Hagyományos komputerek amikor felmelegednek, általában lelassulnak, kvantumszámítógépeknél pedig jóval nagyobb a kockázat. Ugyanis, ha nagyon felmelegednek, nemcsak lelassulhatnak, hanem, rosszabb esetben, teljesen le is állhatnak.

A hagyományos gépeket jellemzően ventillátorok hűtik, kvantumszámítógépek esetében komolyabb a kihívás: mivel az izolált qubiteket (kvantumbiteket) hidegen kell tartani, számítások közben viszont mindig felmelegszenek, hatékony hűtőtechnika kell több kvantumalgoritmus egymás utáni futtatásához, a gép eredményes működéséhez.

Úgy tűnik, hogy a Stuttgarti Egyetemen megtalálták az ellenszert, speciálisan tervezett, számítások közben is hűlő, új típusú – nem tökéletes – gyémántokat. Ezek a gépek egyetlen algoritmus futtatásával képesek megakadályozni, hogy túlmelegedjenek.

A legtöbb kvantumgépet alacsony hőmérsékleten kell tartani, és az úgynevezett algoritmikus hűtés lehetővé teszi, hogy a jövő kvantumkomputerei szobahőmérsékleten is tökéletesen működjenek, pontosan hajtsák végre a rájuk bízott feladatokat.

A német kutatók matematikai műveletek sorozatával magát hidegen tartó, gyémántalapú kvantumszámítógépet fejlesztettek.

A gép három kvantumbitből áll egy gyémántban. Hiányzik két szénatom, az egyiket nitrogénatom helyettesíti, a másik helyén üresedés van. A kvantumbiteket mikrohullámokkal „sokkolták”, amelyre vagy a nitrogénatom magja, vagy az üresedéshez közeli szénatomok magjai, egész pontosan a hozzájuk kapcsolódó spin megváltozott. (A spin sajátperdület vagy sajátimpulzus-momentum kvantummechanikai részecskék perdületének egyik, a részecskék mozgásától független összetevője, nincs klasszikus mechanikai megfelelője.)

A qubitek ilyen jellegű módosításai logikai kapukként funkcionálnak, a kapuk szekvenciájával pedig megváltoztatható a gép energiája, lehűthető a kvantumkomputer. A kutatók szerint ez az algoritmikus hűtés nagyon közel áll a maximális hűtési hatékonyság elméleti határaihoz.

A joghoz kapcsolódó IT-megoldásokkal foglalkozó Everlaw ügyvédek bizonyítékgyűjtő munkáját segítő, akár 25 millió dokumentumot automatikusan rendszerező, klaszterező szoftverét bírósági eljárásoknál is felhasználják.

Az algoritmus felügyelet nélküli, előfordulási gyakoriság alapú klaszterezéssel elemez szöveges dokumentumokat, és készít vizuális térképet szófelhőkről. Minimum 35 dokumentum kell egy klaszterhez, amelyekben a szöveg mellett e-mailes metaadatokat is vizsgál: tárgy, cím, feladó, címzett stb. A felhasználó manuálisan létrehozhat kisebb klasztereket, illetve új klaszterekbe csoportosíthat át dokumentumokat.

A szoftver olyan részleteket, bizonyítékokat is észrevehet, amelyek felett elsiklik az ügyvédek figyelme.

A szófelhők között görgethetjük az egeret, zoomolással felnagyítva, kicsinyítve vizsgálhatunk dokumentumokat. Egy előrejelző kódolás nevű funkció megtanulja felismerni az adott eset szempontjából releváns dokumentumokat. A program 109 nyelvre lefordítja a szövegeket.

Egy ismert esetben a szoftver egymillió dokumentumból negyvenben talált a vádlott csalási szándékát alátámasztó bizonyítékokat.

A mesterséges intelligencia egyre nagyobb szerephez jut jogi eljárásokban, és a jövőben sokkal több okos algoritmus dolgozhat ezen a területen.

A Lex Machina jogi elemzőplatform a tárgyalás hosszúságát és az egymással szemben álló jogászok, jogászcsoportok korábbi tevékenységét figyelembe véve, előrejelzi, hogy egy adott bíró milyen döntést hozhat egy-egy ügyben.

A CorsearchNow és a SmartShell szellemi tulajdonjogi esetekben nyújt hatékony támogatást ügyvédeknek.

