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.

A képmanipuláció a képkorszak egyik legtöbbet vitatott eredménye, ma már mesterségesintelligencia-programok nélkül feltáratlan, azonosíthatatlan, remek minőségű kamuarcok készíthetők.

Szerencsére nemcsak negatív célokra.  

Dokumentumfilmesek, híradósok bevett gyakorlata arcok elhomályosítása, elmosása, hangok eltorzítása. Az érintett személyeket érthető okokból teszik felismerhetetlenné: cél, hogy nyilatkozatukért a későbbiekben semmiféle retorzió ne érje őket.

A változtatások azonban nemcsak előnyökkel, hanem komoly hátrányokkal is járnak – a nézők érzelmileg nem, vagy alig azonosulnak a megszólalókkal.

Az HBO – az idei Sundance Fesztiválon díjnyertes – „Üdvözöljük Csecsenföldön” dokumentumfilmjének alkotói kreatív megoldást vetettek be a probléma megoldására: a sokat kockáztató nyilatkozók arcát kamuképekkel (deepfakes) helyettesítették. A borítékolhatóan az újságírói arzenál részévé váló ígéretes technikával tanúkat is könnyebb megvédeni.

Az Oroszországhoz tartozó, vitatott jogállású Csecsen Köztársaságban a melegeket, leszbikusokat és az LGBTQ közösség más tagjait diszkriminálják, üldözik, többüket bántalmazzák. Mintegy 40 ezren vannak, gyakoriak a letartóztatások, a büntetőtáborokba hurcolás, többet megöltek már közülük.

 A dokumentumfilm róluk, egyesek elmeneküléséről szól.

A vizuális effektusokért felelős Ryan Laney által kidolgozott „Cenzorfátyol” nevű eljárással a 23 szereplő fejét élethű „kamuarccal” helyettesítették. A folyamat során hagyományos vizuális effektusokat és az automatikus kódoló néven ismert tanuló ideghálót kombinálták össze. Az interjúkon amerikai LGBTQ aktivisták feje jelenik meg a biztonsági okokból eltávolított eredetiek helyén. Az önkéntesek természetesen hozzájárultak, mindegyiküket kilenc kamerával filmezték.

„A technikával a leforgatott filmbe lehetett tenni az arcokat. Ugyanúgy mozognak, mosolyognak, kiabálnak, mint az eredetiek, pedig mások arcát látjuk” – nyilatkozta David France rendező.

A világ orvosi közössége magasra állította a biztonsági és a hatékonysági mércét. A jelenlegi elvárás, hogy az egészségügyi mesterségesintelligencia-megoldások minimum kielégítsék, de inkább haladják meg ezeket a követelményeket.

A technológia azonban folyamatosan generál új kihívásokat is, például, hogy az egyre bonyolultabb rendszerek miatt, az adott MI működését el lehessen érthetően magyarázni, vagy teljesítményük megítélésére legyenek széles körben elfogadott szabványok.

Ezeknek az elképzeléseknek megfelelően, a transzparenciát, a megbízhatóságot és a szigort garantáló új irányelveket dolgoztak ki az egészségügyben használt mesterségesintelligencia-megoldásokat ismertető anyagokra. Az irányelvek orvosok, szabályozó szervezetek és a technológiákat kidolgozó kutatócsoportok kérdéseire és kételyeire hivatottak választ adni.

Azért van szükség rájuk, mert például egy 2019-es tanulmány alapján 20500 orvosi mesterséges intelligenciának kevesebb mint az 1 százaléka teljesítette a minőség és a transzparencia kritériumait.  

A világ száznál több érintett szervezete a Birmingham Egyetem és az egyetemhez tartozó kórház vezetésével egymást kiegészítő két ajánló, protokollsort fejlesztett erre a célra. A tanulmány szerzői között a fejlesztésben résztvevő kutatók is szerepelnek.

