Egy dón akkor hasznos, ha gyors. Keressen túlélőket katasztrófa sújtotta terepen, vizsgáljon valamilyen épületet, szállítson csomagot, korlátozott kapacitású elemei miatt feladatait a lehető legrövidebb időn belül kell elvégeznie.

Előfordulhat, hogy egy sor „úti pont”, például ablakok, szobák vagy speciális helyszínek tanulmányozásával, minden egyes résznél a legmegfelelőbb útvonal, az optimális gyorsulás és lassulás kiválasztásával abszolválja a feladatot.

A drónokat vezérlő legjobb humán pilóták remek munkát végeznek ezen a téren, az algoritmusokat az eddigi összes versenyen legyőzték.

Mindeddig, mert a Zürichi Egyetemen (UZH) a négypropelleres (kvadrokopter) drónok leggyorsabb útvonalát megtaláló algoritmust fejlesztettek. Az algoritmus két világklasszis pilóta felett diadalmaskodott egy kísérleti versenypályán.

„Újdonsága, hogy elsőként generál a drón korlátait teljesen figyelembe vevő, időoptimalizált útvonalat” – magyarázza a fejlesztéseket vezető Davide Scaramuzza.

A korábbi munkák vagy a kvadrokopter rendszer, vagy a repülési útvonal leegyszerűsítésén alapultak. A zürichi kutatók alapötlete a speciális úti pontok közötti szakaszok kijelölése helyett, az úti pontokon történő átmenetel volt. Az algoritmus nem mondja meg a drónnak, hogy hogyan és mikor csinálja meg. Csak arra utasítja, hogy megcsinálja.

Az MI és a két humán pilóta ugyanazt a drónt vezérelte. A drón mozgásának érzékeléséhez, valósidejű tartózkodási helyének beazonosításához az algoritmust segítő kamerákat használtak. A sportszerűség szellemében, a humán pilóták is gyakorolhattak a versenypályán.

Az algoritmus azonban nyert: az összes körben gyorsabb, teljesítménye következetesebb volt. Ez azért nem meglepő, mert mihelyst megtalálja a legjobb útvonalat, utána – ellentétben az emberrel – annyiszor ismétli meg ugyanazt, ahányszor csak akarja.

Mielőtt a kereskedelemben forgalmaznák, meg kell oldani, hogy kevesebb számítással dolgozzon, mert az optimális útvonalat egy óra hosszat latolgatta, ráadásul végig külső kamerák segítették, máskülönben nem oldotta volna meg a feladatot. A kutatók a jövőben külső helyett fedélzeti kamerákat terveznek használni.

A győzelem mindenestre megmutatta, hogy mire képes egy autonóm drón. Scaramuzza szerint algoritmusukat sok területen alkalmazhatják.

Képzeljük el, hogy kinyitunk egy természetfotó-könyvet, majd kaleidoszkóp-szerű látványban lesz részünk – mintha a pillangók kirepülnének a lapokról.

A Boulderi Coloradói Egyetem kutatóinak köszönhetően, hamarosan kezünkbe vehetünk ilyen könyveket. Papírvékony, gyors és majdnem teljesen csendes alakváltó objektumaik a puha robotika (soft robotics) fejlődésének köszönhetők. Electriflow című első alkotásaik között nyakát hajlítgató origami daru, mozgó virágszirom, csapkodó rovarok találhatók.

„A pillangókról szóló könyvek általában mozdulatlanok. De csapkodhatja-e egy pillangó a szárnyait egy könyvben? Megmutattuk, hogy igen” – magyarázza a projekt Purnendu becenevet használó vezetője.

Nem volt szükségük hozzá motorokra és más hagyományos gépalkatrészekre. Az inspirációt az egyetemen fejlesztett, ma már az Artimus Robotics cégen keresztül kereskedelmi forgalomban beszerezhető mesterséges izmok jelentették.

