Viimati AI-s

Nagu imetajad, nagu masinad, aju pildistamine ja palju muud!

"AI on intelligentsete masinate, eriti intelligentsete arvutiprogrammide valmistamise teadus ja tehnika"
- tehisintellekti isa John McCarthy

AI sisaldab ulatuslikku arvutiteaduse komplekti mõistmise, mõistmise ja õppimise jaoks. See annab panuse väga erinevatesse valdkondadesse, mis hõlmavad filosoofiat, infotehnoloogiat, psühholoogiat, matemaatikat ja bioloogiat, ning on olnud domineeriv erinevates valdkondades, näiteks hasartmängud, looduskeele töötlemine (NLP), kõnetuvastus ja ekspertsüsteemid.

Siin on meie valik viimase paari nädala jooksul tehisintellekti 5 parimat teadusarendust, mis on teile esitatud teravalt ja lühidalt.

Nagu imetajad, nagu masinad:

Kas olete kunagi näinud masinat, mis liigub vabalt nagu loom? Imetajate tundlik liikumine maailmas navigeerimisel näib nii vaevatu ja loomulik, et selle aluseks olevate protsesside keerukus on õõnestatud. Ruumiline navigeerimine on endiselt tohutu väljakutse robotitele ja tehislikele ainetele, kelle võime selles piirkonnas on imetajate jaoks kaugelt ületatud. DeepMindi teadlaste tehtud imetajate võrerakkude uuring on seda arusaama muutnud.

Võrgurakk on paljude liikide ajus esinev tüüpi neuron, mis võimaldab neil mõista oma positsiooni ruumis. Võimalus jäljendada loomade navigeerimisvõimalusi võiks edendada paljude süsteemide taga olevat tehnoloogiat, alates droonidest kuni isesõitvate autodeni. Need tulemused on tõendiks, et ajulaadsete algoritmide jäljendamine võib viia võimsamate masinõppe tööriistadeni. See võib tähendada, et elutähtsamad AI-süsteemid on silmapiiril palju lähemal kui kunagi varem arvati.

Särgid ja käekellad, mis jälgivad terviseprobleeme:

Pilt nutikellist

Rühm Waterloo ülikooli teadlasi on leidnud futuristliku viisi terviseprobleemide lahendamiseks. Nad on liitnud AI-ga kantava tehnoloogiaga (nagu särgid), et teha kindlaks terviseprobleemid (kantavate andurite andmed ja AI saavad hinnata muutusi aeroobsetes reaktsioonides) nagu hingamisteede või südame-veresoonkonna haigused süsteemis, mida nimetatakse Hexoskin. Nad on leidnud, et tervisega seotud võrdlusaluseid saab sel viisil väga hõlpsalt ennustada ja seega on võimalik pidevalt jälgida inimese tervist tervisehäirete osas, isegi kui nad mõistavad, et vajavad abi. Uurimistöö on loonud vahendid bioloogiliste signaalide töötlemiseks ja on määratlenud parameetrid sobivuse määramiseks. See uuring on esimene, mis kasutab AI-d koos kantavate anduritega igapäevaseks iseseisvaks tegevuseks ja sellel võib olla oluline mõju elanike heaolule. See on silmapaistev näide mitmetahulistest uuringutest, kuidas AI võib olla tervishoiusektoris pöördeline punkt, ennustades üksikisiku terviseprobleeme haigusseisundi varases staadiumis. Meeskond plaanib testida Hexoskini nii vanusegruppides kui ka terviseprobleemidega inimestel, et täiendavalt uurida, kuidas selle kandmine aitab diagnoosimisel.

