A Föld száz legkárosabb invazív fajának listáján szereplő, több fertőző betegség terjesztésére képes ázsiai tigrisszúnyog lábai és teste egyaránt fekete-fehér csíkozásúak – ezért a csíkozásért kapta a nevét. Délkelet-Ázsiában, trópusi és szubtrópusi környezetekben őshonos, de az elmúlt évtizedek nemzetközi személy- és áruszállításának felgyorsulásával rendkívüli módon elszaporodott; ma már a világ egyik legdrasztikusabban terjedő faja.

Barcelonai kutatók az állatot önkéntesek által okostelefonnal készített és a Mosquito Alert oldalra feltöltött nagymennyiségű kép alapján azonosító módszert dolgoztak ki.

A szúnyogveszélyre figyelmeztető honlap környezetvédő szervezetek által támogatott közösségi kezdeményezés, amelyben a módszert kitaláló kutatók is részt vesznek. Magát a platformot 2015-ben alapították.

A képek az állatokról és szaporodásuk helyszíneiről is szolgáltatnak fontos információkat. Az adatokat eddig szakértők dolgozták fel, ők állapították meg, hogy hol vannak a betegségeket hordozó fajok, és értesítették az illetékes hatóságokat. Azaz, egy egyszerű appal és egy fényképpel bárki hozzájárulhat a veszélyes szúnyogok világtérképéhez.

Az állatok azonosítása kulcsfontosságú, az adott szúnyog fajtáját viszont nehéz megállapítani. Némi leegyszerűsítéssel: az emberi szemnek minden szúnyog hasonló. A fényképek sokszor homályosak, más objektumokat is ábrázolnak, nem közeliek, és ezek a tényezők tovább bonyolítják a tigrisszúnyog felismerését. De általában még a közelképeket sem úgy készítették, mintha szakértő örökítette volna meg a kártevőket. Több képen halott szúnyogok láthatók, az ő testmintázataik pedig mások, mint az élőké.

Az azonosítás laborokban történik, sokáig elhúzódik, és drága is, miközben az invaziv fajok nagyon gyorsan elterjednek. Itt jön képbe az MI, a mesterséges ideghálók, és az új fejlesztéssel valószínűleg jobban kontrollálható az állatok elszaporodása.

Mivel a mély ideghálók képesek nagymennyiségű információt feldolgozni, a Mosquito Alert képi adatbázisa remek terep nekik. Még a szakértői szemek számára kvázi észrevétlen variánsokat is meglátják, automatizálják a manuális munkát. Az új módszerrel eddig is nagyjából ugyanolyan eredmények érhetők el, mintha humán specialisták azonosítanák a tigrisszúnyogokat, és ez még csak a kezdet. A jövőben az MI valószínűleg egyre jobb eredményeket ér el.

Robotok elvileg sokféleképpen segíthetnek mozgáskorlátozott személyeknek. Tudósok évek óta kísérleteznek például agyi úton irányított gép-végtagokkal, úgynevezett „telejelenlét robotokkal.”

De ruhák felvételében is közreműködhetnek, ami nagyon komoly kihívás. A biztonsági feltételek mellett ügyesség, gyorsaság kell hozzá. Az MIT (Massachusetts Institute of Technology) Számítástudományi és Mesterséges Intelligencia Laboratóriumában pont ezzel próbálkoznak.

Ottani kutatók szembe menve a korábbi gyakorlattal, az összes robot-ember fizikai érintkezés kizárása helyett, engedélyezik a nem káros kontaktusokat, ebben a szellemben fejlesztett algoritmusuk így próbál egyensúlyt teremteni.

Az ember úgy van „huzalozva”, hogy más emberekhez alkalmazkodjon, cselekedeteit összhangba hozza velük. Egy robotnak viszont a semmiből kell megtanulnia mindezt.

Például, mivel tudjuk, hogy melyik ruhadarabot hova kell felvenni, hol hajlítják be a karjukat, és mondjuk, a pulóver hogyan reagál ezekre a mozdulatokra, viszonylag könnyen segítünk másoknak az öltözködésben. Egy robotba azonban be kell programozni az összes információt.

A korábbi algoritmusok biztonsági okokból megakadályozták, hogy robotok bármilyen fizikai kapcsolatba kerüljenek emberekkel. A koncepció a „lefagyó robot” problémájához vezet – a gép lényegében befejezi a mozgást, semmilyen rábízott feladatot nem tud már végrehajtani.