Az Artimus a „hidraulikusan felerősített öngyógyító elektrosztatikus” (HASEL) aktuátor technológiából indult ki. A hagyományos robotok gyakran merev fémből készült részeivel ellentétben, az elektrosztatikus nyomáson alapuló, műanyag tasakokba csomagolt aktuátorokat folyadékok, a tasakban lévő olaj mozgatja.

Sokoldalúságuk az egyik nagy előnyük. Ez azért furcsa, mert tulajdonképpen csak tasakok, viszont a tasak formája szerint különböző mozgások generálhatók. A természetet, mindenféle, például a ragadozókat alakjuk megváltoztatásával távoltartó élőlényeket is képesek utánozni.

„Az alakváltoztatás egyes állatok számára a kommunikáció és a túlélés fontos része. Mérnökök hasonló funkciókat próbálnak fejleszteni számítógépes interfészekhez” – folytatja Purnendu.

A kutató először azon morfondírozott, hogy a tasak belsejében csapkodó olaj robotok építése mellett, puha és mozgatható műtárgyak alkotására is használható, vagy sem, majd belevágtak a fejlesztésbe. Az Electrinflow-hoz több különböző tasakformát használva, dolgozták ki vékony műanyaglapok origamiféle összehajtogatását. Sikerrel jártak, mert a rovarok, másodpercenkénti 25 szárnycsapásukkal, gyorsabbak az igaziaknál.

„A rendszer nagyon közeli a természetben tapasztaltakhoz. Munkáinkkal az ember-gép interakciós módszerek korlátait igyekszünk tágítani” – összegez Purnendu.

Bizakodnak, hogy technikájukat több művész és tervező fogja használni.

Az Alphabethez (azaz a Google-hoz) tartozó londoni DeepMind AlphaFold számítógépes modellje előrejelzi fehérjék és más molekuláris formák pontos 3D atomi szerkezetét. A Washington Egyetem (Seattle) kutatói hasonló, nagyon precíz fehérje-szerkezet előrejelző programot (RoseTTAFold) jelentettek be.

Mindkét fejlett modellező program számítástudományi szakemberek, biológusok és kutatóorvosok többéves munkájának eredménye. A DeepMind mesterséges intelligenciája 350 ezer emberi fehérje-szerkezet mellett az ezirányú kísérletek sztárjainak számító további húsz élőlény, például az E.coli baktérium, az élesztőgomba és a muslica proteinjeinek rejtélyét oldja meg. A következő hónapokban az összes katalogizált fehérje, kb. százmillió molekula kerül sorra.

Mindkét program mesterséges intelligenciával, igyekszik óriási adatbázisokban észrevenni a fehérjekötődés mintázatait. A bennük lévő, szomszédos aminosavak interakcióit szabályozó fizikai és biológiai törvények alapján kiszámolják az ismeretlen fehérjék legvalószínűbb szerkezeteit. Az EoseTTAFold fejlesztői többszáz G-fehérje szerkezeti adatbázisát hozták létre, amely gyógyszerészeti kutatások forrása lehet.

A DeepMind 350 ezer fehérjeszerkezete az eddigi előrejelzések több mint kétszerese. Az AlphaFold az emberi fehérjék közel 44, a humán genomba kódolt aminosavak kb. 60 százalékát vizsgálta. Az MI megállapította, hogy a többi emberi fehérje jelentős része rendezetlen, alakjuk nem egyfajta szerkezet. Ezek a rendezetlen fehérjék másik fehérjével összekapcsolódva formálnak állandó szerkezetet.

Mivel a DeepMind az Európai Molekuláris Biológia Laboratóriummal (EMBL) közösen létrehozott adatbázisa online és ingyen hozzáférhető, a kutatások nagyon felgyorsulhatnak. A fehérjék 3D szerkezete jelentős mértékben meghatározza a funkcióikat, így az adatbázis többezer ismeretlen protein működését segít megfejteni.

Az AlphaFold legfrissebb változata a műanyagokat a környezetben a korábbiaknál gyorsabban lebontó, elvileg hatékony gyógyszereket is eredményező enzimek fejlesztésére ösztönzött kutatókat.