Az egymást kiegészítő Spirit-AI és a Consort-AI a mesterségesintelligencia-alapú beavatkozásokkal történő klinikai tesztek minőségét javítani hivatott protokollok.

A Spirit-AI javasolja a teszteket, hogy gondosan megfigyeljék az orvostudományban bevett legjobb gyakorlati módszereket. Például kéri, hogy a szakemberek pontosan és közérthetően magyarázzák el az MI használati módját, az alapját képező algoritmus verziószámát, az inputként kezelt adatok eredetét, valamint – elsősorban – azt, hogy a modell miként segíti orvosok döntéshozását, mennyiben járul hozzá.

A Consort-AI garantálja, hogy az ezeket a kutatásokat ismertető beszámolók egyértelműek és közérthetőek lesznek. Észrevételei, rendelkezései nagyrészt a másik protokollra reflektálnak, az esetek többségében egybecsengenek a Spirit-AI javaslataival.

A két protokoll komoly segítséget nyújthat egészségügyi MI-termékek gyorsabb szakértői és szabályozói véleményezéséhez, így pedig az új megoldások az eddigieknél jóval hamarabb elterjedhetnek, előbb gyógyíthatók velük betegek.

A nem mindig rossz szándékból készülő kamuképek (deepfakes) annyira mainstreammé váltak, hogy ma már egy celebnek be sem kell tennie a lábát a stúdióba, és mégis szerepel reklámokban. A lehetőséggel azonban rengetegen visszaélnek.

Az MIT (Massachusetts Institute of Technology) Számítástudományi és Mesterséges Intelligencia Laborjában új módszert fejlesztettek ki a generatív ellenséges hálózatok (Generative Adversarial Networks, GAN) alkotta képek eredetiségének bizonyítására vagy megcáfolására.

Egy GAN két „ellenséges” ideghálója közösen próbál élethű képeket, hangokat stb. létrehozni. A generátor, megtanulja utánozni a képen szereplő arcot, a megkülönböztető, összehasonlítja az újat az eredetivel, majd visszajelez, a generátor korrigál, és az iterációk a hitelesnek tűnő végeredményig folytatódnak. Minél jobb egy GAN, annál hasznosabb, annál könnyebb jó vagy rossz célokra alkalmazni.    

Az MIT kutatók technikája árulkodó képrészleteket derít fel.

A GAN-ok képeinek főbb jellemzői jelentős mértékben variálódnak, textúráikban viszont jellemzően mindig találhatók rendellenességek. Egyes ideghálók különösen érzékenyek a textúrákra, ezért dogoznak hatékonyan, és ismerik fel a turpisságokat. A speciálisan erre betanítottak remek munkára képesek.

A kutatók osztályozó ideghálója képgenerátorok anyagait figyeli, elemzi. Nagy adatsorokkal dolgozik, architektúrákat alakítottak át, majd sokat gyakoroltatták. Méretesebb képek finomabb részleteit kellett vizsgálnia.

A képekről hőtérképet generált, kékkel jelölve a trükközött részeket, pirossal az eredetieket. E térképek alapján a kutatóknak sikerült rájönniük, hol hibázott egy-egy GAN: egyesek az arc bizonyos részeinél, mások különféle háttérelemeknél; mindegyiknek megvan a maga „specialitása.”

Az osztályozók változatos, összességében eredményes munkát végeztek. Az egyik GAN trükkjeit 100 százalékosan, de a többit is 90 százalék feletti pontossággal azonosították. Más modellek mindig gyengébb eredményeket produkáltak.

Amikor viszont az osztályozók átvágására gyakoroltattak be egy GAN-t, az osztályozók átlagosan 65 százalék körül, azaz igen haloványan teljesítettek. Kiderült az is, hogy a generátor munkáit felismerő megkülönböztető hálót könnyebb építeni, mint egy jó generátort. A GAN-fejlesztők viszont inkább gyengébb megkülönböztetőket dolgoznak ki, mert akkor a generátor könnyebben „átveri” őket.

