A valaha létező nyelvek nagy részét ma már nem beszélik, ráadásul többtucatnyi halott is közülük. Nem tudjuk átírni őket, nem ismerjük sem a nyelvtanukat, sem a szókészletüket, sem a mondattanukat. Ezek hiányában fennmaradt szövegeiket sem értjük.

Szövegek nélkül hiányosak a beszélőkre vonatkozó ismereteink, és mivel általában minimális írott emlék maradt fenn, a gépifordítás-algoritmusok sem tudnak mit kezdeni velük. Sok esetben nincs ismert rokon nyelv, és így az összehasonlítás sem működik.

MIT-s (Massachusetts Institute of Technology) kutatók azonban egy halott nyelven fennmaradt szövegek más nyelvekhez való kapcsolatának mélyebb ismerete nélkül is megfejtő rendszert fejlesztettek. Maga a rendszer állít fel kapcsolatokat, állapítja meg a hiányukat. Sokakkal ellentétben,  a rendszer szerint például nincs rokonság a rég kihalt ibériai és a baszk között.

A fejlesztés célja nyelvészek által évtizedek óta negligált halott nyelvek megfejtése néhányezer szó alapján.

A kutatást vezető Regina Barzilay szerint technológiájuk figyelembe veszi az általános nyelvtörténet alapelveit, például, hogy nyelvek általában csak egyes előrejelezhető módokon fejlődnek – teljes hangok ritkán keletkeznek, és tűnnek el, inkább helyettesítődnek, mint mondjuk, az eredeti nyelv p-jéből az „utódoknál” b lesz, és nagy valószínűséggel nem k.

A rendszerbe ilyen megkötéseket tápláltak be, hogy az algoritmus képes legyen a lehetséges átalakulások kezelésére. A több dimenzióban dolgozó modell az adott nyelven szegmentál szavakat, és kapcsolja össze őket rokonnyelvekkel. A kapcsolatokra az algoritmus következtet, de akár nyelvcsaládokat is felfedezhet. Például a baszk és a latin hiába van közelebb az ibériaihoz, mint bármelyik más (román, germán, türk, uráli) nyelvcsalád, az eltérések túl nagyok ahhoz, hogy rokonok legyenek.

A kutatók a jövőben túl akarnak lépni azon, hogy szövegeket ismert nyelvek hasonló szavaihoz kapcsoljanak. Következő lépésben a szavak szemantikájára összpontosítanak, amit az sem zavar, ha nem tudják elolvasni őket.

A történelmi evidenciák ismeretében személyek és helyek referenciáit azonosíthatják. Az előszeretettel használt entitás-felismerés technika eddig bevált a szöveg-feldolgozásnál, nagyon pontosnak tartják.

Kérdés, hogy a régi nyelven íródott gyakorlóadatok nélkül kivitelezhető-e a feladat.

Virágzó és gyorsan fejlődő piac szintetikus adatsorok generálása gépitanuló-rendszerek gyakoroltatásához. Az érintett startupok (AI.Reverie, GenRocket, Hazy, Mostly AI stb.) külön figyelmet szentelnek a forrásadatok előítélet-mentességére, hogy a rajtuk trenírozott algoritmusok ne legyenek részrehajlók. Természetesen nemcsak figyelnek, hanem módszereket is dolgoznak ki rá.

Ha nem sikerül megoldaniuk a problémát, a szintetikus adatsorok „megöröklik” a fizikai valóságból származó adatok hiányosságait, elfogultságát. Azokét az adatokét, amelyeken alapulnak a későbbi gépitanulás-modellek.

De miért van szükség szintetikus adatsorokra?

Elsősorban azért, mert nagyon jó minőségű gyakorló adatsorok létrehozását a magas költségek miatt sok cég nem engedheti meg magának, másrészt pedig, azokban az esetekben, amikor a fizikai valóság adatai nem állnak rendelkezésre, ez az egyetlen lehetőség.

De a szintetikus adatsorok sajnos nemcsak megőrzik, hanem fel is erősíthetik az eredetiek részrehajlását, rengeteget torzíthatnak, például növelhetik a társadalmi előítéleteket. A fejlesztők nagyon vigyáznak a „valóságtorzulásokra”: ne legyenek jelentősek, még inkább: egyáltalán ne forduljanak elő, és igyekeznek minimalizálni a kockázatokat, hogy a begyakoroltatott modell ne eredményezzen teljesen félrevezető, igazságtalan outputokat.