„Az emberi genom feltérképezése óta ez az egyik legfontosabb adatsor” – jelentette ki Ewan Birney, az EMBL Európai Bioinformatika Intézetének igazgatója.

A 2015 decemberében, többek között Elon Musk részvételével alapított, független San Franciscói OpenAI kutatólaboratórium – a Google-hoz tartozó londoni DeepMind legnagyobb vetélytársa – a kezdetek óta a „barátságos mesterséges intelligencia” koncepciót promótálja, fejlesztései is deklaráltan ebben a szellemben történnek. (2018. február 21-én Musk lemondott az igazgatótanácsban betöltött szerepéről, azóta csak adományozóként van köze a szervezethez.)

A labor 2019-ben különleges, a Rubik-kockát bámulatos gyorsasággal helyesen kirakó robotkart mutatott be. Most, két évvel később viszont bejelentették a kart fejlesztő csoport megszűnését. Ráadásul a labor robotikai programja nem is a nyári hónapokban, hanem tavaly októberben fejeződött be.

A tényt a mesterségesintelligencia-fejlesztő eszközökkel foglalkozó, szintén társalapító Wojciech Zaremba közölte a sajtóval. Elmondása alapján az OpenAI robotikai fejlődését az adathiány akadályozta.

A cég célja az emberi értelemmel azonos szintű általános mesterséges intelligencia (artificial general intelligence, AGI) megvalósítása. Zaremba szerint közelebb jutnak hozzá, ha robotika helyett más megközelítésekre, például a megerősítéses tanulásra (reinforcement learning) és az ember részéről érkező visszacsatolásokra összpontosítanak.

Az OpenAI korábban szimulációs környezetet alakított ki robotoknak, gyakoroltatásukhoz pedig megerősítéses tanulásalapú eszközcsomagot és más speciális technikákat dolgoztak ki.

Nincsenek egyedül, mert a kutatásfejlesztés egyre magasabb költségei a robotika iparág több neves szereplőjének okoznak komoly gondokat. A Honda bezárta Asimo leányvállalatát, a Rethink Robotics a boltját számolta fel, az utóbbi évek leglátványosabb eredményeit jegyző Boston Dynamicsnál tulajdonosváltás volt tavaly, a SoftBank 1,1 milliárd dollárért eladta a céget a Hyundainak.

Ha egy robotflotta képtelen elég adatot generálni, ez annak a jele, hogy az algoritmusok mennyire adatéhesek. De arra is emlékeztet, hogy a bámulatos fejlődés ellenére, egyelőre messze vagyunk az emberi szintű mesterséges intelligenciától.

Az Amazontól kirúgott több szállító állítja, hogy a nagyvállalat automatizált rendszere negatív szerepet játszott az elbocsátásukban.

Az Uber-szerű Amazon Flex program lehetővé teszi, hogy a cég független sofőröket alkalmazzon csomagszállításra. A sofőrök szerint a program igazságtalanul pontozta le a munkájukat, és senki nem figyelmeztette őket, hogy ki lesznek rúgva.

A Flex automatikusan osztályozza a sofőröket. Minősíti, hogyan pakolják fel és szállítják ki a csomagokat, mennyire tartják be az utasításokat.

Az elbocsátott személyek állítják, hogy a program nem kalkulálja be a hatalmas sorok, az elosztó központok körüli dugók, a kapukkal zárt házak és a rossz időjárás miatti csúszásokat.

Az Amazon egyik korábbi menedzsere elmondta, hogy a vállalat tisztában van a Flex rossz publicitáshoz vezető hibáival, a hatékonyság azonban még így is megéri a kockázatot.

A sofőröknek tíz napjuk van a fellebbezésre. Névtelen források elmondták, hogy a panaszokat megválaszoló e-mailek automatizált levelek. Az elutasított fellebbezések után a kirúgott alkalmazottak 200 dollárt költhetnek, hogy bíróság elé vigyék az ügyet.

A cég egyik szóvivője állítja: az elbocsátásról szóló végső döntést nem algoritmusok, hanem emberek hozzák meg.

