Az osztrák Tec-Innovation szakemberei vakokat és gyengénlátókat akadályok elkerülésében segítő, vízálló ultrahangos érzékelőkkel felszerelt intelligens cipőt fejlesztettek.

A lábbelik az akadályok közelében rezegni kezdenek, majd zajokat generálnak. Minél közelebb megy valaki a potenciális veszélyforráshoz, annál gyorsabbak a rezgések. A szenzorok maximum négy méter távolságból detektálnak objektumokat, és azt követően adják le a figyelmeztető jelzéseket. A cég egyik alapítója, Markus Ruffer, aki maga is látáskárosult, elmondta, hogy a cipő jól működik, neki például nagy segítség.

A rendszer az akadályelkerülésben kulcsfontosságú két információt észlel: egyrészt az akadály jellegét, másrészt az irányát. Különös figyelmet szentel a lefelé „tartó” tárgyaknak, például a földalatti létesítményekhez vezető lépcsőknek vagy gödröknek. Nemcsak azt jelzi, hogy az objektum releváns, hanem a típusát is. Élesen megkülönbözteti egymástól például a falat, az autókat vagy a lépcsőket.

A cég honlapján megvásárolható, az illetékes egészségügyi hatóság által már engedélyezett drága – 3200 eurós – termékcsomag az eszközből, egy pár cipőből és USB-töltőből áll, de a vásárló kívánsága szerint, meglévő lábbelikre is telepíthető. 

A Grazi Műszaki Egyetem által támogatott startup mesterséges intelligenciával – gépi tanulással – működő kamerát tervez a cipőbe ágyazni. A fejlesztők elmondták, hogy a jelenlegi csak az első változat, a kameraalapú felismerő rendszerrel a cipő még hatékonyabb lesz. A prototípus mindenesetre robusztus és kényelmes is.

A beágyazott kamera által rögzített képek alapján a rendszer még többet megtud az adott objektumról. Két fontos tevékenységre képes: mélytanuló algoritmusai a láb-perspektívából felvett képanyag alapján határozzák meg az akadálymentes területeket, ahol biztonságos a járkálás. A másik: tárgyakat ismernek fel, és különböztetnek meg egymástól.

A mászkálás közben összegyűjtött információkat másként is fel akarják használni, látáskárosultaknak készülő, egyfajta ”street view” navigációs térképpé kombinálnák össze őket. Az adatok egyelőre csak a cipő viselőjének hasznosak, így viszont közkinccsé válnak.

A Minecraft játékosai virtuális anyagokból készült tömböket kivonatolhatnak a 3D-s környezetből, majd saját terveik alapján rakhatják össze őket, például fákat, katedrálisokat stb. dolgozhatnak ki belőlük.

A 3D-s objektumokat létrehozó sejtautomata-alapú algoritmus három felsőoktatási intézmény, a koppenhágai, a yorki és a sanghaji egyetemek kutatóinak közös fejlesztése. Munkájuk ékesen példázza az ezekben az algoritmusokban rejlő potenciált, hogy tipikusan kétdimenziósra korlátozott szerkezetek átalakíthatók háromdimenziósokká. Eredményes működéséhez ideghálókat gyakoroltattak.

Egy sejtautomata az egységeit képező sejtek egyszerű szabályokkal történő megváltoztatásával generál komplex mintázatokat 2D-s rácshálózaton. A sejtek állapota a szomszédos sejtek állapotától függ. A neurális sejtautomaták annyival többek, hogy emellett az idegháló outputja is számít. Az MI-alapú képtechnológiákban, például tárgyfelismerésben elterjedt technikával, 3D konvolúcióval (két függvény súlyozott összegének, képpont és környezet súlyozott világosságának kiszámításával) az automata három dimenzióban hoz létre mintázatokat.