Az USA több tagállama kockázatértékelő algoritmusok előrejelzéseit is tanulmányozva, dönt például az óvadék nagyságáról, vagy a büntetés hosszáról. Ezek az algoritmusok felmérik, hogy a vádlott mekkora eséllyel lesz visszaeső, mennyi a valószínűsége, hogy megjelenik a tárgyaláson stb. Alkalmanként viszont részrehajlók, például egy 2016-os floridai eset során, a visszaesés valószínűségének előrejelzésénél, megállapították az algoritmus bőrszín szerinti elfogultságát.

Az IBM és a nonprofit ProMare tengerkutató szervezet által épített ember nélküli Mayflower Autonóm Hajó 400 (MAS 400) két korábbi sikertelen „nekifutás” után, június utolsó hetében az angliai Plymouthból az új-angliai Plymouthba (Massachusetts állam) ért.

Az autonóm navigáló hajó működése az IBM Operációs Döntéskezelőjén, gépi tanulással és más forrásokból gyűjtött adatokat integráló szabályalapú rendszeren alapul, az segíti a tengeri navigáció szabályainak betartásában. Ember nincs rajta, de, ha szükséges, akkor a ProMare csapata átveheti a távirányítást.

Gépi látással támogatott hat kamera detektálja a kockázatokat, veszélyeket. A fejlesztők több mint egymillió tengeri képpel tanítottak be egy algoritmust más hajók, bóják, hulladék és szárazföld felismerésére.

Egy másik szabályalapú rendszer detektálja a közeli hajókat, és reagál rájuk. Kamera, radar, szonár és adóvevő inputokat vesz figyelembe más hajókról, hogy a szabályoknak megfelelően feltérképezze az irányt a másik hajó elkerüléséhez. Iránymódosítás előtt biztonsági rendszer ellenőrzi a döntést.

A hajó tudományos célokra is gyűjt adatokat. Szenzorok mérik a légszennyezéssel és a klímaváltozással kapcsolatos környezeti feltételeket: az óceán hőmérsékletét, sótartalmát, savasságát, fluoreszcenciát, mikro-műanyagok jelenlétét. Hangérzékelők bálnák és delfinek hangját veszik fel, gyorsulásmérők a hullámenergiát rögzítik.

A 2021-re tervezett Plymouth-Plymouth távval az eredeti és legendás Mayflower majdnem 400 évvel korábbi (1620-as) útjáról kívántak megemlékezni, amikor Angliából vallási üldözöttek – puritánok – csoportja menekült Amerikába. A jármű már egy hete úton volt, amikor technikai problémák miatt abba kellett hagynia a három hétre tervezett utat. A ProMare személyzete visszanavigálta Angliába. A második kísérlet több mint két hónapig tartott, két nem tervezett kikötő-vizittel: az Azori-szigeteken és Új-Skóciában. Végül generátor és elemprobléma miatt hiúsult meg az út.

A MAS 400 nem az egyetlen autonóm hajó a tengereken, óceánokon.

Az Orca AI nemrég tett meg 790 kilométert a japán partok mellett. Egy norvég jármű Norvégia és Finnország partjainál tesz meg tövid távolságokat. Tavaly nyáron autonóm vitorlás kutatóhajó ment Kaliforniából Hawaiira, útközben az óceánfeneket igyekezett feltérképezni.

Ha nincs személyzet egy hajón, tér, üzemanyag és pénz takarítható meg. Az iparág figyeli a fejleményeket, és a Nemzetközi Hajózási Szervezet elkezdte kidolgozni az autonóm hajók szabályozását.

A gépi látás egyik nagy kihívása a műholdas képalkotás javítása, ezeknek a képeknek a helyes értelmezése. Több kutatócsoport e felvételekre támaszkodva követi a klímaváltozás hatásait, jelez előre vulkánkitöréseket, vagy figyeli Kína covid utáni gazdasági felépülését. A műholdas képek hírszerző ügynökségek számára is kulcsfontosságú anyagok.

A földfelszínen bekövetkező változások lefényképezése mindent megváltoztathat az erre szakosodott technológiai területeken, változatos szegmensekre (mezőgazdaság, logisztika, katasztrófavédelem) lehet komoly hatással.