Az USA Szövetségi Kereskedelmi Bizottsága nemrég arra kötelezte az Amazont, hogy 61,7 millió dollárt fizessen ki sofőröknek. Az automatizált rendszer munkavállalók megítélésére való használata egyébként is ellentmondásos, a nagyvállalatot sokan kritizálják érte.

A cég 2018-ban azért hagyott fel egy, új munkaerőt felvevő algoritmus használatával, mert nőkkel szemben elfogult volt. 2019-es dokumentumokból kiderült, hogy a nagyvállalat raktáraiban algoritmusok figyelték a termelékenységet, és teljesítmény-követelményeknek nem megfelelő dolgozókat elbocsátották.

A cég megköveteli sofőrjeitől, hogy egyezzenek bele: tevékenységüket mesterséges intelligenciával működő kamerák figyelik, és például a fáradtság vagy az álmosság jeleit is keresik rajtuk. Magánéletükbe történő beavatkozásra hivatkozva, többen megtagadták, hogy kamerák jelenlétében dolgozzanak.

Minden algoritmus hibázhat, egy Amazon-nagyságú vállalatnál viszont a legkisebb tévedések is komoly következményekkel járnak. Vigyázni kell, hogy a hatékonyság ne menjen az átláthatóság kárára, és a dolgozókat tiszteletben tartsák.

Az általános elégedetlenség olyan javaslatokhoz vezetett, mint az algoritmikus elszámoltathatóság. Ez az algoritmusok elfogultságának felszámolására és olyan más törvényekre kötelezné az amerikai kormányt, amelyek eredményeként az állampolgárok jobban megbíznak az automatizált gépi döntésekben.

Balesetek, súlyos betegségek és más tragédiák miatt nagyon sokan elveszítik kommunikációs készségüket. Hosszú évek óta kísérleteznek az ezeket a velünk született adottságokat valamilyen szinten helyreállító technológiákkal. Például természetes nyelvi modellekkel igyekeznek visszaadni a legtermészetesebb kommunikációs formát, a beszédet.

Teljes áttörés ugyan még nincs, és a fejlesztések elején tartunk, de mindenesetre azok egyre ígéretesebbek.

Kaliforniai kutatók egy, a beszédkészségét másfél évtizede elvesztett személy agyában lévő elektromos impulzusok értelmezésére, és a jelek szavak formájában, videó-kijelzőn történő megjelenítésére tanítottak be egy rendszert.

A UC Berkeley és a UC San Francisco szakemberei 128 elektródás szerkezetet ültettek az illető agyának a száj, az ajkak, az állkapocs, a nyelv és a gége mozdulataiért felelős részébe.

A rendszer több mint egy évtized kutatás eredménye. A kutatásokat az agy neurológiai tevékenysége és a beszélt nyelv hangjai közötti kapcsolatokat vizsgáló Edward F. Chang idegsebész vezette.

Az implantátumot számítógéphez kapcsolták, majd megkérték a pácienst, hogy próbáljon elmondani ötven egyszerű szót és ötven egyszerű mondatot. Közben rögzítették az agytevékenységet.

A rendszert huszonkét óra hosszat gyakoroltatták a felvett anyagon.

Egyes részei a beszédhez kapcsolódó agytevékenységet térképezték fel. Több modellből álló más részei az ötven szó valamelyikeként osztályozták a beszédjeleket. Egy nyelvi modell előrejelezte, hogy egy adott szó mekkora valószínűséggel lesz a következő. Egy dekódoló algoritmus a modellek outputjaira alapozva, meghatározta az ötven legvalószínűbb mondatot.

A teszteken a rendszer percenként átlagosan 15,2 szót dekódolt, a mondatok „fordítását” 25,6 százalék átlagos hibarátával végezte.

Egy másik, BrainGate (AgyKapu) nevű projekt tudósai a kézírás szöveggé alakulása és az agyból érkező kapcsolódó jeleket vizsgálják.

