترتیب کلمات زبان خود را برقرار کنند ، مانند جایی که موضوعات و افعال در یک جمله قرار می گیرند.

در محاسبات ، یادگیری زبان وظیفه تحلیلگرهای نحوی و معنایی است. این سیستم ها به جملاتی آموزش داده می شوند که توسط انسان حاشیه نویسی می شوند و ساختار و معنای کلمات را توصیف می کنند. تجزیه گرها برای جستجوی وب ، جستجوی پایگاه داده به زبان طبیعی و سیستمهای تشخیص صدا مانند الکسا و سیری اهمیت فزاینده ای پیدا می کنند. به زودی ، ممکن است از آنها برای رباتیک خانگی نیز استفاده شود.

اما جمع آوری داده های حاشیه نویسی برای زبان های کمتر رایج می تواند بسیار زمان بر و مشکل باشد. علاوه بر این ، انسانها همیشه در مورد حاشیه نویسی ها به توافق نمی رسند ، و خود حاشیه نویسی ممکن است دقیقاً بیانگر چگونگی صحبت کردن افراد به طور طبیعی نباشد.

در مقاله ای که در کنفرانس این هفته روشهای تجربی در کنفرانس پردازش زبان طبیعی ارائه شده است ، محققان MIT پارسویی را توصیف می کنند که از طریق مشاهده یاد می گیرد تا از نزدیک فرایند دستیابی به زبان کودک را تقلید کند ، که می تواند قابلیتهای تجزیه کننده را تا حد زیادی گسترش دهد. برای یادگیری ساختار زبان ، تجزیه کننده فیلم های زیرنویس را مشاهده می کند ، بدون اطلاعات دیگر ، و کلمات را با اشیاء و اعمال ضبط شده مرتبط می کند. با توجه به یک جمله جدید ، تجزیه کننده می تواند از آنچه در مورد ساختار زبان آموخته است برای پیش بینی دقیق معنی یک جمله ، بدون فیلم استفاده کند .

این رویکرد "نظارت شده ضعیف" - به این معنی که به داده های آموزشی محدود نیاز دارد - از اینکه چگونه کودکان می توانند دنیای اطراف خود را مشاهده کنند و زبان یاد بگیرند ، تقلید می کند ، بدون اینکه کسی زمینه مستقیمی داشته باشد. به گفته محققان ، این رویکرد می تواند انواع داده ها را گسترش داده و تلاش مورد نیاز برای آموزش تجزیه تحلیلگر را کاهش دهد. به عنوان مثال ، چند جمله به طور مستقیم حاشیه نویسی برای بهبود عملکرد می تواند با بسیاری از فیلم های زیرنویس ، که دستیابی به آنها آسان تر است ، ترکیب شود.

در آینده ، تجزیه کننده می تواند برای بهبود تعامل طبیعی بین انسان و روبات های شخصی مورد استفاده قرار گیرد. به عنوان مثال ، یک روبات مجهز به تجزیه کننده می تواند محیط خود را برای تقویت درک خود از دستورات گفتاری ، از جمله وقتی که جملات گفتاری کاملاً دستوری یا واضح نیست ، رعایت کند. "مردم با جملات جزئی ، افکار در حال اجرا و زبان جنجالی با یکدیگر صحبت می کنند. شما می خواهید یک روبات در خانه خود داشته باشید که با شیوه خاص صحبت کردن آنها سازگار باشد ... و هنوز هم می فهمید که منظور آنها چیست." آندری باربو ، محقق آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) و مرکز مغز ، ذهن و ماشین آلات (CBMM) در موسسه مک گاورن MIT.

تجزیه کننده همچنین می تواند محققان را در درک بهتر نحوه یادگیری زبان های خردسال به دانشمندان یاری کند. همکار می گوید: "كودك به اطلاعات اضافی و مكمل اضافی از روشهای مختلف ، از جمله شنیدن صحبت والدین و خواهر و برادران در مورد جهان و همچنین اطلاعات لمسی و اطلاعات بصری ، [كه به او كمك می كنند تا جهان را بفهمد ، دسترسی دارد." بوریس کاتز ، دانشمند اصلی پژوهش و رئیس گروه InfoLab در CSAIL. "این یک معمای شگفت انگیز است ، تا پردازش همه این ورودی حسی همزمان را انجام دهد. این اثر بخشی از بزرگتر برای درک چگونگی وقوع این نوع یادگیری در جهان است."