A kutatók több konvolúciós ideghálót gyakoroltattak be a Planet Minecraft közösségi honlapon található szerkezetek reprodukálására. Minden különböző szerkezethez saját modell kellett. A szerkezetek ötven, általában anyagokhoz (kőhöz, üveghez, fémekhez stb.) társítható tömbből állnak, köztük dugattyú-szerűekből is, amelyek ide-oda tolják és húzzák a szomszédos tömböket. Így képesek animált objektumokat alkotni.

A rendszer úgy generált tömbtípusokat, hogy a virtuális talajból ki sem kellett bányászni őket. A kutatók egy-egy tömböt 3D-s rácshálózaton inicializáltak. Az idegháló az ott lévő összes sejtet annak függvényében frissítette, hogy a szomszédos sejtek aktiválva voltak, vagy sem. A frissítés meghatározott számú lépésben történt, miközben a szerkezet lépésről lépésre nőtt.

A betanított modellek kívül és belül egyaránt pontos, statikus szerkezeteket alkottak: várakat, templomok, lakásokat. Az egyik modell még azt is megtanulta, hogyan generáljon mozgó lánctalpas járművet.

A sejtautomata-megközelítés több szempontból is előnyös. Legfontosabb, hogy ha az új szerkezet egy része megsemmisül, a maradékból létre lehet hozni a hiányzó részeket. A technikával masszív digitális 3D szerkezetek generálhatók, és a folyamat első lépésének kivételével, nincs szükség emberi beavatkozásra.

Bővülnek a mesterségesintelligencia-alapú nyelvmodellek feladatai, legújabban már a programozásba is bekapcsolódtak.

A francia SourceAI startup a GPT-3 modellt használva, negyven programozási nyelven fordít angol nyelvű kérelmeket számítógépes kódra. A cég nincs egyedül, a kódolást mások szintén mesterségesintelligencia-megoldásokkal igyekeznek könnyebbé tenni.

A nyelvi modelleket a programozók szükségleteinek „megérzésére”, kitalálására gyakoroltatják be.

A SourceAI egyelőre bétateszt-állapotban lévő megoldásával a felhasználók leírják az óhajtott funkciókat, majd kiválasztanak egy programnyelvet. A jelenlegi (béta) változat által generált kódok 80-90 százaléka az elvárásoknak megfelelően működik. A cég a jövőben kóddarabonként 0,04 és 0,1 dollár közötti összeget tervez kérni szolgáltatásáért.

Az emberi szöveggel szinte megegyező anyagokat generáló, 2020 májusában bemutatott GPT-3 (a 3 a harmadik generációra utal), a San Franciscói úttörő MI-laboratórium, az OpenAI fejlesztése. Szövegei megtévesztésig hasonlítanak az emberére, több kutató meg is ijedt a szerintük túl jó eredményektől.

A GPT-3 által működtetett Debuild természetes nyelven, angolul megadott utasítások alapján webes alkalmazásokat, például gombokat és szövegbeviteli mezőket hoz létre.

A belga Tabnine startup a modell előző, második generációjával (GPT-2) dolgozik, és miközben a programozó gépel, a következő sorokra vonatkozó automatikus javaslatokkal áll elő.

Az infokom világot és a mesterségesintelligencia-fejlesztéseket meghatározó nagyvállalatok szintén használják a gépi tanulást, nyelvmodelleket a programozók kreativitásának növelésére, illetve a hibák, a bugok automatikus kiszűrésére.

A Facebook Aromájával fejlesztők kódadatbázisokban keresgélhetnek azokhoz a kóddarabkákhoz hasonlókat, amelyekkel pont dolgoznak. Az Intel kódok hasonlóságára következtető technikája hasonló eszköz – kóddarabokat összehasonlítva, állapítja meg a funkcióikat. A Google-hoz tartozó, néhány éve a világ egyik legjobb go-játékosát legyőző AlphaGo algoritmussal a világmédia középpontjába került londoni DeepMind modellje átírja az emberi fejlesztésű kódot, hogy az még hatékonyabban működjön.

Gyakorlott és tehetséges programozók kezében nagyon sok idő spórolható meg ezekkel a megoldásokkal, és így több energiájuk marad komplexebb feladatokra. Ha kezdők használják őket, és persze, ha elég figyelmesek is, az új modelleknek hála, gyorsabban tanulnak bele a programozásba.