Ha azt akarjuk, hogy a robotok egyre emberszerűbben viselkedjenek, meg kell találni a tervezés és a vezérlés közötti kényes egyensúlyt. Ügyességünk, komplex feladatok kezünkkel történő kivitelezése hosszú evolúciós folyamat eredménye.

Egy új robotkar fejlesztése szintén hosszú folyamat: a tervezés sok iterációs ciklusból áll, aztán jön a fizikai megvalósítás, majd az emberi intuíción alapuló kiértékelés.

Mivel feladat-specifikus robotkarokat nehéz kidolgozni, a legtöbb általános rendeltetésű. A mostani módszerek a sok érintkezést igénylő feladatokra történő tervezés és a gyártás gyakorlati korlátai között egyensúlyoznak.

Az MIT (Massachusetts Institute of Technology) kutatói új eljárást találtak ki robotkarok formájának és irányításának speciális feladatra való optimalizálásához. Szoftver módosítja a tervet, szimulálja a feladat végrehajtását, pontozza a tervezést és a vezérlést.

A feladatorientált optimalizálás széleskörű gyártási és raktározási alkalmazásokkal kecsegtet, amelyekben repetitív tevékenység megvalósítására, de a különféle munkákhoz különféle robotkarokra lenne szükség.

A rendszer működésének teszteléséhez a kutatók első lépésben földön lévő dobozt megfordító robotikus ujjat készítettek. Az ujjvég szerkezetét egy algoritmus úgy optimalizálta, hogy hátsó oldalába akadva, megfordítsa a dobozt.

Összerakáshoz is fejlesztettek modellt – a kétujjas szerkezet egy kis kockát tett egy nagyobb tartóba. Az eltérő hosszúságú ujjak különböző méretű tárgyakat tudnak mozgatni.

Az ujj „ízületeinek” mindent leegyszerűsítő optimalizálása (ez a bevett gyakorlat) komplex feladatok elvégzéséhez szükséges komplex tervek megvalósításakor sok problémát jelent, korlátozza a lehetőségeket. Az MIT-s kutatók az úgynevezett „ketrecalapú deformációban” találták meg a megoldást – egy alakzat formája valósidőben megváltoztatható, eltorzítható. Az algoritmus automatikusan módosít a ketrecen, természetesebbé, a komplex robotujj számára könnyebben kezelhetővé teszi azt.

A kar tervezéséhez és vezérléséhez a kivitelezést pontozó szimulátort is fejlesztettek, és kiderült, hogy módszerükkel gyorsabban és jobb megoldások találhatók, mintha a robotikus tárgymozgatás megvalósításához eddig alkalmazott megerősítéses tanulásalapú algoritmusokkal dolgoznának.

A Google fontos lépést tett afelé, hogy a folyamatos fejlesztési állapotban lévő, jelenleg 54 fizikai qubit kezelésére képes Sycamore kvantumszámítógépükön lévő kényes információkat megvédjék a megsemmisítésükre is képes hibáktól. Egyelőre azonban nem az összestől, ami kulcsfontosságú a teljes kapacitásában működő rendszer felépítéséhez. A mostani eredmények mindenesetre bizakodásra adnak okot, a kutatók szerint belátható közelségben van a teljes hibakorrekció.

Kvantumszámítógépeket bő két évtizede fejlesztenek, születtek már látványos sikerek, de a kvantumbitek (qubitek) sokkal bonyolultabbak és kényesebbek, mint hagyományos megfelelőik, a bitek. A környezetből, például elektromos vagy mágneses mezőkből érkező legkisebb zaj megszüntetheti az állapotukat, és vagy nullák, vagy egyek maradnak.

A Google-gép szupravezető fémek apró áramköreiből álló qubitjeinek különféle energiákkal maximum 15 mikroszekundumig fenntartható két állapotuk van. A zaj utána működésképtelenné teszi őket. A 15 mikroszekundum viszont távolról sem elég a nagyszabású célok megvalósításához.

