Képzeljük el, hogy szörnyű fényviszonyok mellett, gyors kamerával, széles látószögből veszünk fel mindent. Az embernek meg kell elégednie az evolúció során kialakult szemével, a gépi látás viszont folyamatosan lép át új határokat. Legutóbb Dél-Koreában, ahol egy kutatócsoport két kameratípust kombinált össze a gyorsan mozgó objektumok jobb követéséhez és bonyolult környezetek precíz 3D-s feltérképezéséhez.

Az első, eseményalapú kamera remekül rögzít gyorsan mozgó tárgyakat, állatokat, személyeket, míg a mindenirányú vagy halszem-optikás második elképesztően széles szögeket fog be.

A Koreai Tudomány és Technológia Intézet a fejlesztésnek otthont adó Vizuális Intelligencia Laborja szerint mindkét kameratípus tökéletes a számítógépes látáshoz. Az eseménykamera sokkal kisebb késleltetéssel működik, mozgás közben kevesebb az elmosódás, jóval nagyobb a dinamikatartománya, plusz energiahatékony is. A másik a sokkal tágabb szögekből begyűjtött képi infók miatt kiváló gép.

Az új, „eseményalapú, mindenirányú, több látószögű, sztereó” (EOMVS) kamerához 3D-s jeleneteket nagyon pontosan rekonstruáló szoftver is kell. A rekonstrukcióhoz általában különböző szögekből vesznek fel több képet. A koreai kutatóké is hasonló megközelítéssel dolgozik, képek helyett viszont 3D-s tereket rekonstruál a kamera által rögzített eseményadatokkal dolgozó program.

A kombinált kamerát a közismerten nagyon pontos LiDAR mérésekkel hasonlították össze. 145, 160 és 180 fokra is beállították. Kiderült, hogy az EOMVS rendszer szintén pontosan, mindössze három százalék hibarátával térképez fel 3D-s tereket. Még pocsék világítás mellett is lekövet szélsebesen mozgó objektumokat.

A kutatók szerint a 3D-s térképezés és a dróntechnológia összekapcsolása az EOMVAS legígéretesebb alkalmazása.

A kamera kereskedelmi forgalmazását, továbbfejlesztését tervezik. Most a rendszernek az adatok összekapcsolása és elemzése miatt tudnia kell, hogy pontosan hol van a kamera. Az új változat rugalmasabb lesz, mert a kamera pozíciójáról semmiféle előzetes információra nem lesz szükség. Mozgás közbeni elhelyezkedését folyamatosan felbecsülő algoritmust fejlesztenek hozzá.

Ha hozzáérünk egy luftballonhoz, más nyomást gyakorlunk rá, mintha megfogunk egy üvegpoharat. Az MIT (Massachusetts Institute of Technology) és a Dél-kínai Tudomány és Technológia Egyetem kutatói a tapintás, érintés különbségeinek mérésére és feltérképezésére dolgoztak ki közösen hatékony eljárást.

A nyomást és más tapintásalapú stimulációkat „érző”, érintésre érzékeny kesztyűt terveztek. A belsejébe ágyazott szenzorrendszer detektálja, méri és feltérképezi a nyomás apró változásait. A finomhangolt érzékelők mindegyike a bőr nagyon kicsi rezgéseit, például a pulzusunkat is észleli.

Ezek az érzékelők hasonlítanak a jégszekrényekben vagy a meteorológiai állomásokon nedvességet mérő szenzorokhoz, azaz kicsi kondenzátorokhoz, amelyek két elektródából vagy fémlapból, és az általuk „szendvicsbe” fogott, az elektromos áramot nagyon rosszul vezető, az elektródák közötti töltéseket közvetítő, gumiszerű szigetelőanyagból állnak. Nedves körülmények között a köztes réteg szivacsként szívja fel a környezet töltött ionjait. Az ionokkal számszerűsíthető módon változik meg az elektródák közötti töltés, mérhető a nedvesség.

Az utóbbi években a szendvics-szerkezetet vékony és rugalmas nyomásérzékelők fejlesztéséhez is használjak, csakhogy a viszonylag méretes köztes réteg korlátozza az érzékelést. Az MIT-s és a kínai kutatók ezért emberi verejtékkel helyettesítették – a mikroszkopikus vezetőszálakkal felerősített, bőrön lévő két elektróda az áramkör, a testnedvből jövő ionok pedig közbülső rétegként funkcionálnak.