A Google és az UC Berkeley kutatói több megoldást javasolnak gépitanulás-fejlesztőknek, azzal dolgozó szakembereknek a munkájuk közben kibocsátott széndioxid-mennyiség csökkentésére. Az architektúra áramvonalasításával, a hardver frissítésével és hatékony adatközpontok igénybe vételével, a modellek károsanyag-generálása akár az eredeti ezredrészére redukálható.

Figyelmeztető jel, hogy nagyobb modellek fejlesztése és munkába állítása manapság már akár ötször annyi széndioxidot juttathat a környezetbe, mint egy egyszerű autó a teljes „életciklusa” alatt. A mesterséges intelligencia elterjedésével, az energiahatékonyság kulcstényezővé vált.

Gyakorláshoz és következtetésekhez alkalmazott öt természetesnyelv-feldolgozó (Natural Language Processing, NLP) modell szénkibocsátását vizsgálva, a kutatók különböző számokhoz és adatokhoz jutottak. Kiderült, hogy a következtetéshez általában jóval nagyobb mennyiségű energia kell, mint a rendszerek trenírozásához.

Az energiafelhasználást csökkentő több modelltervezési stratégiára hívták fel a figyelmet.

Az ismerettranszferrel például nincs szükség arra, hogy a semmiből kezdjük az új modellek betanítását. Hálózatok változatos módszerekkel történő zsugorítása megháromszorozhatja, de akár meg is hétszerezheti az energiafelhasználás hatékonyságát.

A hardver szintén fontos tényező. A kifejezetten gépi tanuláshoz tervezett chipek hatékonyabbak és gyorsabbak is a GPU-knál, a grafikus vezérlőkártyák központi egységénél. Például a Google TPU v2 4,3-szor gyorsabban futtat modelleket, és 1,3-szor kevesebb energiát fogyaszt, mint az Nvidia P100 GPU-ja.

A gépi tanulásra optimalizált szerverekkel rendelkező felhőszámítás-központok kétszer hatékonyabbak a hagyományos vállalati adatközpontoknál. Mivel a megújuló energiaforrásokkal dolgozó központok környezetbarátabbak, több új központot a források közelében építenek fel. Ezzel a lépéssel az energia távolabbi területekre történő viszonylag drága és nem is hatékony továbbítása válik feleslegessé, és így komoly összegek takaríthatók meg.

Terjed az Egyesült Államok bankszektorában a mesterségesintelligencia-rendszerek által végzett megfigyelés, egyre több pénzintézet alkalmaz gépi látással dolgozó kamerákat. Céljaik és módszereik szerteágazóak, de leginkább a biztonság növelését, illetve az alkalmazottak hatékonyabb munkavégzését szeretnék elérni.

A JPMorgan Chase ohiói bankjaiban tesztel több fejlesztőtől beszerzett, különböző rendszereket, amelyek az ügyfelek és az alkalmazottak viselkedéséről gyűjtenek adatokat. A személyzet munkaütemezését és az irodai tevékenységeket akarják eredményesebbé tenni velük.

A floridai City Nemzeti Bank harmincegy irodájában tervezi használni az arcfelismerést. Alkalmazottakat, ügyfeleket és kormányzati körözési listákon szereplő gyanúsítottakat, potenciális bűnelkövetőket igyekeznek azonosítani velük.

Az ország déli részén egy, névtelenségét megőrző bank szintén gépilátás-rendszer segítségével figyelmezteti az alkalmazottakat gyanús jelekre, nyitva hagyott széfekre stb.

A példák egyértelműen jelzik, hogy a pénzügyi intézetek mindinkább ki akarják aknázni a kép- és arcfelismerő technológiákban rejlő lehetőségeket.

Mielőtt teljesen külsős beszállító mellett döntött volna, a JPMorgan Chase saját rendszert is kidolgozott. Technológiája az Amazon Web Services, a Google és az IBM megoldásain alapult.