نویسندگان همکار روی این مقاله عبارتند از: نویسنده اول کاندیس راس ، دانشجوی فارغ التحصیل گروه مهندسی برق و علوم کامپیوتر و CSAIL ، و یک محقق در CBMM. دکتری یوژنی برزاک '17 ، یک پست دکتری در گروه روانشناسی زبان محاسباتی در گروه علوم مغز و شناختی؛ و دانشجو فارغ التحصیل CSAIL Battushig Myanganbayar.

یادگیرنده بصری

محققان برای کار خود ، یک تحلیلگر معنایی را با یک مؤلفه بینایی رایانه آموزش داده شده در تشخیص شیء ، انسان و فعالیت در ویدیو ترکیب کردند. تجزیه گر معنایی به طور کلی در جملات حاشیه نویسی با کد آموزش داده می شود که معنی هر کلمه و روابط بین کلمات را نشان می دهد. برخی در مورد تصاویر ثابت یا شبیه سازی رایانه آموزش دیده اند.

راس می گوید ، تجزیه کننده جدید اولین کسی است که با استفاده از فیلم آموزش دیده است. در بخشی ، فیلم ها در کاهش ابهام مفیدتر هستند. اگر تجزیه کننده درباره یک عمل یا شیء در یک جمله مطمئن نیست ، می تواند برای پاک کردن موارد به این ویدئو ارجاع دهد. راس می گوید: "مؤلفه های زمانی وجود دارد - اشیاء متقابل با یکدیگر و با مردم و ویژگی های سطح بالا که نمی توانید آنها را در یک تصویر ثابت یا فقط به زبان مشاهده کنید."

محققان مجموعه ای از مجموعه داده ها در حدود 400 فیلم را به تصویر کشیدند که افراد در حال انجام تعدادی اقدامات هستند از جمله چیدن یک شی یا قرار دادن آن و راه رفتن به سمت یک شی. شرکت کنندگان در سکوی شلوغی مکانیک تورک سپس 1200 عنوان را برای آن فیلم ها تهیه کردند. آنها 840 مثال زیرنویس ویدیویی را برای آموزش و تنظیم تنظیم کردند و برای آزمایش از 360 استفاده کردند. یکی از مزایای استفاده از تجزیه و تحلیل مبتنی بر بینایی این است که "شما تقریباً به اندازه داده نیاز ندارید ، اگرچه اگر [داده] دارید ، می توانید از مجموعه داده های عظیم استفاده کنید."

محققان در آموزش ، این هدف را برای تعیین اینکه آیا یک جمله به طور دقیق یک فیلم معین را توصیف می کند ، به تجزیه و تحلیل داده است. آنها به تجزیه و تحلیل یک فیلم و زیرنویس تطبیق دادند. تجزیه کننده معانی احتمالی عنوان را به عنوان عبارات ریاضی منطقی استخراج می کند. جمله ، "زن سیب را برداشت می کند" ، به عنوان مثال ممکن است اینگونه بیان شود: λxy. زن x ، pick_up xy ، apple y.

این عبارات و فیلم به الگوریتم دید رایانه ای موسوم به "ردیاب احکام" وارد شده توسط باربو و سایر محققان وارد شده است. این الگوریتم برای ردیابی نحوه تغییر اشیاء و افراد با گذشت زمان ، به هر قاب ویدیویی نگاه می کند تا تعیین کند که عملکردها مطابق آنچه گفته شد بازی می کنند. به این ترتیب ، تعیین می کند که آیا معنای آن احتمالاً در مورد ویدیو صادق است یا خیر.