Erre a problémára fejlesztett Shen Li PhD-hallgató a gép biztonságos mozgását újradefiniáló algoritmust. Az összeütközés-elkerülés mellett, a kockázatmentes érintkezés mindaddig engedélyezett, amíg a kontaktus nem jelentős. A robot így valóban segíthet embereknek.

„A fizikai károkozás a feladat eredményes végrehajtásának kockáztatása nélküli megelőzése kritikus kihívás. Ezt garantálva, módszerünkkel megtalálhatók azok a hatékony robotmozdulatok, amelyekkel a gép biztonságosan felöltöztethet embereket” – magyarázza Li.

Egy egyszerű feladatnál a rendszer még akkor is működött, ha közben az illető mással volt elfoglalva: telefonált. A korábbi egyetlen modellre való hagyatkozás helyett, különféle szituációkra kombinált össze változatos modelleket.

Az MIT-kutatók a fejlesztés kezdetén tartanak, de ha beválik, az algoritmus az öltöztetés mellett más területeken is hasznosítható lesz, robotok nemcsak elvileg, hanem ténylegesen is sokkal többet segíthetnek mozgássérült személyeknek.

A NASA új hatkerekű marsi robotja, a Perseverance terepjáró az élet jeleit keresi a vörös bolygó egyik kráterében. Ez a feladat azzal jár, hogy az irányítócsapatnak alaposan ki kellett dolgoznia a navigációt, megtervezni az útvonalakat, ugyanakkor a gép egyre önműködőbb módban funkcionál.

Az irányítóknak ezt a munkáját megkönnyíti a rover saját magát navigáló rendszere, az AutoNav. Földi utasítások nélkül készít 3D térképeket a terepről, azonosítja a kockázati tényezőket, megtervezi az akadályok körüli mozgást.

„Az ember rendelkezik a vezetés közbeni gondolkodás képességével. A terepjáró az autonóm vezetésről gondolkozik, miközben a kerekei megfordulnak” – von párhuzamot az emberrel Vandi Verma, a NASA egyik marsjáró-tervezője.

A Perseverance-t más fejlesztések mellett ez a képessége is alkalmassá teszi, hogy elődjénél, az AutoNav korai változatával felszerelt Curiosity-nál gyorsabban, óránkénti 120 méter csúcssebességgel mozogjon. (A Curiosity mindössze húsz méterre képes.)

Kerekeit is úgy alakították ki, hogy a hardver kompatibilisebb legyen a szoftverrel. Egyik számítógépét csak navigációra használja, míg központi komputere a többi feladatot hajtja végre, például biztosítja, hogy a jármű ép maradjon.

A többször frissített AutoNav kulcsszerepet tölt be az egykori – évmilliárdokkal ezelőtti – tó, mai kráter bejárásában. A Mars sokkal nedvesebb volt akkor, mint ma, és a Perseverance úticélja a kráter végén lévő kiszáradt folyó torkolata. Ha a vörös bolygón volt valaha is élet, a nyomait ott kell keresni.

A jármű mintákat gyűjt, majd előkészítő munkát végez, hogy a talált kőzeteket el lehessen küldeni földi elemzésre. A korábbi próbálkozásokhoz képest fontos változás, hogy a terepet nem körbe-, hanem bejárja.

De hiába egyre tökéletesebb, a rover nem boldogulna, ha csak az AutoNav rendszert használná. A földi személyzet munkája kulcsfontosságú, csak az útvonaltervezésben teljes szakértői csoport vesz részt. A rádiójelek Föld és Mars közötti időcsúszása miatt egyszerű joystickkel nem irányítható a gép. A műholdképekből, 3D-szemüvegekkel stb. kinyert adatokon alapuló utasításokat eljuttatják a Marsra, és a terepjáró másnap végrehajtja azokat.

Kutatók sokat vitáznak arról, hogy milyen legyen egy mesterségesintelligencia-rendszer, fejlesztésekor mely tulajdonságaira figyeljenek leginkább, hogyan viszonyuljon az emberhez, környezetéhez, miként kommunikáljon a Homo sapiensszel.

Egy új tanulmány érdekes adatokat szolgáltat a vitához. 