A Bank of America már a 2010-es évek elején vásárolt a pénzkiadó automatái körül túl sokat időző, gyanús személyeket megfigyelő kamerákat.

A Wells Fargo még korábban, 2007-ben kezdte el használni a CrimeDex bűnmegelőző rendszert. A rendszer arcfelismeréssel és a bankautomatákról rögzített videók közötti kereséssel dolgozott. Akkoriban sem lehetett minden tökéletes, mert egy 400 ezer dolláros lopáshoz 14 ezer gyanúsítottat társított.

Ha a bankok elfogadtatják a szabályozókkal és ügyfeleikkel a mesterségesintelligencia-alapú megfigyelést, jelentősen hozzájárulhatnak a technológia szélesebb elterjedéséhez. A példák egyelőre azonban inkább a megfigyelésről, s nem a biztonságról szólnak. Amíg a közvéleményt nem sikerül meggyőzni az ellenkezőjéről, negatív lesz a kamerák megítélése.

Paul Ekman amerikai pszichológus 1967-ben a Pápua Új-Guinea távoli hegyvidékén, a külvilágtól elzártan élő fore törzs tagjaival kommunikálva, igyekezett bizonyítékokat gyűjteni arra a hipotézisre, mely szerint minden emberi arc ugyanúgy fejezi ki az alapvető – univerzális – érzelmeket. Kártyákat mutatott nekik mosolygó, dühöngő és más lelki állapotban lévő személyekről, kommunikációs partnerei pedig nagy nehézségek árán azonosították a képekkel kifejezett érzéseket.

A munka rendkívül lassan ment, de végül a fiatal kutató levonta a következtetést: az érzelemkifejezés egyetemes. Elmélete meghódította a világot, az általa feltérképezett, kodifikált megnyilvánulásokon 2024-ben már 26 milliárd dolláros üzlet fog alapulni.

Manapság a nemzetbiztonságtól a repülőtéri ellenőrzésig, az oktatástól a munkaerő-felvételig, változatos területeken alkalmaznak érzelemfelismerő technológiákat. Infokom cégek irdatlan mennyiségű képet (Instagram szelfiket, Tiktok videókat, Flickr fotókat, Pinterest portrékat stb.) használnak emocionális állapotok címkézésére. Az érzelemfelismerés sok platform, a legnagyobb techvállalatok és a kis startupok infrastruktúrájának meghatározó részévé vált.

Az arcfelismerés adott személyeket próbál azonosítani, az érzelemfelismerés az arcon tükröződő lelkiállapotokat igyekszik osztályozni. Ezek a széles körben elterjedt, automatizált rendszerek befolyásolják a viselkedésünket, társadalmi szervezetek tevékenységét, miközben működésük alapjai változatlanul bőven megkérdőjelezhetők.

Mi van, ha nem igaz, hogy arcunkra ösztönösen kiülnek az érzelmeink, ráadásul majdnem mindenki arcára ugyanúgy, és aktuális állapotunk gépekkel ki is mutatható? – teszi fel a kérdést Kate Crawford, a Microsoft kutatója.

Az érzelemfelismerés annyira elfogadott, hogy egyes területeken már az is bizarr, ha valaki kételkedik egyes eredményeiben. Crawford szerint az ezzel foglalkozó mesterségesintelligencia-szakemberek áltudományokat élesztenek újjá, például az „agyi dudorok” emberi jellemvonásokhoz köthető szerepét hirdető frenológiát.

Érzelemfelismerő algoritmusok fejlesztésénél ignoráljuk a kulturális, szociális különbségeket. Tudósok hosszú ideig próbálkoztak arcmozgások érzésekhez társításával, és az MI-rendszerek most ugyanezt teszik. Igazából viszont soha nem működött a technológia – állítja Crawford.

Ekman sem ismerte a fore törzs kultúráját, nyelvét, szokásait.