A koronavírus-járvánnyal a korábbinál több üzleti tevékenység helyeződött át a világhálóra, és sok más szektorhoz hasonlóan, a szépségiparban is egyre fontosabb az e-kereskedelem. Termékek könnyű online tesztelhetőségével bővülnek a lehetőségek – sőt, egyes esetekben jelenleg ez az egyetlen lehetőség –, javulnak az eladási mutatók.

Macerás egy új smink kipróbálása – fel kell tenni, meg kell nézni, le kell mosni, aztán lehet ismételni az egészet. Ráadásul ki kell mozdulni otthonról, boltban, kozmetikusnál pedig törvényszerűen nagyobb a fertőzésveszély. Kiterjesztett valósággal (Augmented Reality, AR) egyszerűbb a helyzet, mert a teszt bárhol elvégezhető, sehova nem kell elmenni hozzá.

Az AR alkalmazások már a pandémia előtt betörtek a szépségiparba, lépésről lépésre változtatják meg a területet.

Az amerikai Ulta lánc fel is vásárolta az AR-re specializálódott Glamst startupot. A multimilliárdos kínai Meitu mesterséges intelligenciás appja arcképeket módosít, és a felhasználók előnyösebben mutatnak közösségimédia-posztokon, online állásinterjúkon, bárhol a digitális térben.

A L’Oréal tavaly vásárolta fel az ideghálókat használó – beszédes nevű – Modiface startupot. A cég hibrid megközelítést alkalmaz, egymással versengő-együttműködő algoritmusai gondosan megmutatják a terméket tesztelő ügyfélnek, hogy mennyire különböznek a rúzs színei, a szemárnyék-variánsok vagy a hajopciók. A hajon és az arcon fontos pontokat azonosítanak, és követik a módosulásaikat.

A felhasználó sokféle rúzs, szemceruza, arcpirosító és hajfesték között válogathat a L’Oréal honlapján, majd finomhangolhatja az állagukat, fényüket és árnyékukat. A termékeket virtuálisan ki is próbálhatja – vagy feltöltött szelfin, vagy az arcát ábrázoló valósidejű videón.

A Modiface többezer annotált képen tanította be az algoritmusokat. A képeken látható személyeket hol sminkkel, hol smink nélkül, különféle beállításokban, fény- és háttérviszonyok mellett ábrázolták.

Az egyik idegháló inputként használja a felhasználó smink nélküli fotóját. Amikor az illető kiválasztja a terméket, a rendszer képet generál, hogy hogyan nézne ki, ha alkalmazná.

Új sminkek megjelenését a rendszer kb. ugyanolyan könnyen kezeli, mintha újabb színmintával kellene bővítenie az adatbázist. A Modiface-nek újra kell tanítania a modellt, hogy a gyakorlóadatok között nem szerepelt újdonságokat is tudja kezelni.

Bolygónk, különösen a fejlett északnyugati félteke és Japán lakossága gyorsan öregszik, ezekben az országokban a 65 év felettiek a legütemesebben növekvő korcsoport. Az idősgondozáshoz viszont egyre kevesebb a szakképzett munkaerő. A érintettekre vigyázó, humán szakemberek egyes feladatait átvevő robotok jelentősége fokozatosan nő.   

A Toyota Kutatóintézet (TRI) idős személyeket háztartási munkájukban segítő robotokat mutatott be a cég kaliforniai laboratóriumában. A laborban jellegzetes otthoni környezetek utánzatát alakították ki.

Egyelőre azonban főként látványos, de nem túl praktikus prototípusokról, és távolról sem kész termékekről van szó. Ezt maguk a fejlesztők is elismerik, ők sem tudják, hogy a mostani gépek mikor kerülnek kereskedelmi forgalomba.