Embernek egyáltalán nem praktikus, kvázi lehetetlen feladat a bolygót figyelő 150-nél több műhold képözönének az elemzése. A folyamat automatizálásával, gépi tanulással azonban komoly lehetőségek nyílnak meg – persze nemzetbiztonsági szervezetek számára is.

Az USA kormánya által szervezett, szórakoztató nevű SMART (Space-based Machine Automated Recognition Technique) verseny résztvevőinek nagyszabású építkezéseket szekvenciális műholdfelvételeken lekövető rendszereket kellett fejleszteniük.

Dömperek, méretes daruk, kopár talaj az építkezések jól ismert vizuális jelei, csakhogy ezek a jelek nem mindig észlelhetők egyszerre, és más célokat is szolgálhatnak. Tegyük hozzá, hogy különféle műholdaknak más a képalkotó rendszerük, másként keringenek, más az ütemezésük stb. Mindezek tovább nehezítik az automatizált osztályozást.

A verseny első szakaszában, 2021 januárja és idén április között a résztvevők képforrástól függetlenül ugyanazon a helyen, de nem ugyanabban az időben látható jeleket összekapcsoló modelleket építettek.

Dubaitól Amazóniáig, 27 régióról készült 100 ezer műholdfelvétellel dolgoztak. Kb. 13 ezret címkéztek fel, ezek 1000 építkezésre és 500 hasonló, de más tevékenységre utaltak. Az adatsor nyilvános volt, a modelleknek meg kellett találni az építkezés-helyszíneket, megállapítani a munkafázist, jelezni a speciális változásokat, plusz azonosítani az érdeklődést felkeltő jegyeket: hőmérsékleti anomáliákat, a talaj áteresztőképességét, munkagépeket stb.

A NASA, az amerikai Geológiai Megfigyelőközpont és más akadémiai szervezetek szakembereiből álló zsűri döntése alapján hat csapat jutott a 2023-as második körbe, amelyben az építkezést felismerő modelleket időbeli változásokhoz kötődő feladatokhoz, például a termésnövekedés detektálásához kell alkalmazniuk. A 2024-ben kezdődő harmadik körben a még álló versenyzőknek a változatos földhasználati módokat általánosító rendszert kell fejleszteniük.

A play dough különleges mechanikai tulajdonságokkal rendelkező gyurma, és már egy kétéves gyereknek is könnyű formákat gyúrni belőle.

Robotoknak viszont nehéz. A gépek egyre inkább boldogulnak merev tárgyakkal, puha, rugalmas szerkezetű, módosítható dolgok viszont komoly kihívást jelentenek számukra. A feladatot tovább bonyolítja, hogy ha egy elemet elmozdítunk, az valószínűleg a többire is hatással van.

Az MIT (Massachusetts Institute of Technology) és a Stanford kutatói nemrég robotokkal gyurmáztattak. A vizuális inputból közvetlenül tanuló rendszert fejlesztettek, a kétujjas markolóval felszerelt gép ezen a RoboCraft nevű rendszeren alapul, ez teszi lehetővé, hogy lásson, szimuláljon és átformáljon gyurmadarabokat.

A rendszer megtervezi a gép viselkedését, hogy például különböző betűket, köztük soha nem látottakat is kihozzon az anyagból. A teszteken mindössze tíz perc adatból történő tanulás után ugyanúgy, alkalmanként jobban teljesített, mint amikor ember távirányította.

Ezek az ismeretek fontosak a komplex ipari környezetben vagy lakásban folytatott interakciókhoz, például szushi sodrásához, vagy kerámiázáshoz. Ruhák és kötelek elmozdítása már egyre jobban megy, de gyurmával vagy tésztákkal nem tudnak mit kezdeni.

A gép agya, RoboCraft előrelépést jelent.

Puhább anyagoknál a hatékony modellezés és tervezés előtt a teljes szerkezetet figyelembe kell venni. A képek apró részecskékből álló gráfokká alakításával, algoritmusokkal összetársítva, RoboCraft gráf-alapú ideghálóval működik, és pontosabb előrejelzéseket készít az anyag formaváltozásairól.

A tárgyakra kifejtett erőt, nyomatékot és a dinamikát szimulátorral modellezték, és próbálták megérteni. RoboCraft viszont csak vizuális adatot használ, működése három részen alapul, azokkal formálja valamivé, például R betűvé a puha anyagot.