اتصال نقاط

این عبارت با نزدیکترین تظاهرات برای اشیاء ، انسانها و اعمال به محتمل ترین معنی تبدیل می شود این عبارت در ابتدا ممکن است به بسیاری از اشیاء و اقدامات مختلف در ویدیو اشاره داشته باشد ، اما مجموعه ای از معانی ممکن به عنوان یک سیگنال آموزشی است که به تجزیه کننده کمک می کند تا به طور مداوم از امکانات پایین بکشد. باربو می گوید: "با این فرض كه همه جملات باید از همان قوانین پیروی كنند ، كه همه آنها از یك زبان به دست بیایند ، و با دیدن بسیاری از فیلم های زیرنویس ، می توانید معانی را بیشتر كاهش دهید."

به طور خلاصه ، تجزیه گر از طریق مشاهده منفعل می آموزد: برای تعیین اینکه آیا یک عنوان در مورد یک فیلم صحیح است ، تجزیه کننده به صورت ضروری باید بالاترین معنای احتمال را برای عنوان شرح دهد. "تنها راه برای فهمیدن این که آیا جمله در مورد فیلم صحیح است" این است که از این مرحله میانی استفاده کنید ، "جمله به چه معنی است؟" در غیر این صورت ، شما هیچ ایده ای برای اتصال این دو ندارید. " "ما به سیستم معنی این جمله را نمی دهیم. ما می گوییم ،" جمله و یك فیلم وجود دارد. این جمله باید در مورد فیلم صحیح باشد.

این آموزش برای کلماتی که آموخته شده است یک دستور زبان نحوی و معنایی ایجاد می کند. با توجه به یک جمله جدید ، تجزیه کننده دیگر نیازی به فیلم ندارد ، اما برای تعیین ساختار و معنی جملات ، گرامر و واژگان خود را به کار می برد.

در نهایت ، این روند در حال یادگیری است "انگار شما بچه هستید" ، باربو می گوید. "شما دنیای اطراف خود را مشاهده می کنید و افرادی را می شنوید که در حال یادگیری معنا هستند. روزی می توانم جمله ای را برای شما بیان کنم و بپرسم منظورش چیست و حتی بدون تصویری ، شما معنی را می دانید."

در کارهای بعدی ، محققان علاقه مند به مدل سازی تعاملات هستند ، نه فقط مشاهدات منفعل. راس می گوید: "كودكان هنگام یادگیری با محیط ارتباط برقرار می كنند. ایده ما این است كه یك الگویی داشته باشیم كه برای یادگیری نیز از ادراك استفاده كند."

این کار ، تا حدودی توسط CBMM ، بنیاد ملی علوم ، یک بورس تحصیلی فارغ التحصیل فارغ التحصیل بنیاد ، بنیاد تحقیقاتی تویوتا و پروژه درک مطلب چندرسانه ای با الهام از مغز MIT-IBM پشتیبانی شد.

http://bookmark-template.com/story6994851/پمپ-وکیوم-آبی

محققان در آزمایشگاه MIT Media ، دانشگاه پیزا و Université Libre de Bruxelles اخیراً امکان استفاده از سیستم های رباتیک swarm را برای مدیریت اتلاف خودگردان بررسی کرده اند. رویکرد آنها ، در مقاله ای که از قبل در ArXiv منتشر شده است ، با هدف بهبود کارآیی و استقلال مدیریت پسماند در شهرها ، از روشهای علوفه سازنده بیولوژیکی برای رباتیک استفاده می کند.

آنتونیو لوکا آلفو ، یکی از محققانی که این تحقیق را انجام داده است ، گفت: "با وسایل نقلیه خودمختار ، شمشیرهای هواپیماهای بدون سرنشین برای تحویل ها و تیم های روبات هایی که انبارها را سازماندهی می کنند ، شهر آینده یک اکوسیستم سایبرنتیک متشکل از ماشین آلات و انسان خواهد بود." . "این یک سناریو جذاب و همچنین یک چالش بزرگ تکنولوژیکی است. مدیریت چنین سیستمهایی منجر به پیچیدگی می شود که با استقرار ماشین های بیشتر بصورت ظاهری رشد می کند ، به ویژه اگر بخواهیم آنها واقعاً" با ما زندگی کنند "و به طور خودمختار نسبت به آنها واکنش نشان دهند. نیازهای متغیر محیط اطراف خود را تغییر می دهد. "

طبیعت چندین نمونه از چگونگی حل مشکلات همزیستی مشابه را می توان درخشان و مؤثر حل کرد. محققان در مطالعه خود سعی در استفاده از این راه حلهای الهام بخش از طبیعت برای مدیریت swarms های روبات دارند.