A Mostly AI friss kísérletében az 1994-es amerikai népszámlálás adataiból kiindulva generáltak adatsort, amelyben az évi 50 ezer dollárnál többet kereső férfiak 20 százalékkal többen voltak, mint a nők. Az egyenletesebb eloszlás érdekében a cég beépített a rendszerbe egy generátort, amely a magas jövedelmű férfiak és nők arányának jelentős felbillenésekor büntetőmechanizmusokat alkalmazott. A technikával 2 százalékosra csökkentették a különbséget.

A startup a visszaeső bűnözésre vonatkozó, hírhedtté vált COMPAS adatsor alapján is generált szintetikus adatsort, bemutatva, hogy az abból kiinduló modelleknél feketék esetében aránytalanul magasabb, fehéreknél aránytalanul alacsonyabb az ismételt bűnelkövetés valószínűsége. A kezdeti adatsorral 24 százalék volt a különbség, végül korrekciós technikákkal elérték, hogy 2 százalékra csökkenjen.

Az adatsorok elsődleges rendeltetése, hogy elfogulatlan outputot eredményezzenek – magyarázzák a fejlesztők.

Ellentmondásos az egészségügyben használt mesterségesintelligencia-rendszerek megítélése. Sok kritikus szerint nem eléggé átláthatók. Transzparencia nélkül pedig az eredmények nem ellenőrizhetők, a hibák nehezebben vagy egyáltalán nem azonosíthatók, csökken a bizalom. Ha nincs elegendő infó, a kutatóközösség képtelen a bizalom mellett a rendszerek megbízhatóságán is alapuló gyors fejlődésre.

A Google Health például bemutatott egy, a mellrákot radiológusoknál pontosabban azonosító MI-t. Csakhogy az óriáscég egészségügyi csoportja fontos részleteket már nem tett közkinccsé, így mások nem tudják ugyanazokat az eredményeket elérni vele.

Több neves felsőoktatási intézmény, például a Harvard Egyetem és orvostudományi szervezet a Nature folyóiratban publikált közös anyagban bírálta a keresőóriást. Az életet fenyegető feltételeket diagnosztizáló MI-rendszerek feleljenek meg a transzparencia szabványainak – követelték.

A Google fejlesztése ebből a szempontból több feltételt sem elégít ki.

A szerzők nem tették közzé a betanított modellt, így mások nem tudják ellenőrizni az eredményeket. A használt keretet és könyvtárakat ugyan megemlítették, a tanulás részleteit viszont kihagyták – nem írták le a menetét, ütemét, hogy milyen optimalizáló megoldással dolgoztak, és a gyakorlási szakaszok számáról, valamint az adatbővítő technikákról is megfeledkeztek. Úgy jártak el, mintha az összetevők mennyiségének ismertetése nélkül írnának tortareceptet.

A kutatáshoz használt adatsorok közül az Optimam nyilvánosan hozzáférhető, a páciensekre vonatkozó infók viszont értelemszerűen nem. A bírálók szerint a kényes infók helyett független statisztikai elemzéseket lehetővé tevő címkéket és modell-előrejelzéseket kellett volna publikálniuk. Mivel más részletek szintén hiányoznak, joggal merül fel a kérdés, hogy a modellt ugyanabban a szakaszban többször trenírozták ugyanazon páciens adatain.

A Google szintén a Nature-ben válaszolt a kritikákra. Egyrészt a magánadatok védelmére hivatkoztak, másrészt szerintük a kihagyott tanulási részletek a cégen kívül kevésbé használhatók, harmadrészt a „titkolózással” a modell fenntarthatóságát, jövőbeli újításokat támogató ökoszisztémájukat akarták óvni.

Egyértelmű, hogy az MI-kutatók a kereskedelmi titkok, a nyílt tudomány és a magánszemélyek privát szférájának védelme közötti bonyolult terepen igyekeznek egyensúlyozni.

Az USA Élelmiszerbiztonsági és Gyógyszerészeti Hivatala (FDA) pontosan erre a kérdésre fókuszáló workshopot tartott idén, amelynek az orvosi képeket értelmező MI-rendszerek hitelesítése, a hitelesítéshez szükséges legjobb megoldások kidolgozása volt a témája.

