Az egyre masszívabb mesterségesintelligencia-modellek gyakoroltatásához döbbenetes számítási kapacitások kellenek. A nagyobb kapacitásokkal törvényszerűen a költségek is nőnek. A folyamat eredményeként eljutottunk addig a pontig, hogy a csúcsmodellekkel való munkát csak a leggazdagabb vállalatok és kormányzati ügynökségek engedhetik meg maguknak.

A növekvő árak különösen a kevésbé tehetős gazdaságokban gátolják a startupok, felsőoktatási intézmények, diákok fejlődését. A fogyasztók, olcsóbb alternatívákat keresve, végül el is fordulhatnak az MI-től.

Például a képosztályozás vagy tárgyazonosítás viszonyítási pontját (benchmark) elérő modellek trenírozása többmillió dollár. Ráadásul az árak szélvészgyorsan emelkednek. Az OpenAI felmérése alapján a mindenkori legfejlettebb modellek gyakoroltatásához szükséges számítási kapacitás 2012 és 2018 között három és félhavonta megduplázódott.

A csúcsminőség elérésének, meghaladásának csillagászati költségei miatt több intézmény újragondolja stratégiáját. Az áremelkedés ugyanis főként ezzel, a legjobb modellek túlszárnyalásának vágyával magyarázható. Ha kevesebbel megelégszünk, olcsóbban megússzuk.  

A nonprofit laborként indult OpenAI például profitot termelő gazdasági vállalkozássá alakult át, szeptemberben a Microsoftnak exkluzív kereskedelmi licenc formájában bocsátották rendelkezésre a GPT-3 nyelvmodellt.

Az egyik európai élelmiszerlánc viszont úgy döntött, hogy a számítási felhőbeli árak miatt lemond raktára mesterséges intelligenciával történő folyamatos figyeléséről. A példák folytathatók.

A növekvő számítási kapacitások nemcsak az árakat srófolják fel, hanem az energiafogyasztás is nő. A Massachusetts Egyetem 2019-es tanulmánya alapján egy nagy nyelvmodell gyakoroltatásával ötször annyi széndioxid generálódik, mint egy átlagautó teljes életciklusa alatt.

A seattle-i Allen Intézet kutatói szerint az energiahatékonyság legalább annyira fontos, mint a modell pontossága, és a teljesítmény-méricskélésnél ezt is figyelembe kellene venni. A versenyt mindenesetre úgy kellene növelni, hogy kutatási támogatásokkal minél szélesebb körök hozzáférjenek a szükséges számítási kapacitásokhoz, amelyeket aztán környezetbarát módon használnak ki.

A többek között a Wikimédiához és a WordPresshez is használt PHP az első szkriptnyelvek közé tartozik; külső fájl helyett HTML oldalba ágyazható, jól használható dinamikus weblapok és webes alkalmazások készítéséhez.

Nem a legkúlabb mai technológia, viszont nagyon sokat ér, ha ismerjük, és új munkaerőként keresünk technológiai állást az Egyesült Államokban – legalábbis ez derül ki az Indeed álláskereső motor adataiból. Azért ennyire fontos, mert az egyik leggyakrabban használt szkriptnyelv.

Döbbenetes számok: január óta 834 százalékkal emelkedett a kezdő PHP-fejlesztők iránti kereslet, ami egyben azt is jelenti, hogy az összes infokom állás közül náluk a leggyorsabb a növekedés.

Kezdőszinthez tartozik, ha csak 1-5 év gyakorlattal rendelkezünk, és ha a HTML mellett a CSS-t, a HTML5-öt és a JavaScriptet is ismerjük.

Január óta szintén nagyon megnőtt az ugyancsak nem a leglátványosabb állásoknak számító junior ügyfélszolgálati operátorok és a kezdő PC-technikusok iránti igény – az előbbieknél 501, az utóbbiaknál 434 százalékkal. Ezekhez a munkakörökhöz többéves Windows-gyakorlat, a Microsoft-termékek alapos ismerete és jó kommunikációs készség kell. Az ügyfélszolgálatisok órabére 42,5, a technikusoké 18,3 dollár, ami megegyezik az amerikai nemzeti átlaggal.

A lista negyedik helyezettje a junior vállalati architektúra szakembereké, 278 százalékos növekedéssel. Jó üzleti érzék és megfelelő technológiai ismeretek elengedhetetlenek hozzá.