Egyikük mosogatni és a mosogató gép megtöltésére hivatott, viszont inkább úgy néz ki, mint a futószalag mellett autókat összeszerelő robotok. Plafonba épített sínekről lelógó kar, bonyolult technológiával. Ugyanakkor „kényes” tárgyakat megmarkoló, levegővel feltöltött kezeket, markolást bemutató emberekről készült videók alapján tanuló gépeket is fejlesztenek.

A Toyota elmondta, hogy terveiket japán otthonok inspirálták. A limitált tér a gépek mozgását is korlátozza, ezért gondolkoztak innovatív megoldásokban, például a robotok épületekbe integrálásán, amellyel csökken a munkához szükséges terület mennyisége. Választásuk így esett padló helyet a mennyezetre. „Kollégájával” ellentétben, a puha kezű markoló földön mozgó szerkezet, és mindketten nagyjából ugyanazokat a tevékenységeket végzik el.

A Toyota bemutatta, hogyan tanítják virtuális valósággal (VR) ezeket a gépeket. Emberek elvégzik a szükséges feladatot, például letörlik az asztalt, majd a mozgásokat a robotba programozzák.

Ugyanezekre a munkákra, a fizikai korlátok áthágására más vállalatok is használnak hasonló technikákat. Otthoni kisegítő robotok építése azonban nagyon bonyolult feladat, pedig sokat fejlesztettek már.

Általában laborban jól teljesítenek, a háztartásokban viszont már kevésbé hatékonyak. Ráadásul tevékenységük nem minden része mérhető, modellezhető és előrejelezhető.

A Toyota ezért is kíván teljesen újat, szükségleteinket és elvárásainkat sokkal jobban kielégítő megoldásokat nyújtani. Megközelítésük emberközpontúbb, robotjaik nem akarnak minket helyettesíteni, hanem a képességeinket egészítik ki valami plusszal.

Az elmúlt évtizedben a gépi tanulást, mesterséges intelligenciát, mélytanuló algoritmusokat a medicina több területén alkalmazták. Legutóbb az MIT (Massachusetts Institute of Technology) és a Massachusettsi Általános Kórház kutatói, egészségügyi szakemberei mutatták be, hogyan tanítható be idegháló sebészi műtét közbeni érzéstelenítés irányítására.

Ideghálók és a mélytanulás nagy orvosi adatsorok automatikus elemzésével mutatnak ki mintázatokat és trendeket, javítják a diagnosztikai folyamatokat, a radiológiai képeken alapuló rákszűrést, legújabban pedig a robotikus eszközökkel végzett sebészetet.

A sebészetben és a gyógyszerellátásban újabb alkalmazások várhatók, például az általános érzéstelenítésre használt Propofol adagolásának irányítása.

A kutatók páciensek adatait tartalmazó adatsorokon gyakoroltatták algoritmusaikat. Ezekből az információkból (testtömeg, életkor, korábbi betegségek stb.) kiolvasható, hogy kell-e változtatni az érzéstelenítőre vonatkozó átlagos szinten, mennyiségen.

Az algoritmusok az adatokból az eszmélet ajánlott érzéstelenítőadag bevétele utáni szintjeit folyamatosan figyelő modelleket, és a modellek által javasolt gyógyszermennyiséget is vizsgálták, majd a kiszűrt információkat az ideghálóba táplálták.

Mivel teljesen új alkalmazásról van szó, szimulált környezetben és virtuális betegekkel kísérleteztek. Sok tesztet végeztek, hogy a modell egyre eredményesebbé váljon.

A szimulált öntudat változásainak rögzítésével, az idegháló megtanulta, hogyan reagáljon a különféle változatokra, és a beteg állapotát figyelembe véve, alkalmazza a Propofol megfelelő adagját.

A vártnál sokkal jobban teljesített, hatékonyabbnak bizonyult, mint a használatban lévő ipariszabvány-technológia.