Kolledžist väljalangemise tõenäosus:

Jade Tarkvara andmeteadlased on ehitanud masinõppe tööriista, et ennustada üliõpilase väljalangemise tõenäosust, kasutades 15-aastaseid üliõpilaste andmeid, mis sisaldavad näiteks elukoha kaugust ülikoolist, vanust, üliõpilase hindepunkti, režiimi õppe eest tasumine, sisseastumisvõimalused jms. Seda on testitud Uus-Meremaal (üks riikidest, kus kursuse lõpetamise määr on kõige madalam) ja Austraalias. Leiti, et tööriist oli 92% täpne. See võib mängida olulist rolli ülikoolide hoiatamisel, osutades, et konkreetsel üliõpilasel on märkimisväärne võimalus koolist väljalangemine, nii et asjassepuutuvad asutused saavad asjasse sekkuda. Kuigi see on ennustava analüütika uus rakendus, on tööriist põhimõtteliselt sama, mida kasutavad sellised ettevõtted nagu Flipkart ja Amazon, et ennustada tarbijate ostuharjumusi, või Netflix, et ennustada, milliseid saateid vaatajad tõenäoliselt vaatavad. Selle mudeli üks suur oht või puudus on see, et parameetrid, mille alusel õpilasi hinnatakse, võivad teatud aja jooksul järk-järgult muutuda ja seega ei saa eelmisel aastal koolitatud mudelit jooksval aastal kasutada. Tulemusi saab edastada ülikoolile, et analüüsida võimalikku väljalangemist individuaalsel tasemel, mis võib aidata ülikoolil pakkuda tudengitele asjakohast tuge.

Eeldatav eluiga pärast südamepuudulikkust:

Los Angelese California ülikooli (UCLA) teadlaste meeskond on koostanud algoritmi, mis võimaldab ette näha, millised südamehaiged jäävad südamesiirdamise ja nende eluea üle elama, võimaldades arstidel isikupärasemat hinnangut anda ja tervishoiu kulusid potentsiaalselt vähendada. , ressursside piiratud kasutamisega. Algoritm nimega “Ennustajate puu” võtab ennustamiseks erinevaid andmeparameetreid, näiteks veregrupp, vanus, kehamassiindeks (KMI) jne ja sama jaoks kasutati 30-aastaseid andmeid. Leiti, et algoritm andis paremaid ennustusi kui teiste uurimisrühmade väljatöötatud. See tehnika on modelleeritud inimese mõtlemisele, mille olulisim omadus on see, et sama probleemi jaoks on välja töötatud arvukalt alternatiivseid tulemusi, võttes arvesse iga patsiendi varieeruvust. Ennustajate puu algoritmi saab laialdaselt kasutada paljude meditsiiniliste andmebaaside ja muude keerukate andmebaaside vaatluste jaoks, käekirja tuvastamiseks, krediitkaardi pettuse ennustamiseks ja uudiste populaarsuse suurendamiseks.

Ultraheli tehnoloogia aju reaalajas piltide saamiseks:

Brett Byram ja tema Vanderbilti ülikooli teaduspartnerid on ultraheli tehnoloogiat kasutanud aju reaalajas piltide tootmiseks, milles teatud piirkondi stimuleerivad teatud tunded, luues seeläbi inimestele tõhusa viisi robootika juhtimiseks. Teadlased on kulutanud aastakümneid selliseid edusamme ette, kuid see oli kuni viimase ajani kättesaamatu, kuna ultraheli taladel on võime kolju ümber kerkida. Aju pildistamise praegused meetodid on algelised. Elektroentsefalograafia, mis mõõdab aju elektrilist aktiivsust, ei saa aju sügavale vaadata, andes seeläbi ainult pinnatasemel pilte. Byram ütleb, et soovib masinaõpet integreerida elektroentsefalogrammide tehnoloogiasse nii, et arstid saaksid mitte ainult aju perfusiooni (kuidas verevool vastab mõtte muutustele) visualiseerida, vaid ka liikumise ja emotsioonidega analoogseid stimulatsiooni alasid. Selle uurimistöö rakendused on piiritu. Põhitasemel võiks see võimaldada selgemate piltide tegemist, kui need arstid on harjunud nägema (näiteks südame, aju või emakaga). Lisaks ajutegevuse uurimisele loodavad teadlased, et süsteem suudab lõpuks aju signaalid kloonida ja seda saaks seega tarkvara, tehisjäsemete ja muud tüüpi robootikaga ühendada, muutes ideed toiminguteks.

See on kõik selle väljaande jaoks. Kindlasti on edasiminek nii kiire, et kasvutempo on näiliselt valguse kiirusel. Olge kursis selle sarja järgmise artikliga!

(Selle artikli autor on Research Nesti tehniline kirjanik Nivedha Jayaseelan)