Egy hagyományos komputer a bitek redundáns másolatainak elkészítésével és a pontos állapot ellenőrzésére történő felhasználásukkal védi meg magát a hibáktól. Egy kvantumszámítógép képtelen erre, mert a kvantummechanizmusok nem teszik lehetővé a qubitek ismeretlen állapotának másolását egy másik qubitre. Ha egy qubit állapota például az 1 30 és 70 százaléka, akkor az három, csoportot alkotó qubitbe mehet át, amelyben mindhárom 30 százaléka 0, és mindhárom 70 százaléka 1. Ez a nagyobb, de egyenértékű kvantumállapot segíthet kiszűrni a hibákat.

Az adat-qubitek közvetlen mérésével sajnos nem tehető meg, mert maga a mérés vetne véget a kettős állapotnak. A kutatók az adat-qubitek kiegészítő qubitekkel való összevonását, minden egyes kiegészítő qubit és szomszédja összefonódását – kvantumkapcsolatát – javasolják. A kiegészítő qubitek folyamatos mérésével megállapítható a szomszédos adat-qubitek egymáshoz való viszonya – anélkül, hogy az utóbbiakat mérni kellene. Ezek az elforgatott qubitek így, elvileg visszahelyezhetők az eredeti állapotukba.

Maximum tizenegy adat-qubites lánccal a Google kutatói elérték, hogy a fizikai qubitek számának növekedésével, a logikai qubit exponenciálisan növekvő ideig fenntartható. Azzal, hogy egyetlen qubit állapotát akár tizenegy adat-qubitre osztották szét, 50 mikroszekundum után 40-ről 0,2 százalékra csökkentették a hibalehetőséget. A hibák exponenciálisan növekvő mennyiségben törlődnek, amellyel talán elérhető, hogy egy logikai qubit több mint ezer adat-qubitre szétosztott állapotát tetszőleges ideig fenn lehessen tartani.

A kutatók azonban csak félúton vannak. Egyrészt, a megfordított qubiteket még nem mozgatták vissza az eredeti állapotukba – működő kvantumkomputeren ezt meg kellene tenniük. Másrészt – és ez a fontosabb – nem tudták szimultán megoldani a qubitekkel felmerülhető két hibát: a kvantumállapot 0 és 1 része közötti váltást (bit flips), illetve a 0 és 1 részek matematikai elrendezését meghatározó változást (phase flips).

A Google által ígért közeljövőbeli megoldáshoz pluszdimenzióra lesz a szükség.

Ha nagyobb épületben vagy ipari létesítményben szivárog a gáz, a tűzoltók speciális műszerekkel szállnak ki, sokáig eltarthat, míg megtalálják a pontos helyszínt.

A Delfti Műszaki Egyetem, a Barcelonai Egyetem és a Harvard kutatói biztonságos megoldást találtak ki a probléma orvoslására: a gázszivárgás forrását zsúfolt ipari közegben detektáló és lokalizáló kicsi gépekből álló autonóm drónrajt fejlesztettek.

A fő kihívást a komplex feladat végrehajtásához szükséges, viszont a pirinyó szerkezetekbe integrálható mesterséges intelligencia, a szűkös érzékelési, számítási és memóriakapacitásokat figyelembe vevő fejlesztése jelentette.

A fejlesztés egyrészt fontos lépés a mesterségesen intelligens kicsi robot felé, másrészt a raj valódi környezetben valódi problémát old meg – hatékony munkájával az érintett hatóságok nem kockáztatják emberek és a kismennyiségű gázt nálunk jobban kiszimatoló állatok életét.

Eddig egyedi robotokkal, akadálymentes közegekben kísérleteztek, ahol a forrást könnyebben azonosították.

A drónok kis méretükkel sem az épületben lévő értéktárgyakat, sem az ott tartózkodó személyeket nem veszélyeztetik. Méretük lehetővé teszi, hogy belső terekben is repüljenek, miközben három dimenzióban keresik a szivárgást. Mivel rajban dolgoznak, munkájukat gyorsabban végzik el.