آلفو توضیح داد: "ما یک سیستم دفع زباله را با رعد و برق ربات هایی پیشنهاد می کنیم که خود سازماندهی آنها مبتنی بر رفتار حشرات اجتماعی است ، همچنین به عنوان علوفه ای مبتنی بر سخت گیری شناخته می شود." "سیستم پیشنهادی به دفع سطل زباله ، از سطل زباله گرفته تا چند منبع مرکزی پرداخته است."

"فرمونهای مجازی" توسط سایر روبات ها با برچسب های RFID در محیط شهری منتشر شده است. اعتبار: Alfeo و همکاران.
روبات های تولید شده توسط Alfeo و همکارانش توسط یک سرویس از راه دور کنترل و هدایت نمی شوند. در عوض ، تمام تصمیمات آنها براساس درک و مشاهدات در زمان واقعی ، در کمترین لحظه انجام می شود.

الفئو گفت: "در میان این برداشت ها ،" فرمون های مجازی "نیز وجود دارد که توسط سایر روبات ها بر روی برچسب های RFID در محیط شهری منتشر شده است." "اینها راحت ترین مسیر را از یک یا چند سطل زباله غیر خالی و نزدیکترین مخزن نشان می دهد. از همه مهمتر ، به لطف رفتار جمعی خود ، این گنجشک قادر است خودمختار خود سازماندهی شود تا بتواند مناطقی را با بیشترین مقدار هدف قرار دهد. زباله ، همیشه پاسخ مؤثر ارائه می دهد. "

طراحی این راه حل ابتکاری نیاز به مهارت های گسترده ای داشت و زمینه های مختلفی از تخصص را در بر می گرفت. تیمی که آن را توسعه داده است از این رو بسیار میان رشته ای است و دارای پیش زمینه هایی در علوم شهر ، روباتیک بیولوژیکی و علم داده است.

الفئو گفت: "اعضای تیم متخصص در علم شهر مدل ربات مورد استفاده در مطالعه را ارائه دادند و به مدل سازی فضای شهری در GAMA ، یک سکوی شبیه سازی چند عامل پرداختند." "کسانی که در طراحی رفتاری ازدحام رباتها مهارت پیدا کرده اند و منطق این ازدحام را در یک الگوی مناسب افزوده از محیط شهری آزمایش و آزمایش کرده اند ، سرانجام ، تجزیه و تحلیل پیامدهای هر انتخاب طراحی توسط دانشمندان داده های بسیار ماهر تحت نظارت قرار گرفت."

Alfeo و همکارانش سیستم swarm خود را برای مدیریت پسماندها ارزیابی کردند و دریافتند که از روشهای موجود بهتر است. مطالعه آنها همچنین بینشی ارزشمند در مورد نحوه طراحی و سفارشی سازی سیستم های رباتیک swarm ارائه داده است.

الفئو گفت: "ما نشان دادیم که ازدحام ربات های خود سازمان یافته می تواند بدون توجه به منبع اطلاعات خارجی یا دانش قبلی در مورد تقاضای دفع زباله ، منجر به پیشرفت های اساسی در زمینه مدیریت پسماند شود." "علاوه بر این ، ما در طراحی چنین سیستمی با هدف متعادل کردن دو ویژگی اصلی آن ، یعنی قابلیت اکتشافی و واکنش پذیری ازدحام بینش را فراهم کرده ایم. اولی می تواند از بروز سطل های زباله کامل بکاهد ، در حالی که دومی به کاهش مقدار زباله در محیط شهری کمک می کند . "

تحقیقات انجام شده توسط Alfeo و همکارانش نمونه ای جالب و مفید از چگونگی کاربرد سیستم های روباتیک swarm در محیط های شهری است. نتایج آنها بسیار امیدوار کننده است ، و امکانات جالب جدیدی را باز می کنید که می توان در آینده بیشتر مورد بررسی قرار گرفت.