Amikor a tesztalanyok léggömbhöz, majd pohárhoz nyúltak, a szenzorok a tevékenységekről külön-külön nyomástérképet készítettek – az előbbi a tenyérre gyakorolt a teljes felületen eloszló, viszonylag egyenletes nyomást, az utóbbi pedig az ujjvégekre hatott erőteljesen.

 „Egyszerűsége és megbízhatósága miatt, érzékelő szerkezetünk változatos egészségügyi alkalmazásokban használható, például stroke utáni vagy más tapintási rendellenességektől szenvedő személyek érzékelő-készségének helyreállításában segíthet, de a pulzus kitapintására is jó” – nyilatkozta Nicholas Fang, az MIT kutatója.

A szó szoros értelmében legkézenfekvőbb alkalmazásként, a kesztyű a virtuális valóság (VR) és a játékélményt is növelheti. A fejlesztők szerint a nyomásérzékelők nemcsak kesztyűbe, hanem különleges ragasztókba is integrálhatók, amelyekkel a pulzus, a vérnyomás és más életjelek pontosabban mérhetők, mint az okos órákkal és más magunkon viselhető (wearable) eszközökkel.

A szebb napokat is megélt amerikai ipari központ, az autógyártásáról híres Detroit városa a Forddal és a Bosch-sal közösen Intelligens Parkolási Labort nyit. A laboratóriumnak a teljeskörű ingatlanszolgáltatásokat nyújtó Bedrock összeszerelő garázsa ad otthont.

A jövő közlekedésének autonóm technológiáit, például parkolási opciókat valós környezetben lehet majd tanulmányozni, az érintett vállalatok a helyszínen tesztelhetnek megoldásokat, például az automatikus fizetést, majd dolgozhatnak ki belőlük működő rendszereket, termékeket.

A labort azért is tervezték, hogy a Ford és a Bosch folytathassa tavaly augusztusban megkezdett és bemutatott közös munkáját – az önmagától parkoló (önparkoló) Ford Escape-et ugyanebben az épületben csodálhatták meg az érdeklődők. A biztonságos automatizált parkoláshoz (automated valet parking) egyáltalán nincs szükség a vezető jelenlétére.

A jármű emberi segítség nélkül hajtott át a parkolón, talált magának szabad helyet, majd szemmel láthatóan minden probléma nélkül ki is állt onnan. A fejlesztők bizakodnak, hogy a jövőben a parkolásnak ez a módja terjed el. Az automatizált technológia megkíméli az embert a zsúfolt nagyvárosi terekben, többemeletes parkolóházakban történő hosszas helykeresés testi-lelki gyötrelmeitől.

A Ford és a Bosch mellett az autókölcsönzéssel foglalkozó Enterprise szintén a laborban fogja tesztelni a technológiáit, hogy mennyire tud áramvonalasítani folyamatokat. Reménykednek, hogy a gépkocsi beállóhoz hajtó járművek előbb feltöltik magukat, majd a parkolóban helyet foglalva, valaki máris átveheti őket. Ez azért fontos, mert így csökken a bérlések közötti holtidő, az Enterprise még több profitot termel.

Jelenleg azonban „csak” az önparkoló autó valós opció, a többi kiegészítő technológián sokat kell még finomítani. A jármű az intelligens parkolásra alkalmas technikákkal felszerelt épületben felismeri a gyalogosokat, más járműveket, elkerüli az akadályokat.

A dél-chicagói Fehér Kastély bő száz éve látja el gyorskajákkal a vendégeket. Múlt évtől szokatlan küllemű szakácssegéd is részt vesz a munkákban – a krumplit robotikus szerkezet, Flippy süti.

Napi huszonhárom órát dolgozik, és csak azért nem 24/7-ben, mert egy órát a tisztításával töltenek. Tavaly és idén is folyamatos a munkája. A Fehér Kastély vezetősége annyira elégedett vele, hogy a gyártóval (Miso Robotics) közösen beindítják a javított, 2.0-ás változatot. Az új robot az ország különböző pontjain lévő tíz étteremben fogja sütni a rósejbnit.

Flippy zsírálló, fehér szövetbe bújtatott robotkar. A mennyezethez rögzített sínen csúszva mozog, emeli fel és engedi le a krumplival teli kosarakat. Úgy alakították ki, hogy a fröcsögő vagy kiömlő olajtól is védve legyen.