A felhasználók a melegséget előnyben részesítik a képességekkel és kompetenciákkal szemben, ez a jegy minden másnál fontosabb – derül ki az Israel Institute of Technology (Technion) friss felméréséből.

A felsőoktatási intézmény júniusban megjelent anyagát több mint 1600 személy részvételével készítették, és a 2021-es Emberi tényezők számítógépes rendszerekben konferencián ismertették.

Melegségen a rendszer észlelhető szándékait, irányultságát értik. Az utóbbi néhány év több szabályozási törekvésére rímel, azaz olyan tulajdonságok tartoznak ebbe a kategóriába, mint a barátságosság, a segítőkészség, az őszinteség, a megbízhatóság és a moralitás.

Ezek a jegyek együtt határozzák meg az MI viszonyát az emberhez, és a potenciális felhasználók számára fontosabb a hozzánk fűződő kapcsolat, mint a rendszer bármely nagyszerű képessége.

Egy, a fogyasztó számára épített, „melegszívű” mesterséges intelligenciával még akkor is jobban szimpatizálunk, ha az sokkal kevesebb adaton gyakorolt, mint a mai csúcskategóriás gépitanulás-algoritmusok. Hiába dolgoznak ki nekünk egy, szuperfejlett mesterséges ideghálókkal működő rendszert, ha nem érezzük benne a melegséget, kevésbé fogunk szimpatizálni vele.

A felmérés készítői olyan mesterségesintelligencia-alkalmazásokra összpontosítottak, mint például a navigációs appok, a keresőmotorok és az ajánlórendszerek. Ez a megközelítés ellentétes a témában végzett többi kutatáséval, mert azok elsősorban virtuálisan vagy fizikailag jelenlévő rendszerekkel, például velünk beszélgető online botokkal (chatbot), ágensekkel vagy robotokkal foglalkoznak.

Az eredményekből kiindulva, a tanulmány szerzői szerint a fejlesztőknek a rendszer e tulajdonságát is kommunikálnia kell, jobban kell kommunikálnia a potenciális felhasználók felé.

Július 15-én autonóm robotkar repült a Nemzetközi Űrállomásra (ISS), ahol az orosz részlegen állt munkába. A gép a Nauka (oroszul tudomány) nevű, moszkvai fejlesztésű többrendeltetésű laboratóriumi modullal együtt indult útnak a kazahsztáni Bajkonurból.

Az Európai Robotkart (ERA) a kontinens meghatározó légjármű-ipari nagyvállalata, az Airbus által vezetett konzorcium építette az ESA (Európai Űrügynökség) számára.

A fejlesztés két évtizedig tartott, az alkatrészeket az Airbus hollandiai üzemében szerelték össze, ERA ott nyerte el végső formáját.

A gép két szimmetrikus, öt-öt méteres karjával iránytűre emlékeztet. A karok végére rugalmas kezeket illesztettek. ERA önállóan mozoghat az űrállomáson, bármihez hozzákapcsolhatja magát.

630 kilós tömegével nagyon könnyűnek számít. Alumínium- és szénrost-szerkezettel érték el ezt a számot, ami például azért is bámulatra méltó, mert akár nyolcezer kilós alkatrészeket is tud mozgatni, telepíteni. Precizitásával sincs gond, célpontjait öt milliméter pontossággal éri el. De ha kell űrhajósokat (amerikai asztronautákat és orosz kozmonautákat) is szállít az egyik munkaállomásról egy másikra.

Az űrhajósok az űrállomáson vagy valósidőben irányítják a kart, vagy előre programozzák, hogy aztán egyedül oldja meg a feladatokat. A közepén található kiegészítő számítógép az űrséták közbeni utasítások bevitelére szolgál, azon keresztül közlik a géppel a teendőket.

Az infravörös kamerával felszerelt ERA meg tudja vizsgálni az űrállomás és a komponensek szerkezetét, és a látottakat élőben továbbítja, streameli az ottani laborban dolgozó űrhajósoknak.

ERA nincs egyedül, mert az ISS-en két másik robotkar is dolgozik: a Canadarm2 tizenhét, a modulokat távirányítva módosító japán rendszer pedig tíz méter hosszú. Viszont egyikük sem éri el az orosz részt, így az uniós robot kitüntetett szerephez jutott.

