Se o seu sistema operacional openSUSE Linux esta com audio sem funcionar, isto geralmente ocorre em gerações de processadores recentes Gen9 ou superior. Basta instalar o pacote sof-firmware e PRONTO!

0000:00:1f.3 Multimedia audio controller: Intel Corporation Tiger Lake-LP Smart Sound Technology Audio Controller (rev 20)

# zypper in sof-firmware
# modprobe snd_sof_pci

Em 31 de dezembro de 2020, disponibilizei um post onde foi demonstrado o poder da tecnologia GANs para geração de imagens. Estes modelos generativos baseado em deep learning tem ganho cada vez mais notoriedade. A família Rede Adversárias Generativa e Autoencoders Variacionais merecem todo destaque na vertical de visão computacional.

Resumidamente VAEs (Autoencoders Variocionais) é um autoencoder que possui sua distribuição regularizada durante o treinamento, com o objetivo de possui boas propriedades. Assim permitindo gerar novos dados. Então podemos entender que o termo “variacional” é o resultado da técnica da regularização e o método de inferência variacional. Ou seja este método de inferência variacional é utilizado para aproximar distribuições. Então estas técnicas proporcionam os resultados a seguir.

Fonte: http://raywzy.com/Old_Photo/

“O próximo grande salto evolutivo da humanidade será a descoberta de que cooperar é melhor que competir… Pois colaborar atrai amigos, competir atrai inimigos. Feliz 2021 !”

Estas pessoas da imagem acima não existem e foram criadas com Redes Adversárias Generativas, ou seja, arquitetura de deep learning criada para uma se confrontar entre elas. E como resultado podemos obter fascinantes trabalhos.

A técnica que surgiu em 2014, tem um potencial enorme. Pois consegue aprender a imitar qualquer distribuição de dados. Então podemos dizer que GANs podem ser ensinadas a criar mundos semelhantes ao mundo real. A tecnologia é aplicada em imagens, música, fala e outros. Resumidamente impressionante.

Um Quadro foi vendido por $432.000 gerado por uma GANs, com base em um código fonte aberto de Stanford. Agora em 2019 os AUTOENCODERS VARIACIONAIS podem superar as GANs em geração de faces.

A GANs são capaz de gerar um novo conteúdo como mágica. Esta arquitetura, conta com algoritmo discriminativo. Então podemos entender que a técnica é baseada em algoritmos Generativos contra algoritmos Discriminativos. Ao longo de 2021 disponibilizarei mais resultados da minha pesquisa.

Clique no botão abaixo e teste a tecnologia!

Faço minha parte como militante do software livre e mantenedor oficial dos repositórios Linux OWASP ZAP disponibilizando os pacotes de instalação do software para vários sabores Linux NESTE LINK.

Esta ferramenta oferece escaneamento manual e automático de aplicações web, tanto para novatos quanto para veteranos em testes de penetração. O software é livre e esta disponível no GitHub. A ferramenta disponibiliza diversos testes, incluindo varredura de portas, ataque de força bruta e fuzzing, e recursos para identificar códigos maliciosos. Seu usuário usa interface gráfica intuitiva.

Aproveito para enviar críticas, sugestões e report de BUGs em cabelo@opensuse.org

A versão inicial do Intel® oneAPI 2021.1 esta disponível para download. Todos recursos disponibilizados apresentam versão final para todas as plataformas de CPU, GPU e FPGA. Exceto o Compilador Intel® Fortran (encontra-se em versão Beta).

Alguns de recursos neste release:

• Análise de potência da CPU e GPUs discretas para depug problemas de limitação e ajustes flops / watt.
• Suporte em repositórios de distribuição Nuget, Conda e PIP.
• Suporte para processadores Intel® Core de 11ª geração.
• Otimizações de precisão para tipos de dados FP32, BF16 e Int8 assim aumentando o desempenho de operações de treinamento e inferência em CPUs com Intel® Optimization.
• Intel® AI Analytics fornece suporte de GPU para algoritmos scikit-learn, K-means e muito mais.

Mais informações aqui: https://community.intel.com/t5/Intel-oneAPI-Base-Toolkit/oneAPI-2021-1-is-now-available/td-p/1235277

Disponibilizo a versão minimalista do openSUSE na AWS. Além de multiuso, completa, estável e fácil de usar. Destina-se a usuários, desenvolvedores, administradores, e qualquer profissional que deseja os recursos openSUSE no servidor. É ótimo para iniciantes, usuários experientes e ultra geeks, em resumo, é perfeito para todos!