A vendéglátóipar robotizációja nem újkeletű, évek óta tart az élelmiszergyártás automatizálása, az utóbbi időben viszont felgyorsult a folyamat. Kevés az alkalmazott, május végén például 1,3 millió betöltetlen állás várt érdeklődőkre amerikai szállodákban és vendéglátó egységekben. A koronavírus-járvány hatását jelzi, hogy egy éve csak feleennyi személyre lett volna szükség.

Az éttermi kínálatra az elvitel és a házhoz szállítás pandémia miatti döbbenetes mértékű felpörgésével nőtt az igény. Sok vendéglátóipari egység a munkaerőhiányt és a bérek inflálódását önkiszolgáló és technológia-alapú megoldásokkal igyekszik túlélni. A fogyasztókkal való közvetlen kontaktot, amikor lehet, automatizált módszerekkel igyekeznek helyettesíteni, és közben az online rendelést is folyamatosan finomhangolják.

Vállalkozók és az iparág vezetői nagyobb és súlyosabb problémát is orvosolnának: magát az élelmiszergyártást automatizálnák olyan gyorsan, amennyire csak lehet. Gyorséttermekben, a helyszínen és ott is, ahol a kaják egy része készül, és ahonnan érkezik például a Fehér Kastélyba, régóta használják az automatizáció valamilyen formáját.

Az egyre olcsóbb szenzorokkal, aktuátorokkal, könnyebben hozzáférhető szoftverekkel, mindezek automatizált élelmiszer-kezelő rendszerekkel történő kombinációival, hatékonyabb az ellátás.

A legnagyobb kihívás az alapanyagokat eredményesen és az egészségügyi elvárásoknak eleget téve feldolgozó, speciális gépek kialakítása. Startupok vagy csak egy lépés automatizálásával, vagy nagyon egyszerű étel gépi előkészítésével próbálják megoldani a feladatot. Sok vendéglátós az állandóság, a megbízhatóság és a költséghatékonyság miatt gondolkozik a minél szélesebb körű automatizáción.

Az amerikai rendőrség több esetben az arcfelismerő rendszer melléfogása miatt vett őrizetbe ártatlan személyeket. A technológiát boltokban is használják, például tolvajokat azonosítanak vele. Máshol teljesen rutinszerű, hogy belenézünk a biztonsági kamerába, aztán mehetünk tovább. Telefonunk szintén arcfelismeréssel működik.

A sokat emlegetett biztonságért és kényelemért, legalábbis azok ígéretéért cserébe, lemondunk magánéletünk egy részéről. A valóságban az ígéretek nem sokat érnek, mert az arcfelismerés nem teszi biztonságosabbá az életünket. Hackerek egyre több módszerrel verik át ezeket a rendszereket, és a Tel-Avivi Egyetem most még egy, újabb technikára jött rá. Nyilván nem a rosszfiúkat segítendő, hanem a technológia sebezhető pontjaira hívják fel vele a fejlesztők figyelmét.

Egyszerűen meghamisítják az arcunkat, és a rendszerek számottevő része beveszi a trükköt. Az eljárás neve „mesterarc”, ami olyan mint a főkulcsrendszer minden egyes zárbetétét nyitó mesterkulcs. Lényege, hogy mesterségesintelligencia-technológiákkal a személyazonosság-ellenőrző rendszereket megnyitó arcsablont hoz létre.

Kutatási eredmények alapján az arcalapú hitelesítés még akkor is rendkívül sebezhető, ha egyáltalán nincs információ a célszemélyről. A biztonságot hamisítás elleni módszerekkel próbálják növelni, eddig inkább kevesebb, mint több sikerrel. Ha az izraeli kutatók módszerét meglévő technikákkal kombinálják össze, a rendszerek még védetlenebbek lesznek.

Abból indultak ki, hogy az arcfelismerő rendszerek változatos markerek sorozatait használva azonosítanak személyeket. Sok markerrel megegyező arcsablonokkal viszont egy, a rendszereket könnyen átvágó átlagos arc, mesterarc hozható létre. A módszer azért eredményes, mert a lakosság jelentős része hasonlít a mesterarcra.

A „minden arcok arcát” speciális algoritmussal, egy, széles körben használt, nem valódi emberi arcok alkotására tökéletes generatív modellel (StyleGAN) hozták létre. A Massachusetts Egyetem 13 ezer arcképet tartalmazó nyíltforrású tárhelyén tesztelték, és a fotókon látható személyek több mint húsz százalékát sikeresen azonosította. Más teszteken magasabb pontszámokat ért el.