Az Oxford Egyetem és a Google kutatói videón szereplő egyedi objektumok (személyek, tárgyak) mozgását megváltoztató mesterséges intelligenciát mutattak be. A munkára fordított idő lerövidítésével, a fejlesztés sokat segíthet videósoknak és filmeseknek.

Az idegháló a videón belül meg tud különböztetni személyeket, tárgyakat, és emellett képes felgyorsítani, illetve lelassítani a mozgásukat. Az eddigiekkel ellentétben, nem a teljes jelenet tempóját változtatja meg, hanem csak az egyik szereplő vagy tárgy mozdulatainak a sebességét. (Például a valóságosnál gyorsabban repül egy kő.)

Az új technikának köszönhetően, szerkesztők, vágók most már mindössze egyetlen eszközzel tudnak módosítani cselekvések tempóján.

A kutatók minden egyes képkockát (frame) több rétegre szedtek szét, és az ideghálónak megtanították, hogy azonosítsa a rajta látható személyeket és tárgyakat. Az MI rájuk összpontosít a rétegeken, alaposan figyeli a tevékenységüket, elkülöníti az összes személyt és tárgyat, majd meg is változtatja a mozgásukat.

A Google korábban videohívásokon jelbeszédet azonosító modellt fejlesztett, a jelenlegi munkához ez jelentette a kiindulási pontot. Az MI azonosítja az „aktív beszélőt”, viszont, ha csak a fejét és a kezét mozdítja meg, ignorálja közben a másik beszélőt. A modell hatékonyan és kevés késleltetéssel dolgozik.

A kutatók megállapították, hogy a jelbeszéd detektálása enyhe késéshez és a videó minőségének romlásához vezet, ugyanakkor mindkét probléma viszonylag könnyen megoldható, azaz a fejlesztés megbízhatónak, eredményesnek bizonyult.

Az új rendszer a PoseNet modellen lefuttatja a mozgókép-anyagot, amely aprólékosan felbecsüli a test, a végtagok képkockán belüli pozícióját. A leegyszerűsített vizuális információt átküldi a rendszerhez tartozó, testhelyzet-adatokon begyakoroltatott „jelbeszéd-modellhez.”

A személyeket, tárgyakat egyenként szétválasztják, kiszedik őket a háttérből, majd az egyedi elemek megváltoztatását követően, az MI újra összerakja a jelenetet.

Az idegháló így például felgyorsíthatja egy táncoló pár mozgását a bálteremben, miközben a többiek tempója nem változik, de ugyanennyi erővel lassíthat is rajtuk. A technikával egyes mozgások kihangsúlyozhatók, dramatizálhatók – és mindez fáradtságos manuális munka nélkül kivitelezhető.

Drónok itt, drónok ott, drónok mindenhol; Kaliforniától Kínáig, egyre többen és több területen alkalmazzák a technológiát. A fegyveres erőknél szintén terjed, két új projektből pedig kiderül, hogy egyesek különös módszerrel oltanak, mások gerjesztenek tüzet az ember nélküli légi járművekkel.

Az Egyesült Államok nyugati partjának tűzoltói drónokkal dobáltatnak tűzgolyókat – „sárkánytojásokat” –, hogy kontroll alatt tartsák az erdőtüzeket. A pingpong-labda méretű golyók a földre érve gyenge lángjukkal hivatottak eltávolítani az oda került üzemanyagokat.

Egy drón percek alatt kb. 450 „tojást” szór szét. A kéttucatnyi gépet mintegy harminc, a lángoknak ellenálló high-tech ruhát viselő pilóta távirányítja. A gépek mellett a füsttel is elboldoguló hőkép-kamerákat is használnak, velük követik nyomon a tűzvész terjedését.

Kaliforniában természetesen repülők és helikopterek szintén dolgoznak, de idén annyi az erdőtűz, hogy egyedül nem boldogulnának.

A legújabb kínai drónfejlesztés teljesen másról szól – az ország elektronikai és információtechnológiai akadémiája (CAEIT) 48 felfegyverzett és robbanóanyaggal felszerelt drónról tett közzé videót. A gépeket az ő anyagukban teherautó hátuljából, egy másik mozgóképes anyagon helikopterről bocsátották útra.

Kilövésük után szárnyaik is előjönnek, míg a földön tartózkodó katonák tabletszerű eszközzel azonosítják a drónok célpontjait.

A tesztről kevés információ szivárgott ki, a videón látható szerkezetek mindenesetre az „öngyilkos gépekre” emlékeztetnek. Egységenként kb. 1,2 méter hosszúak, tömegük a 10 kilót sem éri el. Sebességük nagyjából 150 km/h.