Kutatók általában idealizált képeket gyártanak egy-egy érzéshez, csakhogy míg egyes kultúrákban funkcionálnak ezek a fényképek, másokban teljes tévutat jelentenek.

Crawford egyik példája a 9/11 után bevezetett, terroristákat negatív érzelmeik (stressz, félelem, megtévesztés stb.) alapján automatikusan felismerni hivatott SPOT algoritmus. 900 millió dollárt költöttek rá, és semmiféle bizonyíték nincs arra, hogy valaha is működött.

„Az érzelemfelismerés automatizálásának veszélye, hogy visszavisz minket a frenológiai múltba, amikor hamis állításokkal erősítették meg a hatalmi rendszert. Az érzelmek bonyolultak, kultúránkkal és történelmünkkel, az MI keretein túli rendszerekkel korrelálva fejlődnek és változnak” – összegez Crawford.

Az IBM Watson nevű mesterséges intelligenciája a népszerű amerikai televíziós verseny, a Jeopardy bajnokainak 2011-es legyőzésével lett világhírű. Azóta a Watson brand ugyan megkopott, az óriásvállalat nyelvfeldolgozó projektjei viszont a csúcson pörögnek.

A Vitatkozó Projekt az egyik, és az MI pontosan azt teszi, amire a cím utal: formális vitákban vesz részt emberekkel.

A vita a két fél négy-négyperces nyitónyilatkozatával kezdődik, aztán jönnek a cáfolatok, megerősítések, érvek és ellenérvek, végül a zárószövegek. Egy jó vitázó gyorsan elő tudja készíteni a bizonyítékokkal alátámasztott érvelést, hitelesen cáfolja partnere állításait, logikusan rendszerezi a sajátjait.

Mivel ezek a feladatok túl szerteágazóak egyetlen (end-to-end) rendszer számára, az IBM-csapat egymástól független komponensekből álló komplex, moduláris „rendszerek rendszerét” fejlesztett. Ő a Vitatkozó Projekt (Project Debater), amely jelzést kap, hogy valami ellen, vagy mellett érveljen. Ezt követően jön a vita, tények és cáfolatok, bizonyítékok keresésével, amelyeket beszéddé gyúr össze.

Az „érvbányász” komponens releváns véleményeket, kivonatokat, állításokat támogató és tagadó részleteket tartalmazó, több mint 400 millió cikkből álló gyűjteményben böngész, keres. Egy idegháló alapú modell és egy másik komponens osztályozza a véleményt, hogy támogatandó, vagy sem.

Az érvek ismeretbázisa argumentumok, idézetek és analógiák tematikus osztályokba rendezett gyűjteménye. A rendszer osztályozza a témát, amiről vitáznak, releváns érveket keres. Az ellentétpárok össze vannak kapcsolva, hogy a Vitatkozó megcáfolja az ellenérveket, viszont a véletlenszerű egyetértést is elkerülje.

A cáfoló modul Watsontól örökölt technikával szöveggé alakítja a vitapartner szövegét. Összehasonlítja a többi komponens által talált érveket, a számításokhoz különböző modelleket kombinál össze, cáfolatához végül a legrelevánsabb érveket használja fel.

A vitaszerkesztő komponens témáik alapján klaszterezi az érveket, szabályalapú rendszer kiszűri a hasonlókat, majd kiválasztja és szöveggé rendezi a legjobbakat. Végül a szöveg-beszéd modul szintetizálja a kimenő audioanyagot.

A Vitázó Projekt az első ilyen rendszer, és így összehasonlításra alkalmas hivatalos mérce, szabvány (benchmark) sincs. A kutatók más mesterséges intelligenciákkal vetették össze, és mindegyiknél jobban teljesített. Egy korábbi változata viszont 2019-ben ugyan szorosan, de veszített a vitabajnok Harish Natarajan ellen.

Az Egyesült Államok kormánya, kormányzati ügynökségei minél több mesterségesintelligencia-technikát akarnak az egészségügyben. Szándékukat több tény jelzi.