Ha a mesterarc és az arcokat élettel megtöltő, animáló kamukép (deepfake) technológiákat összepárosítjuk, a csalás még hatékonyabb. Sok azonosító rendszer feladatai közé tartozik ugyanis, hogy megállapítsa: az alany mennyire életteli, azaz élő személy vagy egy bábu, baba, kép stb. vigyorog rá. Ha elhitetjük, hogy az arc egy kicsit mozog, máris átvertük a rendszert.

Egyelőre nehéz elképzelni, hogy a valóságban mire használjanak egy ilyen kombinációt. Kémek talán tudnak valamit kezdeni vele, a jövőben viszont bármi lehet. Vagy – még inkább – a kutatók újfent azt bizonyítják, hogy fogjuk vissza magunkat az arcfelismerés használatával.

A Google-hoz tartozó mesterségesintelligencia-fejlesztő londoni DeepMind cukorka színű virtuális játszóteret fejlesztett MI-k tanítására. A videojátékokra emlékeztető XLand 3D világban állandóan változó feladatokat megoldva kell általános képességekre szert tenniük.

Speciális feladat abszolválásához szükséges egyedi képességek megszerzése helyett, a közeget színeken keresztül érzékelő mesterséges intelligenciák kísérletezni és felfedezni tanulnak, és közben korábban soha nem látott tevékenységekhez fontos adottságokra tesznek szert.

Ez egy lépés az általános mesterséges intelligencia (AGI, artificial general intelligence) felé.

A világot központi MI kezeli, a környezet megváltoztatásával ő határozza meg a többmilliárd különböző feladatot, a szabályokat és a játékosok számát. Ő és a többiek is megerősítéses tanulást és próba-hiba (trial and error) módszert használnak.

Gyakorlás közben, először egyszemélyes játékokkal szembesülnek, például bíborszínű kockát kell sárga labdára vagy vörös padlóra tenniük. Később több-résztvevős játékokig fejlődnek, amelyekben, mondjuk, zászlót kell elrejteniük, megtalálniuk, versengeniük, hogy ki lesz az első. A játszótér-menedzsernek nincsenek speciális céljai, a játékosok általános képességeit akarja folyamatosan javítani.

A DeepMind korábbi MI-jei, például a sakkban és góban remeklő AlphaZero egyszerre csak egy játékot tudtak megtanulni. Úgy képzeljük el, hogy sakkról góra váltva, sakk-agyukat go-agyra cserélik. Az XLand ennek az állapotnak akar véget vetni, ezért van szükség több feladat szimultán elvégzésére, azokhoz könnyen adoptálható általános képességekre.

Speciális cél nélküli, nyílt tanulással az MI-k elvileg elérhetik ezt a szintet. A Homo sapiens és sok állat is így, céltalanul játszva tanul. Mesterséges intelligenciák esetében viszont nagymennyiségű adat kell hozzá, amelyet – a végtelen feladathalmazok formájában – az XLand automatikusan generál nekik.

Egyes MI-k legalább négyezer virtuális világon, 700 ezernél több, különféle játékon, 3,4 millió egyedi feladaton vannak túl. A helyzetenkénti legjobb lépés helyett addig kísérleteznek, amíg el nem jutnak a megoldásig.

Az észak-nigériai Kano városában tizenéves lányok egy innovatív projekt keretében robotikát, számítástudományt és más STEM (természettudomány, technológia, mérnöki tudomány, matematika) témákat tanulnak. Már a témák kihívásnak számítanak, és nehezen egyeztethetők össze a helyi szokásokkal, a nőkkel szembeni elvárásokkal, a konzervatív muszlim társadalommal.

Egy olyan közegben, ahol a lányokat nagyon fiatalon kiházasítják, oktatásuk rövid ideig tart, ahol december óta ezernél több diákot raboltak el zsarolási szándékkal, és ezért sok szülő inkább nem járatja iskolába a gyerekeit, a Kabara civil szervezet (NGO) eltökélt szándéka a diákok világképének gépépítéssel, programozással, matematikával és a természettudományokkal való bővítése. A lányok élvezik a robotokat, a szoftvereket, kreatív használatukat, az alkotótevékenységet.

A Kabara Hadiza Garbati mérnök szellemgyermeke. A szervezet sanyarú helyzetű észak-nigériai gyermekeken akar segíteni, kihozni a bennük szunnyadó és a hagyományos oktatás által nem érintett képességeket, elősegíteni, hogy a jövőben vagy kisvállalatokat alapítsanak, vagy egyetemi tanulmányokat folytassanak.