A gépek több amerikai drónra, olcsó ember nélküli légi járművekre, például a Locust (Sáska) projekt rajára, rajok egységeire emlékeztetnek. Egyelőre a fejlesztések korai fázisában vannak, és mielőtt valóban, élesben használnák őket, a mérnököknek több technikai problémát, például a kommunikációs rendszer működését kell megoldaniuk, vagy kitalálniuk, hogy nagy forgalomban hogyan állítsák le a szerkezeteket.

Szakértők figyelmeztetnek: ezek a rajok védelmi rendszerek zavarására is használhatók.

A hatóságok mesterségesintelligencia-befektetéseikkel csak akkor érhetnek el eredményeket, ha a lakosság megbízik ezekben a technológiákban. Átláthatóság nélkül az MI-k közhasználata sem lehet eredményes. 

Két európai főváros, Amszterdam és Helsinki ebből a megfontolásból indította el a helyi önkormányzatok által használt mesterségesintelligencia-rendszerek nyilvános naplózását. Az online regiszterek leírják, hogy milyen algoritmusokkal dolgoznak, például a parkolásellenőrzés automatizálására vagy milyen chatbot (beszélgető bot) működik a közegészségügyben.

A regiszterek egyelőre a bétateszt állapotnál tartanak.

A bennük található bejegyzések bemutatják, hogy mit tesz minden egyes modell, hogyan tanították be, gyakoroltatták, illetve a telepítéséért és működtetéséért felelős személyzet kontaktinformációja is az érdeklődők rendelkezésére áll.

Az amszterdami vezetés a mesterséges intelligenciát „adatelemzéssel, statisztikákkal és öntanulással előrejelzéseket készítő, döntéseket hozó és tanácsot adó” szoftverként definiálja. A Helsinki regiszter gépitanulás-rendszerekből és a közvélemény által MI-nek tartott, szakértők szerint egyszerűbb programokból áll.

Mivel a két város vezetőségét nem kötelezik rá, a regisztereknek nem kell teljesen átfogónak, mindenre kiterjedőnek lenniük.

„Egyelőre önkéntes alapon teszik, céljuk a lakosok bizalmának megtartása” – nyilatkozta Meeri Haataja, a SaIdot finn fejlesztő startup vezérigazgatója.

Mindkét város tervezi a rendszerek felhasználói visszajelzéseket figyelembe vevő frissítését, a szabályok pontosítását.

A kezdeményezés mindenképpen megsüvegelendő. A 21. századi urbanisztika egyik markáns törekvése, az okos várossá (smart city) válás csak akkor történhet meg, ha mindenki hozzáférhet a település működéséért felelős algoritmusok tevékenységéhez, tudhatja, hogy melyik mit csinál.

Amikor az automatizált rendszerek által hozott döntésekkel kapcsolatos kérdések merülnek fel, vagy ha a változó körülmények miatt módosítások történnek, és a modelleket frissítik, megkerülhetetlen, hogy legyen róluk pontos dokumentáció.

Világszerte több csoport működtet mesterségesintelligencia-rendszert természeti katasztrófák hatásainak csökkentéséért.

Az AIDR (AI for Digital Response) twitteres szövegeket és fényképeket elemezve azonosítja a megkárosult infrastruktúrát, kér segítséget, és végez más hasonló tevékenységeket. A platformot földrengések és hurrikánok kiértékelésére alkalmazzák, valósidőben viszont sajnos még nem állították munkába.

A szövetségi állam szinten több helyi amerikai kormányhivatallal és nemzetközi pénzügyi intézettel együttműködő One Concern katasztrófaelemző startup MI-je földrengéseket és következményeiket jelzi előre. Bírálói szerint a rendszer nem elég pontosan jósolja meg a károkat.

A NeurIPS december 12-re virtuális workshopot hirdetett meg gépitanulás-szakértők és katasztrófavédelmi specialisták részvételével.

Eközben Kaliforniában mesterséges intelligenciával működtetett szem segíti a tűzoltókat az egyre gyakoribb erdőtüzek megfékezésében. Idén a Yosemite Nemzeti Park védelmére ideghálók készítettek térképeket. Az állam tűzoltó szervezete, a CalFire bizakodik, hogy a technológiával jobban követhetők a gyorsan és a hegyi terepen a széljárás miatt kiszámíthatatlanul terjedő pusztító tüzek.