Emberek és robotok egyre több szektorban, például a gyártásban, a medicinában és a logisztikában dolgoznak együtt, osztják meg egymással a munkateret.

A közös munka alapja a biztonság. Eddig a gépek hatótávolság-érzékelői akadályozták meg a súlyos ütközéseket, ezek a szenzorok viszont nem működnek, ha a robotok az emberekhez túl közel tartózkodnak. Más megoldásra van szükség.

A Fraunhofer Intézet kutatói az ilyen szituációkra fejlesztették a biztonságos robottervezésben segítő, webalapú – ingyenes – Cobot Designer alkalmazást. (A collaborative robotot rövidítő cobot az egymás közvetlen közelében történő együttműködésre utal.)

A cobotokkal dolgozó cégeknek kötelező kockázatbecslést készíteniük, amelyben azonosítják a potenciális veszélyforrásokat, az alkalmazottak által várható hibákat. A biztonsági hitelesítésnél mérésekkel állapítják meg a gép engedélyezett maximális sebességét, az általa kifejtett nyomást stb. A nemzetközi szabványokban meghatározott korlátokon nem léphetnek túl.

Ezek a mérések drágák, komoly szakértelmet igényelnek, és általában késeiek is, mert a robotokat addigra megépítették, beprogramozták, megvásárolták. Kis cégeknek ez külön problémás.

Itt jön képbe az interaktív Cobot Designer, amelyet vállalatok már a gép megvásárlása előtt használhatnak. Az eszköz például megállapítja, hogy a robot megfelel-e az adott feladat kivitelezésénél meghatározott maximális sebesség kritériumának. Ha viszont csökkenteni kell a munkatempóján, már nem biztos, hogy megéri megvásárolni, tehát beszerzés előtt gazdasági megvalósíthatósági elemzés sem árt.

A tervezővel megelőzhetők a felesleges vásárlások, csökkenthető a későbbi alkalmazásokra fordított munka. Fejlesztői el akarják érni, hogy a jövőben inkább a Cobot Designer által is használt számítógépes szimulációt alkalmazzák, mert így kisebb a fizikai mérések iránti igény. A tervező minden böngészőn fut, a felhasználó megadja a robot paramétereit, a kockázati tényezőket, és hogy milyen szerszámmal dolgozik (például fogóval).

A Cobot Designer automatikusan kiszámolja a robot-ember érintkezés következményeit és a megengedett maximális sebességet is. Az eddigi tesztek eredményesek voltak.

Japán mérnökök a hihetetlennek tűnő másodpercenkénti 319 terabájt adattovábbítással (Tb/s) megdöntötték az internetgyorsaság világcsúcsát. A rekordot több mint háromezer kilométer hosszú üvegszálas (optikai szálas) vonalon érték el. Ez egyrészt azt jelenti, hogy kompatibilis a meglévő kábelinfrastruktúrákkal, másrészt, mindent megváltoztathat.

A sebességről rengeteget elárul, hogy az eddigi csúcs, a 2020-as 178 Tb/s közel duplája, és bő hétszerese az azt megelőző – kísérleti fotonikus chippel elért – 44,2 Tb/s-nek.

Összehasonlításként, a NASA például viszonylag „lassan”, másodpercenkénti 400 gigabájttal dolgozik, az átlagfogyasztó által otthon használt 10 Gb/s maximális otthoni sebesség pedig fényévekre van a 319 terától.

A japán kutatók a létező száloptikás infrastruktúrát csak néhány elemmel egészítették ki. Hagyományos szabvány magok helyett négy másikat, az adatokat továbbító szálon belüli üvegcsöveket használtak. A jeleket egyszerre továbbított több hullámhosszra osztották – ez a technika hullámhossz-osztás multiplexálás (wavelength-division multiplexing, WDM) néven ismert.

Több adat továbbításához egy ritkán alkalmazott harmadik „sávval”, optikai erősítő technológiákkal növelték a távolságot.

Az adattovábbítás folyamata sokcsatornás lézer változatos hullámhosszokon történő használatával kezdődik. Egyes hullámhosszok mások előtt haladva, többféle jelszekvencia generálódik, majd mindegyikük a négy mag valamelyikére irányul. A rendszeren továbbított adatok 70 kilométer hosszú optikai szálon mennek végig, amíg el nem jutnak a jelet a hosszú távolságra felturbózó optikai erősítőkig. A jel ezt követően további két erősítőn megy még át.   

