Jadual Kandungan
1 Kesaksamaan dalam pengecaman muka " >1 Kesaksamaan dalam pengecaman muka
2. Keterbukaan kerja dalaman kecerdasan buatan " >2. Keterbukaan kerja dalaman kecerdasan buatan
3. Tanggungjawab kepada pihak berkepentingan " >3. Tanggungjawab kepada pihak berkepentingan
4. Persetujuan dan pemberitahuan sebelum pemantauan " >4. Persetujuan dan pemberitahuan sebelum pemantauan
5. Pengawasan yang sah untuk mengelakkan pelanggaran hak asasi manusia " >5. Pengawasan yang sah untuk mengelakkan pelanggaran hak asasi manusia
6. Ralat pengesahan semasa pembelian " > 6. Ralat pengesahan semasa pembelian
7. Ketidaktepatan dalam Aplikasi Penguatkuasaan Undang-undang " >7. Ketidaktepatan dalam Aplikasi Penguatkuasaan Undang-undang
Rumah Peranti teknologi AI Prinsip Etika Teknologi Pengecaman Muka

Prinsip Etika Teknologi Pengecaman Muka

Apr 09, 2023 pm 04:31 PM
AI pengecaman muka Biometrik

Potensi besar teknologi pengecaman wajah dalam pelbagai bidang hampir tidak dapat dibayangkan. Walau bagaimanapun, perangkap biasa tertentu dalam kefungsiannya dan beberapa pertimbangan etika perlu ditangani sebelum aplikasinya yang paling kompleks boleh dilaksanakan.

Prinsip Etika Teknologi Pengecaman Muka

Sistem pengecaman muka yang tepat yang menggunakan teknologi biometrik untuk melukis ciri muka daripada foto atau video. Ia membandingkan maklumat ini dengan pangkalan data wajah yang diketahui untuk mencari padanan. Pengecaman muka boleh membantu mengesahkan identiti seseorang, tetapi ia juga menimbulkan kebimbangan privasi.

Beberapa dekad yang lalu, kami tidak dapat meramalkan bahawa pengecaman muka akan menjadi bahagian yang hampir tidak boleh diketepikan dalam kehidupan kita pada masa hadapan. Daripada membuka kunci telefon pintar kepada menjalankan urus niaga dalam talian (atau luar talian), teknologi ini amat sebati dalam kehidupan seharian kita. Ini adalah aplikasi luar biasa penglihatan komputer dan komponen pembelajaran mesin kecerdasan buatan.

Sistem pengecaman muka berfungsi seperti ini:


Algoritma terlatih menentukan pelbagai butiran unik wajah seseorang, seperti piksel antara nombor mata atau bibir arka, ditafsir secara logik antara butiran lain untuk membina semula muka dalam sistem. Wajah yang dibina semula ini kemudiannya dibandingkan dengan set besar muka yang disimpan dalam pangkalan data sistem. Jika algoritma mengesan bahawa wajah yang dihasilkan semula secara matematik sepadan dengan wajah yang terdapat dalam pangkalan data, sistem "mengecamnya" dan melaksanakan tugas pengguna.

Selain melengkapkan keseluruhan proses dalam beberapa nanosaat, sistem pengecaman muka hari ini mampu berfungsi walaupun dalam cahaya malap, resolusi imej yang lemah dan sudut tontonan.

Seperti teknologi kecerdasan buatan lain, sistem pengecaman muka perlu mengikut beberapa prinsip etika apabila digunakan untuk pelbagai tujuan. Peraturan ini termasuk:

1 Kesaksamaan dalam pengecaman muka

Pertama, pembangunan peralatan pengecaman muka mesti menjadikan sistem menghalang sepenuhnya, atau sekurang-kurangnya meminimumkan Kurangkan berat sebelah. mana-mana orang atau kumpulan berdasarkan bangsa, jantina, ciri muka, kecacatan atau aspek lain. Kini terdapat banyak bukti bahawa sistem pengecaman muka tidak mungkin 100% adil dalam operasinya. Akibatnya, syarikat membina sistem untuk menyokong teknologi ini sering menghabiskan ratusan jam untuk membuang semua kesan berat sebelah yang terdapat dalam sistem mereka.

Organisasi bereputasi seperti Microsoft sering mengupah pakar yang berkelayakan daripada seberapa banyak komuniti etnik yang mungkin. Semasa peringkat penyelidikan, pembangunan, ujian dan reka bentuk sistem pengecaman muka mereka, kepelbagaian membolehkan mereka mencipta set data besar-besaran untuk melatih model data AI. Walaupun set data yang besar mengurangkan hasil bagi bias, kepelbagaian juga adalah simbolik. Memilih individu dari seluruh dunia membantu mencerminkan kepelbagaian dunia sebenar.