Amerikai katonai drónok folyamatosan készítenek légi felvételeket Kaliforniáról, amelyeket humán elemzők dolgoznak fel, hogy fel tudják térképezni a tűzvész helyét, kiterjedését. Csakhogy ez a folyamat órákig eltarthat.

A Pentagon mesterségesintelligencia-központja a San Francisco székhelyű CrowdAI startupot bízta meg a légből felvett videókat 30 percnél rövidebb idő alatt tűzvész-térképpé alakító modell kidolgozásával.

A CrowdAI a térképeket mobil appon teszi elérhetővé a tűzoltók számára.

A rendszer MQ-9 Reaper drónok infravörös videóin tanult. A képkockákon látható tüzeket emberek annotálták és látták el helycímkékkel. A cég saját képszegmentáló modellel állapította meg a tűz kiterjedését. A modell kimeneti (output) anyagát minden esetben szakértők ellenőrzik, és csak utánuk jut el az illetékes tűzoltósághoz.

Minél hamarabb elkészül egy térkép, annál megbízhatóbb. Mivel az erdőtüzek gyorsan terjednek és a klímakatasztrófával egyre gyakoribbak és pusztítóbbak, pár óra is kritikus lehet, ezért a tűzoltóknak kvázi azonnali térképekre van szükségük, különben nehezebben végeznek hatékony munkát.

A Facebook meztelenséget automatikusan kiszűrő filtereinek rendeltetése, hogy a kiskorúakat megvédjék fejlődésüket a közösségi hálózat szabályai szerint negatívan befolyásoló vizuális élményektől. Csakhogy a filterek és a mögöttük lévő algoritmusok, azaz mesterséges intelligencia gyakran tévednek.

Az algoritmus legutóbb például egy kosárban lévő csomag hagymát címkézett nem megfelelő, „szexuálisan explicit” tartalomként.

Egy kanadai cég próbálta a közösségi médiumon reklámozni magát a képpel, amelyet a Facebook algoritmusa blokkolt, azzal indokolva, hogy az „nyíltan szexuális tartalmú.”

A tévedésen mosolygunk egyet, aztán el is felejtjük. Csakhogy rögtön több kérdés fel is merül: az MI milyen kritériumok alapján döntött, miért szűrte ki pont ezt a képet?

Az eset leginkább viszont azt szemlélteti, hogy a mesterséges intelligencia tartalommoderálása egyelőre hagy kivetnivalókat maga után, és még nem kész felelősségteljes szituációkban teljesen megalapozott döntéseket hozni.

A Gaze Seed Company részletesen nem ment bele, hogy mit gondol a döntésről. A Facebook értesítette őket a nemkívánatos tartalomról, és hogy el kell tüntetniük az oldalról.

„Szerintem a hagymák két kerek formájáról hihette tévesen az algoritmus, hogy női mell vagy valami más, és valamilyen módon meztelen” – találgatott Jackson McLean, a Gaze Seed Company menedzsere, majd hozzáfűzte: „egyszerűen mókásnak tartottam. Elég elrugaszkodott fantázia kell ahhoz, hogy valaki ránézzen a hagymákra, és valami szexuális dolog jusson eszébe róluk. A nyíltan szexuális szöveg pedig arra utal, hogy tévedésnek helye sincs.”

Ellentétben az algoritmussal, az emberi szemnek teljesen egyértelmű, hogy se explicit, se implicit nincs a képen nemiség, meztelenség – közönséges hagymákat látunk. A hagyma még akkor is hagyma, ha a Facebook mesterséges intelligenciája másnak látja.

A Gaze Seed Company panasszal élt a közösségi médiumnál, de egyelőre még nem kaptak választ.

Közel tíz éve az önvezető autók az egyik legizgalmasabb és legdinamikusabban fejlődő infokommunikációs technológia, és egyben az egyik legkonkrétabb, „fizikailag tapintható” mesterségesintelligencia-alkalmazás. A robotjárművek az ígéretes részeredmények ellenére még nem terjedtek el, viszont folyamatosan érezzük: előbb-utóbb meg fog történni.

Az ezirányú fejlesztések vezetője, a Google önvezető autó projektjéből továbbfejlődött Waymo október 8-án jelentette be teljesen vezető nélküli szolgáltatását az arizonai Phoenix egyik elővárosában.