الفئو گفت: "رویکرد پیشنهادی مختص مدیریت پسماند نیست و می تواند در تعدادی از کاربردهای مختلف مانند وسایل نقلیه خودمختار مورد آزمایش قرار گیرد ." "از آنجا که در این حالت ایمنی یک عامل مهم است ، با این وجود ، طراحی چنین سیستمی باید راه حل های خاص دیگری مانند فناوری زنجیره بلوک را در بر بگیرد."

http://mediajx.com/story8045941/پمپ-وکیوم-آبی

تیمی از محققان به لطف یک ابزار جدید تجزیه و تحلیل بصری که به طور چشمگیری تحقیقات ایمیل پزشکی قانونی را سرعت می بخشد و پیوندهای مهم در داده های ایمیل را برجسته می کند ، در اجرای برنامه های کلاهبرداری ایمیل کمک می کند. کلاهبرداری های ایمیل یکی از رایج ترین و موذی ترین شکل های جرایم سایبری است.

کلاهبرداری های اجاره ای ، کلاهبرداری های عاشقانه و کلاهبرداری های سازش نامه پست الکترونیکی شایع هستند و حتی می توان از پس اندازترین رایانه ها استفاده کرد. به دلیل دشواری در شناسایی مجرمان سایبری ، اجرای قانون مدت ها است که برای پیگرد قانونی این جرائم تلاش می کند ، اما چندین آژانس در حال حاضر برای ردیابی ردپای کلاهبرداران ایمیل ، از نرم افزار جدید استفاده می کنند.

ابزار جدید کار یک تیم تحقیقاتی در دانشکده مهندسی دانشگاه تاندون در دانشگاه نیویورک است که به سرپرستی دستیار استادیار علوم کامپیوتر و مهندسی انریکو برتینی با همکاری شرکت امنیت داده های مستقر در سیلیکون دره آگاری انجام می شود که در زمینه توسعه امنیت ایمیل تخصص دارد. محصولات برای شرکت ها. برتینی ابزار Beagle را نامگذاری کرد - نمایشنامه ای در مهارت های جستجوی تند و سریع سگها که در تحقیقات جنایی از آنها استفاده می کردند.

تیم تحقیقاتی در حال حاضر اشتراک گذاری Beagle را با اجرای قانون آغاز کرده است های بدون هیچ هزینه ای برای کمک به تحقیقات خود شروع کرده است و همچنان بر اساس بازخورد در دنیای واقعی ، به اصلاح قابلیت های خود می پردازد.

ابزارهای قبل از Beagle برای تحقیقات ایمیل پزشکی قانونی به طور شگفت آور ابتدایی هستند. محققان غالباً به وظایف جستجوی مشتری های ایمیل رایج اعتماد می کنند ، که نتایج را بر اساس نمایش داده شدگان خاص بازیابی می کنند و بیشترین سودمندی را دارند که محققان بدانند چه چیزی را جستجو می کنند - هیچ شاهکار کوچکی در مواردی که می تواند بسیاری از کلاهبردارها و صدها هزار ایمیل را درگیر کند.

برتینی گفت: "اینجا کار ما شروع می شود." وی توضیح داد که بیگل یک رابط تحلیلی بصری ایجاد می کند که می تواند پرس و جوها را بازگرداند و همچنین ایمیل ها را خلاصه می کند و مشترکات بین آنها را برجسته می کند ، حتی در زمینه هایی که محققان ممکن است در غیر این صورت غافل شوند - مانند زمان ارسال ایمیل ، موقعیت جغرافیایی قربانیان و کلمات کلیدی و الگوهای محتوا

برتینی گفت: "بیگل تصاویر را از داده ها ایجاد می کند و اتصال نقاط را آسان تر می کند و درنهایت نحوه عملکرد شبکه های کلاهبرداری را می فهمد ، از اولین تماس با یک قربانی از طریق چندین دوره اخاذی."

Beagle در یک فرایند تکراری دو ساله با استفاده از بانک اطلاعاتی بیش از 100000 ایمیل که توسط آگاری از کلاهبردارهای زندگی واقعی رهگیری شده اند ، ساخته شد. مطالعه موردی از روند توسعه و استقرار آن در مجله IEEE Transactions on visualization و Graphics Computer به نظر می رسد . از مؤلفان این تحقیق می توان به دانشجویان دکترا NYU Tandon ، جی کوون ، کریستیان فلیکس ، و حسین سیاداتی و همچنین همکاران آگاری اشاره کرد.