Untuk menghapuskan berat sebelah daripada sistem pengecaman wajah, organisasi mesti berusaha lebih. Untuk mencapai matlamat ini, set data yang digunakan untuk pembelajaran mesin dan pelabelan mestilah pelbagai. Paling penting, kualiti keluaran sistem pengecaman muka yang saksama akan menjadi sangat tinggi, kerana ia akan berfungsi dengan lancar di mana-mana sahaja di dunia, tanpa sebarang unsur berat sebelah.

Untuk memastikan keadilan sistem pengecaman wajah, pembangun juga boleh melibatkan pelanggan akhir semasa fasa ujian beta. Keupayaan untuk menguji sistem sedemikian dalam senario dunia sebenar hanya akan meningkatkan kualiti fungsinya.

2. Keterbukaan kerja dalaman kecerdasan buatan

Organisasi yang menggunakan sistem pengecaman muka di tempat kerja dan sistem keselamatan siber perlu mengetahui di mana maklumat pembelajaran mesin disimpan semua butiran. Organisasi sedemikian perlu memahami batasan dan keupayaan teknologi sebelum melaksanakannya dalam operasi harian. Syarikat yang menyediakan teknologi AI mesti telus sepenuhnya dengan pelanggan tentang butiran ini. Selain itu, penyedia perkhidmatan mesti memastikan sistem pengecaman muka mereka boleh digunakan oleh pelanggan dari mana-mana lokasi, berdasarkan kemudahan mereka. Sebarang kemas kini dalam sistem mesti diluluskan secara sah oleh pelanggan sebelum meneruskan.

3. Tanggungjawab kepada pihak berkepentingan

Seperti yang dinyatakan di atas, sistem pengecaman wajah digunakan dalam pelbagai jabatan. Organisasi yang mengeluarkan sistem sedemikian mesti bertanggungjawab terhadap mereka, terutamanya apabila teknologi itu berpotensi memberi kesan secara langsung kepada mana-mana orang atau kumpulan (penguatkuasaan undang-undang, pengawasan). Akauntabiliti dalam sistem sedemikian bermakna termasuk kes penggunaan untuk mencegah bahaya fizikal atau kesihatan, penyelewengan kewangan atau masalah lain yang mungkin timbul daripada sistem. Untuk memperkenalkan elemen kawalan ke dalam proses, individu yang berkelayakan bertanggungjawab ke atas sistem dalam organisasi untuk membuat keputusan yang terukur dan logik. Selain itu, organisasi yang menggabungkan sistem pengecaman wajah ke dalam operasi harian mereka mesti segera menangani ketidakpuasan hati pelanggan terhadap teknologi tersebut.

4. Persetujuan dan pemberitahuan sebelum pemantauan

Dalam keadaan biasa, sistem pengecaman muka tidak boleh digunakan untuk mengintip individu, kumpulan atau tingkah laku lain tanpa persetujuan individu atau kumpulan. Sesetengah institusi, seperti Kesatuan Eropah (EU), mempunyai set undang-undang piawai (GDPR) untuk menghalang organisasi yang tidak dibenarkan mengintip individu dalam bidang kuasa badan induk itu. Organisasi yang mempunyai sistem sedemikian mesti mematuhi semua undang-undang perlindungan data dan privasi A.S..

5. Pengawasan yang sah untuk mengelakkan pelanggaran hak asasi manusia

Melainkan dibenarkan oleh kerajaan negara atau badan pentadbiran yang tegas, digunakan berkaitan dengan keselamatan negara atau situasi berprofil tinggi yang lain tujuan, jika tidak sesebuah organisasi tidak boleh menggunakan sistem pengecaman muka untuk memantau mana-mana orang atau kumpulan. Pada asasnya, teknologi ini dilarang sama sekali digunakan untuk melanggar hak asasi manusia dan kebebasan mangsa.

Walaupun sistem pengecaman muka diprogramkan untuk mematuhi peraturan ini tanpa pengecualian, masalah mungkin timbul disebabkan oleh kesilapan operator. Beberapa isu utama yang berkaitan dengan teknologi ini ialah:

6. Ralat pengesahan semasa pembelian

Seperti yang dinyatakan sebelum ini, pengecaman muka disertakan dalam aplikasi pembayaran digital sistem di mana pengguna boleh mengesahkan transaksi. Disebabkan kewujudan teknologi ini, aktiviti jenayah untuk tujuan pembayaran seperti kecurian identiti muka dan penipuan kad debit sangat mungkin berlaku. Pelanggan memilih sistem pengecaman muka kerana ia memberikan kemudahan yang hebat kepada pengguna. Walau bagaimanapun, kesilapan boleh berlaku dalam sistem sedemikian apabila kembar seiras menggunakannya untuk membuat pembayaran tanpa kebenaran daripada akaun bank masing-masing. Kebimbangannya ialah walaupun terdapat protokol keselamatan dalam sistem pengecaman muka, penyalinan muka boleh menyebabkan penyelewengan dana.