Az első az érzékelés, azaz megtanul látni. Kamerák gyűjtik a képi adatokat, majd az idegháló részecskeadatokon gyakorolva sajátítja el tárgyak dinamikájának, mozgásának a szimulálását. Ezt követően algoritmusok segítik a robotkar mozgásának kidolgozását, formák kialakítását.

A távolabbi tervek között a háztartási munkába történő besegítés is szerepel.

Indiai és brazil kutatók az emberi agy különböző részei közötti kapcsolatokat tanulmányozó algoritmust fejlesztettek. Rendeltetése, hogy jobban megismerjük az agy huzalozását.

Diffúziós mágneses rezonanciás képalkotással (dMRI) generált nagymennyiségű adat elemzésében segít. Kb. 150-szer gyorsabb, mint egy desktop gépen futó átlagos algoritmus, de a csúcsalgoritmusoknál is jóval nagyobb tempóban dolgozik.

A keresett mintázatok állatoknál invazív technológiákkal vizsgálhatók, embereknél viszont dMRI-t használnak a fehérállomány mintáival kapcsolatos következtetésekhez. Tudósok a molekulák nyomon követésével átfogó térképet készíthetnek az agyi idegsejtek közötti kapcsolatokról, a kapcsolatok alkotta hálózatokról.

A kutatók elmondták, hogy az összeköttetések meghatározása ugyan nehéz, az „információs autópálya” – ahol az agyban áramlanak az adatok – forgalmi mintázatait figyelve próbálnak következtetéseket levonni. Ezen az autópályán a molekulák a járművek.

Például megnézik a vízmolekulák mozgását, és próbálják kiszámítani belőlük a huzalok helyét. Ezek a molekulák az agy különféle részeit összekapcsoló kábelek (axonok – az idegsejtek sajátos, leghosszabb nyúlványai) mentén mozognak. Az útvonal mérésével kikövetkeztethetők az összekötött területek.

Mindehhez rengeteg számítás kell, amelyeket hatékonyan használt GPU-kkal hajtanak végre (a GPU a grafikus vezérlőkártya központi egysége). Korábban órákig, napokig tartó feladatokat másodpercek alatt képesek elvégezni.

Információs hálózatok pontos azonosításához, hagyományos algoritmusok egyeztették az előrejelzett és a megfigyelt dMRI jeleket. Optimalizáláshoz is fejlesztettek hasonló algoritmust (LIFE-nak hívják), de mivel klasszikus CPU-kkal működött, túl időigényesek voltak a számítások.

Az új kutatáshoz a LIFE-ot újratervezték, hogy GPU-kon is működjön, amellyel – a redundáns kapcsolatok eltüntetése mellett – jelentősen felgyorsultak a számítások.

Az algoritmust az egészségügy több területén alkalmazhatják, például a diagnosztikában és a viselkedéstudományban játszhat fontos szerepet.

A voice over (hangrámondás) automatizált fordítása azoknak a feladatoknak az egyike, amelyekben a gépek versengenének az emberrel. Egyrészt, az automatizáció segítene alacsony költségvetéssel dolgozó producereknek, például új piacokat szerezhetnének vele, másrészt viszont, ha elterjednek ezek a rendszerek, több előadóművész elveszítheti a munkáját.

A londoni Papercup startup különleges megoldást kínál videós hangrámondások több nyelvre történő fordításában. Az algoritmikus fordítást, a hangszintézist az ember által végzett minőségi ellenőrzéssel kapcsolják össze, azaz humán résztvevő is van a folyamatban.

A legutóbbi befektetői kör alapján a piac bízik a Papercup megközelítésében.

A rendszer működése logikus és egyértelmű: videókészítők feltöltik az anyagukat és meghatározzák, hogy milyen nyelven, nyelveken kell nekik a fordítás. Egyelőre az angol, a mandarin, az olasz, a latinamerikai spanyol és a brazil portugál a választék.

Választhatnak a különféle nemeket, életkort megörökítő szintetizált hangok között, módosíthatnak a hang mélységén/magasságán és karakterén, ráadásul megváltoztathatják az általa kifejezett érzelmet (boldog, szomorú, dühös stb.) is, ami persze nem biztos, hogy célszerű.

