ARTIKEL TENTANG TEKNIK INFORMATIKA

ARTIKEL 1

Arming the public with artificial intelligence to counter social bots

Abstract

The increased relevance of social media in our daily life has been accompanied by efforts to manipulate online conversations and opinions. Deceptive social bots—automated or semi‐automated accounts designed to impersonate humans—have been successfully exploited for these kinds of abuse. Researchers have responded by developing artificial intelligence (AI) tools to arm the public in the fight against social bots. Here we review the literature on different types of bots, their impact, and detection methods. We use the case study of Botometer, a popular bot detection tool developed at Indiana University, to illustrate how people interact with AI countermeasures. A user experience survey suggests that bot detection has become an integral part of the social media experience for many users. However, barriers in interpreting the output of AI tools can lead to fundamental misunderstandings. The arms race between machine learning methods to develop sophisticated bots and effective countermeasures makes it necessary to update the training data and features of detection tools. We again use the Botometer case to illustrate both algorithmic and interpretability improvements of bot scores, designed to meet user expectations. We conclude by discussing how future AI developments may affect the fight between malicious bots and the public.

Abstrak

Meningkatnya relevansi media sosial dalam kehidupan kita sehari-hari telah disertai dengan upaya untuk memanipulasi percakapan dan pendapat online. Bot sosial yang menipu - akun otomatis atau semi-otomatis yang dirancang untuk meniru manusia - telah berhasil dieksploitasi untuk jenis pelecehan ini. Para peneliti merespons dengan mengembangkan alat kecerdasan buatan (AI) untuk mempersenjatai masyarakat dalam perang melawan bot sosial. Di sini kami meninjau literatur tentang berbagai jenis bot, dampaknya, dan metode pendeteksian. Kami menggunakan studi kasus Botometer, alat pendeteksi bot populer yang dikembangkan di Universitas Indiana, untuk menggambarkan bagaimana orang berinteraksi dengan penanggulangan AI. Survei pengalaman pengguna menunjukkan bahwa deteksi bot telah menjadi bagian integral dari pengalaman media sosial bagi banyak pengguna. Namun, hambatan dalam menafsirkan output alat AI dapat menyebabkan kesalahpahaman mendasar. Perlombaan senjata antara metode pembelajaran mesin untuk mengembangkan bot canggih dan penanggulangan yang efektif membuatnya perlu memperbarui data pelatihan dan fitur alat deteksi. Kami kembali menggunakan kasus Botometer untuk menggambarkan peningkatan algoritmik dan interpretabilitas skor bot, yang dirancang untuk memenuhi harapan pengguna. Kami menyimpulkan dengan membahas bagaimana perkembangan AI di masa depan dapat memengaruhi pertarungan antara bot jahat dan publik.

untuk lebih lengkapnya bisa dilihat disini.

ARTIKEL 2

A grammar-guided genetic programing algorithm for associative classification in Big Data 

Abstract

Background. The state-of-the-art in associative classification includes interesting approaches for building accurate and interpretable classifiers. These approaches generally work on four different phases (data discretization, pattern mining, rule mining, and classifier building), some of them being computational expensive. 

Methods. The aim of this work is to propose a novel evolutionary algorithm for efficiently building associative classifiers in Big Data. The proposed model works in only two phases (a grammar-guided genetic programming framework is performed in each phase): 1) mining reliable association rules; 2) building an accurate classifier by ranking and combining the previously mined rules. The proposal has been implemented on different architectures (multi-thread, Apache Spark and Apache Flink) to take advantage of the distributed computing. 

Results. The experimental results have been obtained on 40 well-known datasets and analyzed through non-parametric tests. Results were compared to multiple approaches in the field and analyzed on three ways: quality of the predictions, level of interpretability and efficiency. 

Conclusions. The proposed method obtained accurate and interpretable classifiers in an efficient way even on high-dimensional data, outperforming the state-of-the-art.

Abstrak

Latar Belakang. Keadaan mutakhir dalam klasifikasi asosiatif mencakup pendekatan menarik untuk membangun pengklasifikasi yang akurat dan dapat ditafsirkan. Pendekatan-pendekatan ini umumnya bekerja pada empat fase yang berbeda (diskritisasi data, penambangan pola, penambangan aturan, dan bangunan pengklasifikasi), beberapa di antaranya mahal komputasi.

Metode. Tujuan dari karya ini adalah untuk mengusulkan algoritma evolusi baru untuk membangun pengklasifikasi asosiatif secara efisien dalam Big Data. Model yang diusulkan bekerja di hanya dua fase (kerangka kerja pemrograman genetik terpandu tata bahasa dilakukan dalam setiap fase): 1) menambang aturan asosiasi yang dapat diandalkan; 2) membangun penggolong yang akurat dengan memberi peringkat dan menggabungkan aturan yang sudah ditambang sebelumnya. Proposal telah diimplementasikan pada arsitektur yang berbeda (multi-thread, Apache Spark dan Apache Flink) ke Manfaatkan komputasi terdistribusi.

Hasil. Hasil percobaan telah diperoleh pada 40 dataset terkenal dan dianalisis melalui tes non-parametrik. Hasil dibandingkan dengan beberapa pendekatan di lapangan dan dianalisis pada tiga cara: kualitas prediksi, tingkat interpretabilitas dan efisiensi.

Kesimpulan. Metode yang diusulkan memperoleh pengklasifikasi yang akurat dan dapat ditafsirkan dalam bahasa Indonesia cara yang efisien bahkan pada data dimensi tinggi, mengungguli negara-of-the-art.

Lebih lengkapnya bisa dilihat disini.