„Mély ideghálókkal lehetővé vált, hogy a modell sok folyamatos adatot használva, az eddigieknél koherensebb gyógyszerellenőrző szabályokat generáljon” – nyilatkozta Gabriel Schamberg, az egyik kutató.

A neheze azonban még hátra van, mert húsvér betegeken is le kell tesztelni, amihez engedélyek szükségesek.

A koronavírus-járvány megváltoztatta a hétköznapokat, emberi szokásokat. Előtte például fel sem merült senkiben, hogy akár egy konditerem veszélyes lehet, mert emberek túl közel edzenek egymáshoz. Most viszont egyre többen keresik az alternatívákat.

Edzeni például otthon, a nappaliban is lehet. Az innovatív Tempo Studio csúcstechnológiát és izgalmas designt kombináló rendszere pontosan erre az eshetőségre kínál megoldást. Más otthoni edzőrendszerekkel ellentétben nemcsak egy-egy speciális, hanem sokféle gyakorlatot kínál.

Központi eleme egy vékony, hosszúkás állványféle, 42 colos HD érintőképernyővel, sztereo hangfalakkal, mozgásérzékelővel és egy sor prémiumkategóriás edzőeszközzel (súlyzó, futószőnyeg, pulzusmérő stb.). A rendszer révén élőben vehetünk részt kiváló trénerek által vezetett, tetszés szerinti fitneszórákon, és az elvégzett munkáról valósidejű visszajelzést is kapunk.

Az eszközökhöz nem kell túl nagy tér, épp elég, ha van elég hely leülésekre és felállásokra.

A 3D mozgásrögzítő- (motion capture) és mesterségesintelligencia-technológiával működő rendszer korábban csak profi atléták és más hivatásos sportolók számára elérhető biomechanikus és egyéb elemzéseket készít. Most változik a helyzet.

A Tempo Motion mozgásrögzítő szenzora másodpercenként 30 infravörös fényjelzést ad, amelyek alapján komplex 3D modell készül a testről, 80 ezernél több ponttal. Az MI a nyers adatokat 25 nagyon fontos elemmé gyúrja össze, és a rendszer ezeket követi nyomon, belőlük számolja ki a levegővételt, pulzust és más paramétereket, majd készít súlyajánlásokat és formaelemzést.

Az órákon az edzőt valósidőben értesíti, ha hibázunk, aki rögtön reagál is, elmondja, min és hogyan változtassunk. Máskor, ha kell, az MI jelez vissza – a kijelzőn könnyen érthető jelek tűnnek fel. Az egész olyan, mintha fizikai térben dolgoznánk a személyi edzővel, viszont ezúttal a hét 7 napja és a nap 24 órája rendelkezésünkre áll.

A gyakran a teke és a sakk keverékeként leírt curlinget jégen játsszák, téli sport, olimpiai csapatjáték. Mindkét csapat nyolc-nyolc követ csúsztathat egy kör alakú mezőbe, és az nyer, amelyiknek a kövei a játékrész végén legközelebb kerültek a kör középpontjához.

A sportág kiváló tesztterep a mesterséges intelligencia és a való világ közötti interakciók tanulmányozására. Az MI-k szimulációban sokszor teljesítenek jól, aztán a valóságban már kevésbé. Laboratóriumokban viszont mélytanuló rendszerek megismételt szimulációkban többmillió cselekvést sajátíthatnak el, és ezek a rendszerek hozzájárulnak a különbségek csökkenéséhez.

A Berlini Technológiai Intézet és a Max Planck Intézet kutatóival együttműködő Korea Egyetemen fejlesztett mélytanuló (deep learning) programnak köszönhetően a Curly nevű curling robot négyből három meccset megnyert a dél-koreai nemzeti válogatott játékosai ellen.

A jég az egyik legnehezebben szimulálható környezet, és mivel a gépnek környezetével fizikai interakciókat kell folytatnia, azaz a szimulációból a valóságba való problémamentes átmenet miatt Curly esetében még nehezebb volt. A jég minden egyes dobással változik, tehát a robotot úgy kellett betanítani, hogy megítélje a nem ellenőrzött környezet változásait, és alkalmazkodjon hozzájuk.