Egy friss felmérés alapján amerikai döntéshozók 222 MI-alapú orvosi eszköz használatát hagyták jóvá. Az ország Élelmiszer- és Gyógyszerfelügyelete (FDA) tervet adott ki a gépi tanulással működő egészségügyi műszerek, gépek szabályozásának frissítéséről. A Járványellenőrzési és Megelőzési Központ gépi tanulás segítségével készíti el éves influenza-kitörés előrejelzéseit. A Covid-19 szűrésekhez már tavaly is alkalmaztak chatbotot (beszélgető robotot).

Drasztikusan fel akarják gyorsítani a biomedikális orvosi kutatásokat. A cél érdekében a medicina területén végzett k+f-be évi 41,7 milliárd dollárt fektető Nemzeti Egészségügyi Intézet (NIH) bejelentette a Híd a mesterséges intelligenciához (Bridge2AI) programot. A program rendeltetése a gépi tanulás promótálása a biológiában és az egészségügyben.

Elsődleges célja új adatsorok fejlesztése. Minél nagyobb és jobb egy speciálisan gépi tanulásra kidolgozott adatsor, annál hatékonyabban tud segíteni az emberi szervezetben lejátszódó folyamatok feltárásában, betegségek kialakulásában – és a gyógyításban.

A Bridge2AI szabványosítani is akarja a különböző forrásokból származó adatokat, és automatizált eszközöket is fejlesztenek az adatsorok kialakításához. Olyan elvek mentén hozzák ezeket létre, hogy a gépek a lehető legkevesebb emberi beavatkozással használják az adatokat.

A program két területen finanszírozza a kutatásokat.

Az egyik a „nagy kihívásokat” megoldó, például a gének betegségekre adott reakcióinak megértését, fiziológiai mozgások modellezését, betegségekhez vezető biológiai folyamatok folyamatos megfigyelését segítő adatsorok kidolgozása.

A másik a Bridge2AI-hoz kapcsolódó projektekkel foglalkozó adminisztrációs központ alapítása. A központban a leghasznosabb gyakorlati megoldásokat fogják keresni a „nagy kihívásokra.” Főként a csapatmunkával, etikai kérdésekkel, szabványokkal, eszközök optimalizálásával és a munkaerő fejlesztésével szándékoznak foglalkozni.

Az NIH júniustól várja a jelentkezéseket, az anyagi támogatásról pedig jövő tavasszal dönt.

A program dicséretre méltó, mert az amerikai döntéshozók felismerni látszanak a mesterséges intelligenciában rejlő óriási egészségügyi potenciált. A speciális adatsorok rengeteget segíthetnek e lehetőségek valóra váltásában.

Járműbiztosítók egyre nagyobb mértékben használnak gépitanulás-modelleket a karambolok, ütközések, koccanások miatti javítási költségek kiszámításához.

Az egyik ok tragikusan prózai: mivel a koronavírus-járvánnyal egyre nehezebbé vált, hogy húsvér kárbecslők a helyszínen, vagy a szerelőműhelyben megnézzék a megrongálódott járműveket, a terület az automatizált megoldások felé fordult. A tendencia korábban is érzékelhető volt, de a Covid-19 hatásaként az elmúlt közel másfél évben jelentősen felgyorsult.

Ha egy vezető karambolozik, a biztosítótársaság letöltet vele egy, a következmények dokumentálásában segítő appot. Az ilyen rendszerek a kisebb ütközések kárbecslésében, valamint a totálkár megállapításában teljesítenek különösen jól.

A kár osztályozásához felhasználják a karambolokról stb. készült változatos fényképeken begyakoroltatott modelleket. A modell megállapítja azt is, hogy a sérült részekhez kell-e humán szakértőtől további vizsgálat. Amennyiben erre nincs szükség, a gépi elemzésben pontosítani kell a kárt, és fel kell becsülni a javítási költségeket.

A javítás árának kiszámításához helyi járműjavítók és alkatrész-kereskedők adatait használják a modellek. Munkájukat humán szakértők átnézik még, ők bólintanak rá.