A junior technológiai tanácsadók iránti igény 256 százalékkal emelkedett. Szakmai gyakorlattal rendelkező friss számítástudományi diplomások jó eséllyel pályáznak ezekre az állásokra. Analitika, adatalapú megoldások, tervezési, szoftver- és rendszerimplementálási készség, megfelelő kommunikációs adottságokkal szerepelnek az elvárások között, és persze kell hozzá a Salesforce, a HTML5, a CSS és az XML alapos ismerete is.

A senior CAD-operátoroknál 234 százalékos a növekedés. Náluk a Microsoft Office, a CAD, az AutoCAD, a MicroStation ismerete, kiváló következtető, matematikai és geometriai ismeretek a követelmény.

A következő keresett állás a szerver- és tárolás-architektúra szakember, 167 százalékos kereslet-emelkedéssel. A Microsoft SQL Server, a Java ismerete, szoftverfejlesztés, a beágyazott szoftverekben és a middleware-ben való jártasság az elvárás.

A senior technikai igazgató poszt szintén nagyon keresett állás, a kereslet 140 százalékkal nőtt.

Összességében, több szektorral ellentétben, a Covid-19 eddig különösebben nem befolyásolta az infokom álláspiacot.

Az arcfelismerő technológiák nagyon sok vihart váltottak ki az utóbbi időben. A George Floyd halálát követő tüntetéshullám után pedig még többen ellenzik ezeket a megoldásokat, és nemcsak magánszemélyek, hanem nagyvállalatok és nemzetközi szervezetek is.

A bűnüldözésben kétségtelenül sokat segítenek, másrészt viszont könnyű visszaélni velük, mert magánéleteket, személyes szférákat (privacy) sérthetnek. Ráadásul gyakoriak a félrevezető hamis pozitívok is, amikor más személyt azonosít a rendszer.

A gyakorlóadatok szintén több kérdést vetnek fel, és egyre sűrűbben emlegetik az adatsorok részrehajló, elfogult „alaptermészetét.”

Az amerikai megmozdulások azonban nemcsak és nem elsősorban randalírozók, vandálok, hanem az egészet elindító rendőrök túlkapásainak fényében is érdekessé teszik a technológia használatát. Ugyanis nemcsak a bűnüldözők élhetnek vele, hanem ellenük is alkalmazhatók.

Rendőrök kizárólag akkor tehetők felelőssé a túlkapásaikért, ha nem titkolják az identitásukat. Ennek megfelelően egyre több amerikai aktivista fejleszt arcfelismerő technológiát azzal a kifejezett céllal, hogy a zsaruk beazonosíthatók legyenek.

Fordul a kocka, eddig a hatalom őrei használták tiltakozók és gyanús személyek ellen, most ellenük dolgozhatnak vele. 2020-ban és 2020 Amerikájában már semmi sem meglepő, ez sem az. Ugyanazzal a technológiával küzdenek a tüntetőket verő rendőrök ellen, mint amellyel ők figyelik a lakosságot.

Az egyiket Christopher Howell autodidakta programozó fejlesztette. Portland-ben, Oregon állam fővárosában alkalmazta egy tüntetésen személyazonosságukat – engedéllyel – titkoló rendőrökkel szemben. Maga a város megtiltotta az arcfelismerés hatósági és céges használatát, Howell viszont engedélyt kapott rá. Magánszemélyről és hobbiprojektről van szó – állt a verdiktben.

„Nagyon sok itt a túlkapás. Az a minimum, hogy tudjuk, kik a rendőrök” – nyilatkozta a fejlesztő.

A technológia kidolgozása nem igényel nagy szakmai tudást, boltokban megvásárolható szoftverekkel is működik. Aktivisták szerint az igazi kihívás, hogy találjanak elég képet a helyi rendőrökről, mert azokon kell gyakoroltatni az algoritmust. Szerencséjükre a közösségi médiában van most bőven.

„Sokáig mindenki attól tartott, hogy a nagyemberek használják a kisfiúk azonosítására és elnyomásra, most viszont már közelítünk oda, hogy megfelelő technológiai ismeretekkel a kisfiúk is ugyanezt tehetik a nagyemberekkel. Nemcsak az anonimitás végéről, hanem az aljasság megfenyegetéséről van szó” – nyilatkozta egy hasonló projekten dolgozó fejlesztő, Andrew Maximov.

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.