Algoritmusok szöveggé alakítják a beszédet, és lefordítják a célnyelvre. Következő lépésként, szöveget beszéddé alakító algoritmus (text-to-speech generator) az új nyelvre „ülteti át” a voice overt. Az algoritmust a startup külső és belső adatokon gyakoroltatta.

Itt jön képbe az ember: anyanyelvi „lektor” ellenőrzi, és ha kell, manuálisan szerkeszti az eredményt.

Humán résztvevő bevonása logikusnak tűnik, mert így jobban működik a fordítás. Jelenlegi technológiákkal viszont a folyamat további automatizálása is megvalósítható. A Papercup hangválogatást kínál, ahelyett, hogy az eredetit próbálná a célnyelven utánozni, így pedig jól érzékelhetők az eredeti és a kimeneti hang közötti különbségek, a beszédaktus eltérései. Nem ártana ezen változtatni.

A mesterségesintelligencia-technológiák általában szabályozatlanok az USA-ban, ami azonban nem jelenti azt, hogy különösen, ha keményen szabályozott szektorokban használnak MI-megoldásokat, a szövetségi kormánynak ne lennének jogkörei.

A Facebookon a fiatalokat kihagyó hitelkártya-hirdetések jelentek meg valaha, aztán az állásajánlatokból a nők, az ingatlanosokból pedig a színesbőrű személyek maradtak ki. Az állampolgári jogok betartását figyelő szabályozók nem elégedtek meg a közben már Meta néven futó Facebook hirdetési irányelveinek módosításával, hanem a mamutcéget híres és titokzatos algoritmusa megváltoztatására kötelezték.

A Meta és az Igazságügy Minisztérium közötti megállapodás részeként került sor erre, mert kiderült, hogy az ingatlanhirdetésekben a cég megsértette a diszkrimináció elleni törvényeket. A Meta egy másik, a hirdetéseket elvileg egyenletesebben, a valóságban viszont nem kifejezetten az eredeti célnak megfelelően elosztó rendszer megszüntetésére is rábólintott, plusz a maximális 115054 dolláros büntetést is ki kell fizetnie.

A Meta ingatlan-, hitelkártya- és állásügyileg életkoruktól, nemüktől és bőrszínüktől függetlenül köteles eljuttatni bárkihez hirdetéseket. Az algoritmus decembertől fog működni, a Facebook mellett a Messengeren és az Instagramon is.

A cég lehetővé teszi, hogy a hirdetők helyszín, érdeklődés és online tevékenység alapján határozzák meg a célközönséget. Az életkor, nem, bőrszín és etnikum szerinti hovatartozás nem lehet szempont.

Az algoritmus rendszeresen monitorozza és korrigálja majd a tényleges és a kiválasztható célközönség közötti különbséget. Súlyozza őket, és például az elmúlt 30 napban több hirdetést megtekintő személyek magasabb pontszámot kapnak. Az aktívabbak így még több hirdetést láthatnak.

A Meta négyhavonta fog beszámolót küldeni az Igazságügy Minisztériumnak és egy, a cég által kijelölt, a kormány által jóváhagyott harmadik félnek. Ezekből a beszámolókból kiderül, hogy a szabályozás mérsékelheti-e az algoritmikus torzításokat.

A NASA, az USA űrügynöksége frissíti a Mars felett repülő helikoptert, egy 2020-ban odaküldött drónt, az ember nélküli légi jármű új ütközéselkerülő algoritmust kap.

Az Ingenuity nevű gép a felszínen tevékenykedő Perseverance rover számára végez felderítő munkát. Erre azért van szükség, mert a rover viszonylag lapos, akadálymentes terepről kockázatosabb környezet felé tart.

Az Ingenuityt csak öt repülésre tervezték, de a 2021. áprilisi első óta összesen 29-en van már túl. A NASA a marsi tél alatti hibernálással akarja meghosszabbítani a drón élettartamát. Júliustól alig van napenergia, és a hibernáció segít, hogy a jármű akkumulátorának az elektronika melegen tartása legyen az elsődleges feladata. A kutatók ebben az időszakban telepítik a frissítést.     

Az ügynökség mérnökei a Földről, szimulációban határozzák meg az úti pontokat, majd továbbítják azokat a terepjárónak. A rover a drónra támaszkodik, ez utóbbi algoritmusai határozzák meg a fedélzeti kamera, magasságmérő és más eszközök inputján alapuló útvonalat.