Méretük miatt azonban értelemszerűen nem működtethetők ugyanazokkal a mesterségesintelligencia-algoritmusokkal, mint az önvezető autók. Ráadásul nincsenek egyedül, tehát nem szabad összeütközniük, és kommunikálniuk is kell egymással.

A megoldáshoz a természetből vették a mintát – a fejlesztést a kb. százezer idegsejttel rendelkező muslicák (gyümölcslegyek) többek között a konyhaasztalon lévő banánt lokalizáló képessége inspirálta. Légáramlás-érzékelők hiánya miatt azonban az állatok tevékenységét nem tudták egy az egyben a gépekbe integrálni, a navigációt irányító Szimatoló bogár algoritmus mégis a muslicákhoz hasonlóan működik.

Ha valamelyik drón érzékeli a gázt, kommunikálja a többiekkel. Az együttműködés innentől válik szorossá, és mindaddig folytatódik, amíg meg nem találják a forrást. A kutatást – eredetileg repülő madarakról modellezett – rajrészecske optimalizáló algoritmussal végzik, minden egyes drón egy részecske.

A fejlesztés ígéretes, az algoritmusok gázszivárgás detektálása mellett tudományos missziókban, például a Mars felszínén történő metánkutatásban vagy járványok kórokozóinak korai felderítésében szintén segíthetnek.

Egyre több mesterségesintelligencia-alapú rendszer próbál rovarokat azonosítani, de nincs könnyű dolguk.

Az Oregoni Állami Egyetemen fejlesztett technológia például folyadékkal megtöltött csövön keresztül juttatja el a rovarokat a kameráig. Izraeli kutatók hím és nőstény szúnyogokat megkülönböztető rendszert dolgoztak ki. Dán és finn tudósok mesterséges ideghálókkal végzik az azonosító munkát. Készülékük szépséghibája, hogy a felhasználóknak manuálisan kell boldogulniuk a példányokkal.

A Világgazdasági Fórum szerint a biológiai sokszínűség elvesztése a globális civilizációra leselkedő egyik legnagyobb veszély. A rovarok kulcsfontosságúak, apró méretük és nagy számuk viszont, különösen a fajok szintjén, megnehezíti sorsuk nyomon követését. Populációik kiértékelésében rengeteget segíthetnek az automatizált megoldások.

A legújabb a német, olasz és szingapúri múzeumok, egyetemek és kutatóintézetek közös fejlesztése, egy rovarosztályozó.

A robotikus szerkezet az állatokat ki- és beszállító, pillanatfelvételeket készítő és a képeket feldolgozó rendszereket integrál össze. A modell outputját megjelenítő érintőképernyő a felhasználói interfész.

A kutatók az ImageNet képadatbázison gyakoroltattak, majd 4325 rovarképen és felnagyított változataikon finomhangoltak egy ideghálót.

A „rovarbot” következőképpen működik: a felhasználók a gép edényére helyeznek egy szét nem válogatott halott rovarokkal teli Petri-edényt. A modell a lefelé irányuló kamera képeivel dolgozik. Eldönti, hogy melyik néz ki rovarnak, majd az állatokat egy szívószál végű komponens emeli fel.

A mintákat Raspberry Pivel működtetett, háromtengelyű robot juttatja el egy lapra, ahol a második kamera részletes fényképeket készít róluk. A rendszer elfogadja az adott képet, és megállapítja, hogy milyen rovarról van szó.(A teszteken a kutatók az azonosításra használt képrészletekről hőtérképet is készítettek.)

A robot ezt követően egy másik tálcára helyezi a mintákat, ekkor történik a DNS-szekvenálás. A rendszer a DNS-adatokat hozzáadja a képet, az azonosítás és a mérések eredményeit tartalmazó fájlhoz.

A tesztek jól sikerültek, a rendszer 91,4 százalékos pontossággal dolgozott. Szép, de a humán szakértőknél rosszabb eredmény. Egyelőre legalábbis így van, viszont az árak csökkenésével és a technológia tökéletesedésével hamarosan ezen a területen is komoly igény lehet a mesterséges intelligenciára, robotokra.