Az új, négymagos fényvezető szál átmérője ugyanannyi, mint a klasszikus egymagosé. Ez azt jelenti, hogy a módszer jelenlegi infrastruktúrákba integrálása jóval egyszerűbb lesz, mint a széles körben használt infokommunikációs rendszerek más átalakításai.

A 2006-ban korábbi Microsoft-vezetők által alapított Zillow az amerikai ingatlanüzlet egyik meghatározó online piactere. A cég most a házak értékét felbecsülő mesterséges ideghálóval újított.

Az ideghálóra épülő rendszer egy százalékra csökkentette az első becslések és a tényleges eladási ár közti különbséget, és a hibaráta-átlag is nagyon alacsony. A felújított – egyébként 2006 óta használt – Zestimate hamarosan elérhető lesz online.

A korábbi változat közel ezer nem gépitanulás-alapú algoritmussal dolgozott. Az algoritmusok egymástól függetlenül, önállóan végezték a munkájukat, mindegyiket más helyi piacra alakították ki.

Az új hálózat országszerte 104 millió lakás értékét becsüli fel naponta, és a becsléseket minden nap frissítik.

Egy globális modell jobban teljesíthet, mint a lokális modellek együtt. Az egyik ok, hogy a lokális, egy-egy adott kisebb területen történő lakáseladások ritkábbak – jelentette ki a Zillow egyik képviselője.

A teljesen egymáshoz kapcsolt, több rétegből álló rendszer egyrészt megtanulja a helyi mintákat, másrészt nemzeti szinten is dolgozik velük. Inputként a telekméretet, négyzetmétereket, szobák számát, az épület korát, a környéket, adóhatósági adatokat, régebbi és napi piaci árakat, a szomszédos ingatlanok méretét, és ha aktuális, a vízparttól való távolságot használja.

A Zestimate-hez korábbi modellek, például az értéket növelő (márvány részeket, rozsdamentes acélból készült háztartási gépeket stb. ábrázoló) képeket elemző gépilátás-rendszer is tartozik.

A cég február óta mintegy 900 ezer lakáshoz használta az idegháló becsléseit. Mivel az új rendszer pontosabb, a szám minden bizonnyal folyamatosan emelkedni fog. Eladónak és vásárlónak is komoly segítségét nyújt, csomó papírmunkától kíméli meg őket.

A Zillow más mesterségesintelligencia-megoldásokkal is foglalkozik, például jogi dokumentumok elemzéséhez fejlesztenek természetesnyelv-alapú keresőrendszert.

Egyes mesterséges ideghálók nagyon jól megtanultak játszani, de például a Dota 2-t megerősítéses tanulással (reinforcement learning) közel kétezer évnek megfelelő (de azért tömörítéssel lényegesen rövidebb) ideig gyakorolták, hogy eredményeket érjenek el.

A Cambridge Egyetem kutatói új módszerrel kísérleteznek: az automatizált gamer nem játszik évezredekig, helyette napokon keresztül néz felvett játékmeneteket.

A modellt felügyelt tanulással (supervised learning) gyakoroltatták a Counter Strike: Global Offensive (CS:GO) elsőszemélyes lövöldözős játékon. Pixeleket elemezve jutott el a középhaladó szintig.

Megerősítéses tanulással programozói interfésszel rendelkező játékokban kiváló eredményt érhetnek el a mesterséges ideghálók. Mivel a játékmenet sokkal gyorsabb, mint valósidőben, az interfész teszi lehetővé az összes potenciális játékállapot kiaknázását.

A CS:GO-ban viszont nincs ilyen interfész. A viselkedésalapú klónozás néven ismert technika, a szakértői bemutatókból történő tanulás lehet az alternatíva. Nehéz ezeket a bemutatókat összegyűjteni, nyilvános közvetítések azonban szerencsére épp elég anyagot szolgáltatnak.

A rendszer konvolúciós ideghálóval minden egyes képkockáról megjelenítést generált, amelyeket több reprezentációval kombinálta, és meghatározta, hogy mit kell tenni képkockánként.