Egy, giroszkópokból és gyorsulásmérőkből álló belső tehetetlenségmérő egység a repülés első néhány másodpercében, amikor a rotorok által felkavart por elhomályosítja a kamerát, felbecsüli a drón irányát és helyzetét.

Amikor a kamera látja a talajt, tanulóalgoritmus detektálja, majd mozgónak vagy mozdulatlannak osztályozza a képen látható dolgokat. Egy navigációs algoritmus a mozdulatlan objektumok, az irány és a magasság alapján követi a jármű pozícióját és sebességét.

Az Ingenuity új algoritmusa a landolás közbeni akadályokat fogja detektálni. A gép sziklákkal és homokcsapdákkal teli ősi folyódeltában fog navigálni.

A drón a földi irányítás és a lokális autonómia kombinációja, ez képezheti a naprendszer mélyebb részeibe vezető missziók alapját. Ezekben a közegekben a kommunikációs késés még nagyobb, mint a Mars és a Föld közötti (maximum) 24 perc.

A kombináción alapuló új rendszerek egyik komoly megmérettetése lesz a Dragonfly oktokopter, amely 2027-ben érkezhet a Titán „leveses” légkörébe.      

Egy népszerű internetes mesterségesintelligencia-rendszerrel működő robot férfiakat folyamatosan nők, fehéreket színes bőrűek fölé helyez, személyek munkájáról pedig a pillanat törtrésze alatt alkot véleményt, miután éppen csak ránézett az illető arcképére – állítja a Johns Hopkins Egyetem, a Washington Egyetem és a Georgia Tech közös tanulmánya.

Hibás ideghálók miatt káros sztereotípiákat tanult meg, és fennáll a rasszista és szexista robotok fejlesztésének a kockázata, ráadásul egyes szervezetek és személyek szerint nem törődnek ezzel, sőt, nem kell különösebben elemezni a problémát – fűzik hozzá.

A személyeket és tárgyakat felismerő MI-modelleket gyakran gyakoroltatják a világhálón található ingyenes adatsorokon, amelyek bármit tartalmazhatnak. Az objektum-felismerésben és a külvilággal folytatott interakciókban sok robot alapul ilyen modelleken. Képzeljük el, hogy egy elfogult gép emberi beavatkozás nélkül hoz fontos döntéseket…

A kutatók a robotokhoz gyakran alkalmazott CLIP ideghálót használták tesztalanyként. A ráépülő robotnak tárgyakat kellett egy-egy dobozba tennie. A tárgyakon termékdobozokon és könyvborítókon látható emberi arcokhoz hasonlók voltak.

Az utasítások (összesen 62) úgy szóltak, hogy tegye be a szerinte orvost, a bűnözőt, a háziasszonyt stb. a megfelelő dobozokba. A kutatók megfigyelték, milyen gyakran választotta a robot valamelyik nemet és bőrszínt. Kiderült, hogy képtelen volt előítéletek és zavaró sztereotípiák nélkül cselekedni.

8 százalékkal többször választott férfit, mint nőt, és ha nőt, akkor főként fehéret és ázsiait, kvázi negligálta a feketéket. Mihelyst meglátta az arcokat, a nőket általában háziasszonyként azonosította, fekete férfiakat 10 százalékkal többször tartott bűnözőnek, latinókat szintén tíz százalékkal többször nézett házmesternek, mint fehéreket, és ha orvosról volt szó, bőrszíntől függetlenül, egyik nőnek sem volt akkora esélye, mint egy férfinak.

Egy gondosan megtervezett rendszer nem tenne ilyet, mert egyszerűen visszautasítaná, hogy arckép alapján bárkit is berakjon a „bűnöző” dobozba. De pozitív asszociáció, például az orvos szakma esetében sem cselekedne így, mert a fotókon semmi nem utal az illetők foglalkozására.

Az eredmény szomorú, de nem meglepő – konstatálták.

A nagy robotfejlesztési versenyfutásban bármikor elképzelhető, hogy otthonokba, munkahelyekre ilyen ideghálókon alapuló gépek kerülnek. A kutatásokban és az üzleti gyakorlatban is szisztematikus változtatásokra lenne szükség – összegeznek a szerzők.