7. Ketidaktepatan dalam Aplikasi Penguatkuasaan Undang-undang

Sistem pengecaman muka digunakan untuk mengenal pasti penjenayah awam sebelum mereka ditangkap. Walaupun teknologi sebagai konsep sudah pasti berguna dalam penguatkuasaan undang-undang, terdapat beberapa masalah yang jelas dengan kerjanya. Penjenayah boleh menyalahgunakan teknologi ini dalam beberapa cara. Sebagai contoh, konsep AI berat sebelah memberikan keputusan yang tidak tepat untuk pegawai penguatkuasa undang-undang kerana sistem kadangkala gagal membezakan antara orang kulit berwarna. Biasanya, sistem sedemikian dilatih pada set data yang mengandungi imej lelaki kulit putih. Jadi cara sistem berfungsi adalah salah apabila mengenal pasti orang dari kaum lain.

Terdapat beberapa kes organisasi atau institusi awam dituduh menggunakan sistem pengecaman muka canggih untuk mengintip orang awam secara haram. Data video yang dikumpul oleh individu di bawah pengawasan berterusan boleh digunakan untuk pelbagai tujuan jahat. Salah satu kelemahan terbesar sistem pengecaman muka ialah output yang mereka berikan adalah terlalu umum. Sebagai contoh, jika seseorang disyaki melakukan jenayah, foto mereka akan diambil dan dipamerkan bersama-sama gambar beberapa penjenayah untuk memeriksa sama ada orang itu mempunyai sebarang rekod jenayah. Walau bagaimanapun, menyusun data bersama bermakna pangkalan data pengecaman muka akan mengekalkan foto lelaki itu dan penjenayah berpengalaman. Jadi, walaupun individu itu agak tidak bersalah, privasinya dilanggar. Kedua, orang itu mungkin dipandang buruk walaupun tidak bersalah oleh semua akaun.

Seperti yang dinyatakan, masalah dan ralat utama yang berkaitan dengan teknologi pengecaman wajah berpunca daripada kekurangan kemajuan dalam teknologi, kekurangan kepelbagaian dalam set data, dan pengendalian sistem yang tidak cekap oleh organisasi. Walau bagaimanapun, skop aplikasi kecerdasan buatan dan aplikasinya dalam keperluan kehidupan sebenar harus tidak terhad. Risiko dengan teknologi pengecaman muka sering berlaku apabila teknologi tidak berfungsi dengan cara yang sama seperti yang sebenarnya diperlukan.

Prinsip Etika Teknologi Pengecaman Muka

Walau bagaimanapun, adalah dijangka dengan kemajuan teknologi yang berterusan pada masa hadapan, masalah berkaitan teknologi akan dapat diselesaikan. Isu yang berkaitan dengan berat sebelah dalam algoritma AI akhirnya akan dihapuskan. Walau bagaimanapun, agar teknologi ini berfungsi dengan sempurna tanpa melanggar sebarang norma etika, organisasi mesti mengekalkan tahap tadbir urus yang ketat untuk sistem tersebut. Dengan tadbir urus yang lebih baik, pepijat sistem pengecaman muka boleh ditangani pada masa hadapan. Oleh itu, penyelidikan, pembangunan dan reka bentuk sistem sedemikian mesti diperbaiki untuk mencapai penyelesaian yang positif.

Atas ialah kandungan terperinci Prinsip Etika Teknologi Pengecaman Muka. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

Video Face Swap

Video Face Swap

Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Jun 28, 2024 am 03:51 AM

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Jun 10, 2024 am 11:08 AM

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool Jun 07, 2024 am 10:06 AM

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Jun 11, 2024 pm 03:57 PM

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Lima sekolah pembelajaran mesin yang anda tidak tahu Lima sekolah pembelajaran mesin yang anda tidak tahu Jun 05, 2024 pm 08:51 PM

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Jul 25, 2024 am 06:42 AM

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

SK Hynix akan memaparkan produk berkaitan AI baharu pada 6 Ogos: HBM3E 12 lapisan, NAND 321 tinggi, dsb. SK Hynix akan memaparkan produk berkaitan AI baharu pada 6 Ogos: HBM3E 12 lapisan, NAND 321 tinggi, dsb. Aug 01, 2024 pm 09:40 PM

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas

Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Jul 17, 2024 pm 06:37 PM

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

See all articles