Sugestões em cabelo@opensuse.org
Informações aqui: https://aws.amazon.com/marketplace/pp/B08PDNBFKY

A seguir as principais vantagens:

Desvantagem: Não possui YAST!

O Ritchie é uma ferramenta open source desenvolvida pela fantática equipe da ZUP que automatiza suas atividades manuais diárias com comandos simples executados a partir da criação de fórmulas no CLI. Eu por exemplo, utilizo a ferramenta para inserir usuários em projetos github de maneira muito produtiva. A seguir os comandos para instação:

Para openSUSE Tumbleweed execute o seguinte como root:

zypper addrepo https://download.opensuse.org/repositories/devel:tools/openSUSE_Tumbleweed/devel:tools.repo
zypper refresh
zypper install ritchie-cli

Para openSUSE Leap 15.2 execute o seguinte como root:

zypper addrepo https://download.opensuse.org/repositories/devel:tools/openSUSE_Leap_15.2/devel:tools.repo
zypper refresh
zypper install ritchie-cli

Para openSUSE Leap 15.1 execute o seguinte como root:

zypper addrepo https://download.opensuse.org/repositories/devel:tools/openSUSE_Leap_15.1/devel:tools.repo
zypper refresh
zypper install ritchie-cli

Para openSUSE Factory zSystems execute o seguinte como root:

zypper addrepo https://download.opensuse.org/repositories/devel:tools/openSUSE_Factory_zSystems/devel:tools.repo
zypper refresh
zypper install ritchie-cli

Para openSUSE Factory PowerPC execute o seguinte como root:

zypper addrepo https://download.opensuse.org/repositories/devel:tools/openSUSE_Factory_PowerPC/devel:tools.repo
zypper refresh
zypper install ritchie-cli

Para openSUSE Factory ARM execute o seguinte como root:

zypper addrepo https://download.opensuse.org/repositories/devel:tools/openSUSE_Factory_ARM/devel:tools.repo
zypper refresh
zypper install ritchie-cli

Existe muita polêmica sobre os mesários nas eleições em função do COVID-19. Mas no meu ponto de vista particular, não podemos desprezar o contato a urna eletrônica por diversas pessoas e seu respectivo problema. O controle da higienização das urnas é um complexo problema, pois um erro humano pode custar muito caro.

Enfim, pensando neste cenário para descontrair um pouco, imaginei utilizar um pouco da tecnologia de visão computacional para evitar o contato com equipamento. Pois podemos atualmente detectar as mão e os dedos assim evitando contato. Uma interface deve ser intuitiva para facilitar a votação, mas a prova de conceito desenvolvida em 3 horas demonstra a viabilidade e talvez solução para vários contextos problemáticos. Veja a seguir um vídeo demonstrativo.

A detecção de objetos 3D em tempo real com imagens 2D, estimativa de posição e tamanhos com AI, acredito ser o próximo grande passo evolutivo da visão computacional.

A detecção de objetos é um problema matemático no segmento de visão computacional amplamente estudado, a maior parte das pesquisas se concentraram no modelos 2D. Embora esta técnica 2D forneça apenas caixas delimitadoras, ao estender a localização para o espaço 3D, pode-se capturar o tamanho, posição e orientação de um objeto no mundo real. Com isto levando a uma variedade de recursos na robótica, veículos autônomos e realidade aumentada. A detecção de objetos 2D é madura e amplamente utilizada. Já a detecção de objetos 3D a partir de imagens 2D é um problema desafiador, devido à falta de dados e as anomalias na aparências e formas de objetos dentro de uma categoria.

Claro que existe uma enorme quantidade de dados 3D para cenas, em função da popularidade da pesquisa em carros autônomos que dependem de sensores de captura 3D. Mas limitado comparado a massa de dados 2D. Para superar este contexto e um expressivo avanço, utilizar os dados da tecnologia de realidade aumentada com ARCore e do ARKit parece fazer sentido. Pois proporciona a capacidade de capturar informações adicionais durante um processamento de AR, incluindo a pose da câmera, nuvens de pontos 3D esparsas, iluminação estimada e superfícies planas.