جان ویلسون ، فیلد CTO ، آگاری گفت: " سازش نامه الکترونیکی تجارت و سایر انواع کلاهبرداری از طریق ایمیل توسط سازمان های جنایی چند ملیتی در مقیاس جهانی انجام می شود." "بیگل توانایی ما در نظارت و ردیابی این سازمان های جنایتکار را بهبود بخشیده است ، و تصویری کامل تر از افراد درگیر و روابط آنها بین یکدیگر را نقاشی می کند."

Beagle قبلاً مورد استفاده قرار گرفته است تا کل شبکه از کلاهبرداران و قربانیان را روشن کند ، از طریق ایمیل از یک کلاهبردار شناخته شده و در نهایت شامل چندین کلاهبردار و گروه قربانیان استفاده می شود - اطلاعاتی که متعاقباً با سازمان های اجرای قانون به اشتراک گذاشته شد .

برتینی گفت: "ما متحیر شدیم كه متوجه شدیم كه Beagle می تواند شواهد و مدارك خود را ایجاد كند."

http://socialmediastore.net/story5674218/پمپ-وکیوم-آبی

آیا می توانید دستورالعمل reCAPTCHA شما را آزاردهنده تر کند؟ آروم باش. آنها بسیار ناراحت کننده بودند روز تاریخ سازی 29 اکتبر بود. آیا می توانید تصور کنید. بدون آزمایش ، بدون تعامل برای reCAPTCHA Google.

وبلاگ مرکزی Google Webmaster Google اعلان را در تاریخ 29 اکتبر انجام داده است. بیایید آن را برای reCAPTCHA v3 بشنویم. این یک روش جدید برای خراب کردن ترافیک سوءاستفاده در وب سایت ها است. reCAPTCHA v3 چقدر بزرگ است؟ خیلی بزرگ این "اساساً در حال تغییر است كه چگونه سایتها می توانند برای فعالیتهای انسان در مقابل رباتها آزمایش كنند ."

مجله PC Tech گفت كه "كاربران سايت نيازي به استفاده از متن تحريف شده را ندارند و يا بر روي جريانات اتوبوس مدرسه يا تصاوير چراغ راهنما كليك مي كنند تا ثابت كنند كه آنها يك روبات نيستند."

به جای تعامل ، نسخه جدید به تجزیه و تحلیل ریسک انطباقی بستگی دارد تا ترافیک مشکوک را انتخاب کنید. "جدید نسخه اجرا می شود در پس زمینه از یک وب سایت، تولید نمرات از 0.1 (بد) تا 1 (خوب) برای تعاملات و رفتارهای با آن سایت، گفت:" راشل انگلستان در کالا . reCAPTCHA از یک موتور تحلیل ریسک پیشرفته و CAPTCHA تطبیقی استفاده می کند تا نتواند نرم افزار خودکار را درگیر فعالیت های سوء استفاده کننده در سایت شما کند. این کار را می کند در حالی که به کاربران معتبر شما اجازه می دهد تا با سهولت از آن عبور کنند.

بنابراین ، با reCAPTCHA V3 ، از کاربران خواسته نمی شود کاری انجام دهند. در عوض ، چالش های تعاملی با نمرات جایگزین می شوند که بر اساس تعامل کاربر با یک وب سایت است. یک نمره "خوب" 1.0 و یک تعامل "بد" مانند بات 1/0 است.

Abner Li در 9to5Google درباره امتیاز بیشتر توضیح داد. این نمره رتبه بندی می کند: "تعامل چقدر مشکوک است". هدف این است که "نیاز به قطع مصرف کاربران با چالش ها به حداقل برسد". نمره بر اساس تعامل با سایت شماست و شما را قادر می سازد تا یک اقدام مناسب انجام دهید.

اسناد توسعه دهنده reCAPTCHA در دسترس است. سیستم جدید با قرار دادن reCAPTCHA v3 در صفحات بیشتر - نه فقط جعبه ورود - کار می کند و آنالیز ریسک سازگاری را در پس زمینه اجرا می کند تا به شما هشدار دهد.