Megerősítéses mélytanulást használtak hozzá, a rendszer próba-hiba alapon segítette a gépet a bizonytalanságok kezelésében. Minden egyes dobásból okulva, a következőn már javított.

A mélytanuló rendszert korábban fejlesztett stratégiai tervezőmodellel kombinálva, a mesterségesen intelligens robot képes volt legyőzni humán curling specialistákat.

Egy humán csapat három személyből áll, Curly viszont csak két robotot használt, söprögetőt nem. Az egyik, a kapitány a stratégiával foglakozott, a másik dobálta a köveket. Kommunikáltak egymással: hibás dobásokat azonosítottak, a jég változásaihoz való alkalmazkodásra dolgoztak ki stratégiát, és persze az ellenfél lépéseit is figyelembe vették.

A fejlesztők bizakodnak, hogy mélytanuló rendszerüket sok komplex „valódi” alkalmazásban, például drónok navigálásához vagy az ércbányászatban használhatják. Olyan esetekben lehet különösen jó, amikor a környezet változik, a szenzorikus adatokból viszont nem észlelhetők a pontos körülmények.

Az Amazonhoz tartozó, okos kapucsengőjéről ismert biztonsági cég, a Ring bemutatta „Mindig Otthon Kamera” (Always Home Cam) nevű pici drónját. A gép otthonunkban repdes, és közben mindent felvesz.

A 2021-től megvásárolható 250 dolláros drón magától száll fel, „őrjáratozik” a lakásban, majd a töltőállomáson landol. Elvileg arra szolgál, hogy mindenkit rögzítsen, aki belép, betör a lakásba, csakhogy problémákat is felvet, például tevékenysége akár személyiségi jogokat (privacy) sérthet, ráadásul ha félre akarunk vonulni, egyedül akarunk lenni, nem pont ilyen társról álmodunk.

Jamie Siminoff, a Ring alapítója és „feltalálója” elmondta, hogy a gép rendeltetése a felhasználó otthonának több látószögből, nézőpontból történő megjelenítése. Nincs hozzá szükség több kamerára, és Siminoff szerint ez a nagy előnye.

Cége az elmúlt két év nagy részét az Always Home Cam fejlesztésével töltötte, és közben komoly nehézségekbe ütköztek, mert a feltaláló elmondása alapján nagyon bonyolult ilyen gépet építeni. Szerencsére a dróntechnológia eljutott arra a szintre, hogy a rendszer pont olyanra sikerült, amilyennek megálmodta.

A gép teljesen autonóm, tulajdonosa viszont megszabhatja neki a bejárható területeket, hogy milyen irányba és hova mehet a lakásban. Amikor először használjuk, kidolgozunk neki egy térképet az útvonallal, és a jövőben azt fogja követni. Meghatározhatunk speciális nézőpontokat, például a konyháét, a hálószobáét stb.

Tetszés szerint reptethetjük, amikor akarjuk, de akár be is programozhatjuk, hogy akkor aktiválja magát, ha a Ring kapcsolódó figyelmeztetőrendszere valamilyen rendellenességet észlel.

A töltőállomás blokkolja a kamerát, ami kizárólag repülés közben készít felvételeket. A Ring elmondta, hogy ha repül a drón, jól hallható hangot ad ki, tehát tudjuk, mikor rögzít valamit. Egyszerű, de fontos dolgokra használható – például látja, ha a sütőt nem kapcsoltuk ki, ha az ajtót nem zártuk be (és nem vagyunk otthon) stb. Akadályelkerülő technológiát integráltak bele, így az útjába kerülő tárgyakat elkerüli, és a házikedvenceknek, kutyának, macskának, nyúlnak, papagájnak, illetve személyeknek sem árt.