Előzetesen hetven órán, négymillió képkockán gyakoroltatták. A képkockákat a játékos lépéseire (előre, hátra halad, lő stb.) vonatkozó, manuálisan kidolgozott szabályokkal címkézték fel. Utána finomhangolták – négy óra, kétszázezer képkockányi játékmenet maradt. A munkában a világ tíz legjobb versenyzőjének egyike segédkezett.

Gyakorlás közben a rendszer megtanulta, hogyan minimalizálja az előrejelzett és a felvett lépések közötti különbséget. Következtetésnél a modell legnagyobb valószínűséget mutató előrejelzésével összhangban kell eldöntenie, merre mozgassa a karaktert és a karakter által látottakat kontrolláló kurzort. Akkor cselekszik (például lő), ha a cselekvés valószínűsége nagyobb, mint egy véletlenszerűen generált szám.

A játékba beépített, ember számára hozzáférhetetlen információkkal (az összes játékos pozíciója stb.) rendelkező, közepesen bonyolult ágenssel szemben sikeresen teljesített, percenként 2,67-szer ölt ellenséget, míg az ágens csak 1,97-szer. A legjobb tíz százalékba tartozó humán versenyzőkkel szemben már kevésbé volt sikeres, a percenkénti 4,27 levadászással szemben, a modell ezúttal csak 0,5 ellenséget likvidált 60 másodperc alatt.

A kutatás tanulsága, hogy a hozzáférhető szakértői bemutató mennyiségének függvényében, a viselkedésalapú-klónozás a megerősítéses tanulás alternatívája lehet.

A közlekedési torlódások, dugók globálisan többmilliárd dollár éves kárt okoznak. Visszavetik a termelékenységet, növelik a környezetszennyezést, aktívan hozzájárulnak a klímakatasztrófához.

A mesterséges intelligencia által végzett forgalomirányítással a probléma ugyan nem szűnik meg teljesen, a károk viszont jelentős mértékben csökkenthetők.

Több amerikai város teszteli egy izraeli startup a közlekedéssel eltöltött idő lerövidítésében és a károsanyag-kibocsátás csökkentésében aktív szerepet játszó No Traffic rendszerét, amelyet a cég elmondása alapján 2021 végéig 41 városban terveznek bevezetni.

A Nu Traffic mesterséges ideghálók és más technikák összekombinálásával optimalizálja a közlekedést az útkereszteződéseknél, koordinálja a forgalmat városszerte. A rendszerbe járdaérzékelőket és járművekhez kapcsolódó protokollokat is integráltak.

A kereszteződéseken telepített kamerákon a közeledő járműveket, kerékpárokat és bicikliket detektáló, osztályozó modellek futnak, és számolják ki a mozgó objektumok sebességét, térbeli pozícióját.

Az anonimizált adatfolyamot a közlekedési lámpákba integrált modulok irányítására használják. A modulok összesítik az érzékelők kimeneteit, és optimalizálják a lámpák működését. Például, ha egyik irányból sem jön autó, a pirosat zöldre, ha hirtelen mentőkocsi közeledik, a zöldet pirosra váltják.

Az adatokat a számítási felhőbe streamelik, ahol az optimalizálást nagyobb területekre terjesztik ki, majd visszaküldik a vezérlőmoduloknak, hogy átfogóbb közlekedési mintázatokat is figyelembe tudjon venni. A rendszer például több jelzőlámpa koordinálásával elterelheti a forgalmat baleset miatt lezárt utak közelében.

A kaliforniai Redlands-ben két hónapig tesztelték. A kereszteződések két százalékában telepítették, és a közlekedőket összesen 900 órányi káosztól mentette meg, amely bő 330 ezer dollár bevétellel növelte a város gazdaságát. A két hónap alatt tizenegy tonnával csökkent a károsanyag-kibocsátás. A startup becslése szerint, ha az Egyesült Államok összes forgalmi lámpáját ez a rendszer működtetné, húszmillió jármű „kipufogó-termésétől” kímélnék meg évente az országot.

A gépi tanulást a világ más pontjain is bevetik a forgalmi dugók ellen. Delhiben például szintén mesterségesintelligencia-alapú, indiai fejlesztésű rendszer ügyeli 7500-nál több jelzőlámpa tevékenységét. 23 kínai és malajziai városban az Alibaba CityBrain-je végzi ugyanezt a munkát.