راب Thubron در تخصصی موبایل ظاهرا اشک در خروج از فعل و انفعالات قدیمی ریختن نیست. وی نوشت: "reCaptcha v1 مشهور و تحریک کننده از بازدید کنندگان سایت خواسته است متن تحریف شده را شناسایی و وارد کنند ، که در بعضی موارد رمزگشایی تقریبا غیرممکن بود. reCaptcha v2 یک پیشرفت چشمگیر بود زیرا فقط از کاربران می خواست یک جعبه را کلیک کنند ، اما اگر مشکوک به شما بود یک ربات بود و سپس یک سری از چالش های تصویری ... ارائه شد. "

در همین حال ، reCAPTCHA v3 "اکشن" را معرفی کرده است. این برچسب است که می توانید از آن استفاده کنید "برای تعیین مراحل اصلی سفر کاربر و فعال کردن reCAPTCHA برای تجزیه و تحلیل ریسک خود در متن". ترجمه: "توسعه دهندگان می توانند برچسب" عمل "جدیدی را به صفحات خود اضافه کنند تا تجزیه و تحلیل ریسک در بازدید کنندگان انجام شود."

اگر سایتی را اداره می کنید ، می بینید که میزان تردد در صفحات از طریق کنسول مدیر reCAPTCHA چقدر مشکوک بوده است. این کنسول نمای کلی از توزیع امتیاز reCAPTCHA و سایر اطلاعات را ارائه می دهد.

چه اتفاقی می افتد وقتی نمرات مشخص می شوند؟ انگلیس گفت: "سرپرست سایت می توانند تصمیم بگیرند كه چگونه وب سایت آنها باید براساس این امتیازات واکنش نشان دهند و می توانند از یك سه روش استفاده كنند."

لی سه روش قابل تنظیم نسخه 3 را بیان کرد ،

"ابتدا ، شما می توانید آستانه ای را تعیین کنید که تعیین کند چه موقع کاربر اجازه می دهد تا تأیید شود یا اینکه چه زمان دیگری باید تأیید انجام شود ، به عنوان مثال ، با استفاده از تأیید اعتبار دو عاملی و تأیید تلفن.

"دوم ، شما می توانید نمره را با سیگنال های خود که reCAPTCHA نمی تواند دسترسی داشته باشد - مانند پروفایل کاربر یا تاریخچه معاملات - ترکیب کنید.

"سوم ، شما می توانید از نمره reCAPTCHA به عنوان یکی از سیگنال ها برای آموزش مدل یادگیری ماشین خود برای مبارزه با سوء استفاده استفاده کنید."

بدیهی است که گوگل راضی است و ناظران فناوری پیش بینی کرده اند که صاحبان سایت نیز تغییر را دوست دارند. راشل انگلستان در Engadget : "گوگل برای اولین بار در سال 2007 سیستم reCAPTCHA ردیابی ربات را کشف کرد ، به این معنی که بیش از 10 سال است که ما در حال رمزگشایی متن های زباله ، شناسایی چراغ های خیابانی و کلیک بر روی جعبه های ریز در تلاش برای اثبات اینکه ما انسان هستیم و هستیم متعاقباً به سایتها و صفحاتی که می خواهیم مشاهده کنیم دسترسی پیدا کنید.

انگلستان همچنین نوشت كه "بیشتر صاحبان وب سایت از كنار گذاشتن كنترل نحوه برخورد سایتهایشان در مقابل ترافیك بدون ترك گوگل برای تصمیم گیری از طرف خود براساس تصاویر زباله قدردانی می كنند."

یکی از اظهار نظر کنندگان درباره TechSpot گفت : او همیشه احساس می کرد که ترس از رباتها نباید مشکل کاربر باشد. چرا ما باید به مبارزه با تکه های v و برش های تابلوهای جاده ای نیاز داشته باشیم؟

Thubron در 31 اکتبر گفت که reCAPTCHA v3 از ماه مه در بتا قرار گرفته است "و اواخر این هفته به طور گسترده ای در دسترس خواهد بود."