A kanoi programot 2016-ban kezdték, azóta több mint kétszáz lány oktatásában segédkeztek. Garbati most már más északi városokban is hasonló projekteket tervez indítani. Kano szerencsére biztonságos környék, nem érinti az északi területeket sújtó terroristahullám.

Garbati elmondta, hogy sikerült megtörnie egyes szülők ellenállását, és meggyőzte őket: a Kabara tiszteletben tartja az iszlámot. A projektet egyébként a helyi közösség szemében morális autoritásnak számító kanoi emír közvetlen tanácsadója, Nasiru Wada is támogatja.

„Főként azért segítjük, mert azt szeretnénk, hogy legyenek nyitottabbak. A hagyományok ugyan nem bátortalanítják el a lánygyerekeket, de az oktatásukra sem fektetnek elég hangsúlyt. Fontos, hogy ne csak humán tárgyakat, hanem természettudományokat is tanuljanak. Egészségügyi dolgozókra, informatikatanárokra is szükségünk van” – magyarázza Wada, majd hozzátette, hogy házas nőknek is fontos ezeknek az ismereteknek a megszerzése.

A Columbia Egyetem és a Lausanne-i Svájci Szövetségi Technológiai Intézet (EPFL) két kutatója rájött, hogyan működtethető bonyolult kvantumszámításokat végző algoritmus kvantumszámítógép helyett hagyományos komputereken.

A szóban forgó kvantumszoftver, a kvantummegközelítő optimalizálási algoritmus (QAOA) a lehetséges problémamegoldások közül a legjobbat kiválasztó, klasszikus matematikai optimalizáló feladatokat old meg.

A többek között a Google által is támogatott QAOA rendeltetése, hogy segítsen a kvantumgyorsulás, a feldolgozási sebesség előrejelzett, kvantumszámítógépen kivitelezhető, hagyományoson megvalósíthatatlan felpörgetésében.

A kvantumgyorsulás korlátja azonban – részben az egyre eredményesebb klasszikus algoritmusok miatt – folyamatosan változik.

Rendelkeznek-e komoly előnnyel a mostani és a közeljövő kvantumszámítógépein futó algoritmusok praktikus feladatok megoldásában? – tette fel a kérdést a két kutató.

A válaszhoz először szimulált kvantumrendszerben kell megérteni a hagyományos számítások korlátait. Ez azért fontos, mert a kvantumprocesszorok mostani generációja olyan üzemmódban fut, hogy kvantumszoftverek működése közben hibák csúsznak be, és ezért csak korlátozott komplexitású algoritmusok futtathatók.

A javasolt megoldás a következő: a kvantumalgoritmusok egy – alacsony energiahasználattal működő – csoportjának a viselkedését szimuláló módszert dolgoztak ki hagyományos komputerekhez. A QAOA a csoport reprezentatív példája. A megoldás a gépitanulás-eszközökön alapul, hogy képesek megtanulni és utánozni kvantumszámítógépek belső működését. A QAOA-t mesterséges ideghálóval szimulálták, az eredménnyel kifejezetten elégedettek, új viszonyítási alap lehet jövőbeli kvantumhardver-fejlesztésekhez.

A lényeg, hogy a kvantumszámításokban szép jövő előtt álló QAOA nagyon pontosan szimulálható klasszikus komputereken. De ez sajnos nem vonatkozik minden kvantumalgoritmusra.

Képzőművészet és mesterséges intelligencia románca nem újkeletű, és az utóbbi idők eseményei, fejlesztései alapján egyértelmű, hogy a trend folytatódik, a szó szoros értelmében is mélyül az együttműködés. Kreatív mérnökök ugyanis egyre több mélytanulás (deep learning) rendszerrel ismertetik meg a művészeteket, a rendszerek összekombinálása pedig szintlépéshez vezethet.

Kutatók, hackerek és művészek legújabban az előre begyakoroltatott (az OpenAI által fejlesztett) CLIP képosztályozó és generatív ellenséges hálózatok (generative adversarial network, GAN) együttes használatával készítenek alkotásokat.

A CLIP-nek – az OpenAI januárban tette közkinccsé a kódját – szöveges listát adunk azokról a képosztályokról, amelyeket szeretnénk, ha felismerne. A modell a legvalószínűbb csoportokat hozza ki eredményként.