A Tractable szoftvere a becslések 25 százalékát emberi beavatkozás nélkül is pontosan elvégzi. A Smart Estimate, azaz okos becslés appot fejlesztő CCC Information Services szerint a rendszerükkel dolgozó szakértők 30 százalékkal hatékonyabb munkát végeznek.

Több karosszéria-javító műhely tulajdonosa viszont az automatizált becslések pontatlanságára panaszkodik – különösen azért, mert a modellek gyakran nem veszik észre a nehezen látható károkat. A pontatlan becslések szerelési hibákhoz és késésekhez vezetnek, miközben a szerelők és a biztosítók gőzerővel vitatkoznak a költségek mértékén.

Tény viszont, hogy az intelligens kárbecslő alkalmazások sokkal gyorsabbak, mint a helyszínen vizsgálódó szakértők. Ha pontosan dolgoznak, pénzt spórolnak meg a biztosítótársaságoknak, és a vezetők követeléseinek is hamarabb eleget tesznek.

Vajon az önvezető autók is használnak majd ilyen appokat, hogy felbecsültessék a koccanások költségeit?

Világszerte egyre gyakrabban próbálják szabályozni a mesterséges intelligencia használatát.

Az Egyesült Államok Szövetségi Kereskedelmi Bizottsága április második felében jelezte, hogy jogi útra lép az elfogult, részrehajló rendszereket fejlesztő vállalatokkal szemben. Más országok, köztük Ausztrália, az Egyesült Királyság, India és Kína a nagy techcégeket megregulázni hivatott törvényeket hozott, amelyekből az MI sem maradt ki.

Az Európai Unió a 2018-as általános adatvédelmi rendelet, a globális trendet elindító GDPR folytatásaként, az MI technológiák és alkalmazások szigorúbb szabályozását, egyes esetekben a tiltásukat javasolja. A javaslat az első eset, amikor meghatározó jelentőségű nemzetközi szervezet a technológia feletti szélesebb kontrollt akar.

A százoldalas dokumentum kockázati szintjük szerint osztja három kategóriára az MI-rendszereket. Mesterségesintelligencia-definíciójuk a gépi tanuláson és a logikán alapuló megközelítésre, így a szakértő rendszerekre és a statisztikai modellekre is vonatkozik.

A törvények megtiltanák az „elfogadhatatlan” kockázattal járó megoldásokat, mint a valósidejű arcfelismerést, az embereket tudatalattira ható jelzésekkel manipuláló, valamint a személyek megbízhatóságát viselkedésük vagy identitásuk alapján kiértékelő algoritmusokat.

A „magas kockázati szint” személyeket azonosító, a közlekedést, a vízellátást és más infrastruktúrákat irányító, kontrolláló, az alapvető szolgáltatásokkal, munkaerő-felvétellel és elbocsátással foglalkozó, valamint a büntetés-végrehajtásban használt MI-rechnikákra vonatkozik. Ezeknek a rendszereknek bizonyítottan megbízhatónak kell lenniük, tanulásukhoz kiváló minőségű adatokat kell használni, és részletes dokumentáció is kötelező hozzájuk. A chatbotoknak és a hasonló alkalmazásoknak tudatniuk kell a felhasználóval, hogy géppel kommunikálnak.

A harmadik, az alacsonyabb kockázati szintnél önkéntes szabályozást javasolnak az EU illetékesei. Ebbe a kategóriába többek között a környezetvédelemmel, a fenntarthatósággal, a fogyatékkal élőkkel kapcsolatos változatos MI-technikák tartoznak.

A szabályokat megszegő cégek akár éves bevételeik 6 százalékára is büntethetők.

A javaslatokat, törvényeket kritizálók szerint a szabályozók lassítják az innovációt. Emberjogi aktivisták szerint viszont réseket hagytak alapvetően betiltandó alkalmazások előtt. Az arcfelismerés például csak valósidejű használatkor tiltandó, a múltban rögzített videoanyagok esetében viszont használható.