2019 nyarán az anyacég Alphabet néhány száz személyből álló válogatott fogyasztói csoporton, a „korai utasokon” kezdte tesztelni a biztonsági sofőr nélküli szolgáltatást. Szerződést kötöttek velük, hogy nyilvánosan nem közlik az élményeiket, viszont a visszajelzések is segítettek a döntésben, a Chrysler Pacifica kisbusz Phoenix környéki magáncélú használatának beindításában.

„Nekünk is, és az egész világnak is óriási dolog ez” – jelentette ki John Krafcik, a Waymo egyik vezetője.

A Waymo önvezető járművében öt éve ült először valaki közúton. A technológia méretezése hatalmas kihívást jelentett, két évükbe telt, amíg három autójuk egyszerre közlekedett teljesen vezető nélküli módban Phoenix utcáin. Száz autóhoz újabb év kellett, és idén jutottak el odáig, hogy elsőként a világon, fizető szolgáltatást kínálnak.

Kockázati tőkésektől és más befektetői csoportoktól idén több mint 3 milliárd dollárt gyűjtöttek össze, ami azért nagyon fontos, mert ez volt az első alkalom, hogy nem az Alphabettől érkezett a pénz.

Márciusban úgy döntöttek, hogy a Covid-19 miatt felfüggesztik a fuvarokat, és csak a biztonsági sofőr nélküliekkel foglalkoznak. Az ügyfelek 300 járműből álló kisbusz-flottából válogathatnak. Az út maximum 130 négyzetkilométeres területre vonatkozik, az utas bárkit meghívhat, megoszthatja élményeit a közösségi médiumokon. Bárki igénybe veheti, aki letölti hozzá a Waymo One appot.

Krafcik elmondta, hogy a szolgáltatással bővíteni óhajtják ügyfélkörüket. A jövőben tervezik a biztonsági sofőrös szolgáltatás visszaállítását, de mindaddig nem, amíg a vezetőt nem szeparálják el teljesen az utasoktól.

A következő hasonló Waymo szolgáltatásra a cég „szülőállamában”, Kaliforniában kerülhet sor.

A természetesen postai, valamint futár és logisztikai szolgáltatásokat nyújtó Japán Posta október 7-én mutatott be egy levélhordó robotot.

Manapság ugyan egyre kevesebb hagyományos levelet írunk és kapunk, de azért még így is épp eleget adunk fel ahhoz, hogy a szolgáltatást ne lenne értelme automatizálni. Ráadásul a Covid-19 világában egyre jobban nő az emberek fizikai érintkezésének minimalizálása iránti igény, ezért lehetnek minden korábbinál népszerűbbek például az érintés nélküli fizetési megoldások.

A ZMP Inc. által fejlesztett, kerekesszék-méretű, DeliRo nevű robot beépített kamerákkal és szenzorokkal működik. Múlt szerdán egy tokiói utcán, a járdán tesztelték, akadályokat, például hirdetőoszlopot került el, és a zebrán, a közlekedési lámpák utasításait betartva, útkereszteződésen is átment.

DeliRo pont egy, szeptember 18-án indult és október végéig tartó tesztsorozaton megy keresztül. Az egyikben egy kórház kisboltjától a helyi postaépületig tartó utat 25 perc alatt abszolválta.

A gép óránkénti 6 kilométer sebességgel közlekedik, maximum 30 kiló tömegű küldeményeket szállít. A Japán Posta elmondta, hogy az önvezető szerkezet még ebben az évben munkába állhat.

A teszteredmények alapján az ország kormánya enyhíthet az autonóm szállító robotokra vonatkozó szabályozáson. A mostani törvények értelmében robotok csak emberi segítséggel – ha folyamatosan figyelik őket – közlekedhetnek járdán, közutakon. A tesztekre csak azt követően kerülhetett sor, hogy DeliRo-t járműként regisztrálta a rendőrség.

A robotra nemcsak a pandémia miatt és alatt van szükség, a jövőben is fontos szolgáltatásokat végezhet. A másik ok az elöregedő japán társadalom, az egyre fenyegetőbb munkaerőhiány. A probléma nem újkeletű a szigetországban, évek óta keresik rá a megoldást, és konszenzus van arról, hogy a robotika az egyik opció.

DeliRo kollégáival más országokban is próbálkoznak, az Egyesült Államokban például gyógyszert és zöldség-gyümölcsöt szállítanak házhoz.