Művészek szintén szöveges leírást adnak neki arról, hogy hogyan képzelik el alkotásukat. CLIP-nek a szöveget képekhez társító adottságát kihasználva, irányítanak GAN-okat.

Egy kaliforniai művészközösség közreműködésével a Google létrehozta a CLIP-et különféle GAN-okkal összekötő Collab Notebooks rendszert. A felhasználó begépel egy mondatot, megad néhány paramétert, és kiválaszt egy GAN-t.

Mihelyst a GAN generált egy képet, CLIP pontozza, hogy mennyire kapcsolódik az eredeti mondathoz. A Collab-kód folyamatos iterációkkal addig javít a GAN hiperparaméterein, amíg a kimenet magasabb pontszámot ér el. A képgenerálás és a javítás ciklusa pedig addig ismétlődik, amíg az eredmény megegyezik a felhasználó által megadott küszöbértékkel, vagy esetleg jobb annál.

A különböző GAN-ok különböző módon kezelik a vizuális karakterjegyeket. A BigGAN például az impresszionistább, a VQ-GAN a kubistább stílust részesíti előnyben. Egy-egy nagyon speciális, mondjuk, valamilyen játékra utaló kifejezés megadásával drasztikusan javulhat a képminőség.

A CLIP-et osztályozásra és nem társalkotásra, míg a GAN-okat ismert képek változatainak elkészítésére találták ki. Összetársításuk megmutatja, kreatív impulzusokra milyen művészi eredményekre képesek. Valószínűleg fejlesztőiket is meglepik velük. 

A következő lépés vajon az lesz, hogy egy mesterséges idegháló adja meg az általa elképzelt alkotás paramétereit egy másik mesterséges ideghálónak, majd az utóbbi egy harmadikkal közösen megalkotja az eredeti ötletnél sokkal jobb és kifejezőbb képet?

Cyberbiztonsági szakértőknek elképesztő adatmennyiséget kell kezelniük. Legnehezebb dolguk akkor van, ha a hálózati forgalmat kell folyamatosan figyelniük.

Ha egyetlen nap adatforgalmát szövegformában kinyomtatnák, vastag telefonkönyv lenne az eredmény. Mit jelent ez? Például azt, hogy a rendellenességek észlelése kb. akkora feladat, mint tűt keresni a szénakazalban.

„Adatóceán. Látnunk kellene a fontos mintázatokat, de azokat átlagos vagy teljesen triviális minták temetik magukba” – érzékelteti a helyzetet Yang Cai, a Carnegie Mellon Egyetem (CMU) kutatója.

Cai évek óta szokatlan hálózati jelenségeket kimutató módszereken dolgozik. Kutatócsoportjával fejlesztett már forgalmi mintázatokat vizuálisan megjelenítő eszközt, most pedig az „anomáliákat” hangokba öntő, hallhatóvá tevő technikát találtak ki.

Megzenésítették a cyberbiztonságot.

„Normális és abnormális mintázatokat akartunk zeneileg megfogalmazni. A szonifikáció nem új, de az már az, hogy az adatokat így tesszük kellemessé az emberi fül számára” – magyarázza.

Több „hangtérképező” algoritmussal dolgozva, számszerűsített adatsorokat alakítottak át változatos melódiájú, harmóniájú, ütemű és tempójú muzsikává. Hangtájképeket dolgoztak ki, hogy a számokat zenei szerkezeteken belül is lehessen hallani. A 0 és 9 közötti számokhoz egyedi hangjegyeket társítottak, a Pi matematikai állandó (3,14159265359) harmadik és negyedik számjegyének (1 és 4) megjelenítéséhez például az ütemeket módosították 4/4-re és 1/4-re, és így tovább.

A műveletek ugyan bonyolultak, de a zenei változások mindenféle muzikális tanulmány nélkül jól hallhatók. Alapanyagként egy elosztott malware-hálózat adatforgalmát használták, nem zeneértő hallgatóságuknak különböző hangszereken adták elő, és egyből észlelték a változásokat.

„Nemcsak zenét készítünk, hanem elvont adatokat az ember által feldolgozható valamivé alakítjuk át” – nyilatkozta Cai és két kollégája. Ő nem, de munkatársai képzett zenészek is.

Cai szerint a jövő virtuálisvalóság-szemüveges elemzői nemcsak audiovizuálisan, hanem az összes érzékszervükkel észlelik a hálózati adatfolyamot. Minél közelebb mennek egy adatponthoz, adatklaszterhez, annál hallhatóbb lesz a zene.