A Google fontos lépést tett afelé, hogy a folyamatos fejlesztési állapotban lévő, jelenleg 54 fizikai qubit kezelésére képes Sycamore kvantumszámítógépükön lévő kényes információkat megvédjék a megsemmisítésükre is képes hibáktól. Egyelőre azonban nem az összestől, ami kulcsfontosságú a teljes kapacitásában működő rendszer felépítéséhez. A mostani eredmények mindenesetre bizakodásra adnak okot, a kutatók szerint belátható közelségben van a teljes hibakorrekció.

Kvantumszámítógépeket bő két évtizede fejlesztenek, születtek már látványos sikerek, de a kvantumbitek (qubitek) sokkal bonyolultabbak és kényesebbek, mint hagyományos megfelelőik, a bitek. A környezetből, például elektromos vagy mágneses mezőkből érkező legkisebb zaj megszüntetheti az állapotukat, és vagy nullák, vagy egyek maradnak.

A Google-gép szupravezető fémek apró áramköreiből álló qubitjeinek különféle energiákkal maximum 15 mikroszekundumig fenntartható két állapotuk van. A zaj utána működésképtelenné teszi őket. A 15 mikroszekundum viszont távolról sem elég a nagyszabású célok megvalósításához.

Egy hagyományos komputer a bitek redundáns másolatainak elkészítésével és a pontos állapot ellenőrzésére történő felhasználásukkal védi meg magát a hibáktól. Egy kvantumszámítógép képtelen erre, mert a kvantummechanizmusok nem teszik lehetővé a qubitek ismeretlen állapotának másolását egy másik qubitre. Ha egy qubit állapota például az 1 30 és 70 százaléka, akkor az három, csoportot alkotó qubitbe mehet át, amelyben mindhárom 30 százaléka 0, és mindhárom 70 százaléka 1. Ez a nagyobb, de egyenértékű kvantumállapot segíthet kiszűrni a hibákat.

Az adat-qubitek közvetlen mérésével sajnos nem tehető meg, mert maga a mérés vetne véget a kettős állapotnak. A kutatók az adat-qubitek kiegészítő qubitekkel való összevonását, minden egyes kiegészítő qubit és szomszédja összefonódását – kvantumkapcsolatát – javasolják. A kiegészítő qubitek folyamatos mérésével megállapítható a szomszédos adat-qubitek egymáshoz való viszonya – anélkül, hogy az utóbbiakat mérni kellene. Ezek az elforgatott qubitek így, elvileg visszahelyezhetők az eredeti állapotukba.

Maximum tizenegy adat-qubites lánccal a Google kutatói elérték, hogy a fizikai qubitek számának növekedésével, a logikai qubit exponenciálisan növekvő ideig fenntartható. Azzal, hogy egyetlen qubit állapotát akár tizenegy adat-qubitre osztották szét, 50 mikroszekundum után 40-ről 0,2 százalékra csökkentették a hibalehetőséget. A hibák exponenciálisan növekvő mennyiségben törlődnek, amellyel talán elérhető, hogy egy logikai qubit több mint ezer adat-qubitre szétosztott állapotát tetszőleges ideig fenn lehessen tartani.

A kutatók azonban csak félúton vannak. Egyrészt, a megfordított qubiteket még nem mozgatták vissza az eredeti állapotukba – működő kvantumkomputeren ezt meg kellene tenniük. Másrészt – és ez a fontosabb – nem tudták szimultán megoldani a qubitekkel felmerülhető két hibát: a kvantumállapot 0 és 1 része közötti váltást (bit flips), illetve a 0 és 1 részek matematikai elrendezését meghatározó változást (phase flips).

A Google által ígért közeljövőbeli megoldáshoz pluszdimenzióra lesz a szükség.

Ha nagyobb épületben vagy ipari létesítményben szivárog a gáz, a tűzoltók speciális műszerekkel szállnak ki, sokáig eltarthat, míg megtalálják a pontos helyszínt.

A Delfti Műszaki Egyetem, a Barcelonai Egyetem és a Harvard kutatói biztonságos megoldást találtak ki a probléma orvoslására: a gázszivárgás forrását zsúfolt ipari közegben detektáló és lokalizáló kicsi gépekből álló autonóm drónrajt fejlesztettek.

A fő kihívást a komplex feladat végrehajtásához szükséges, viszont a pirinyó szerkezetekbe integrálható mesterséges intelligencia, a szűkös érzékelési, számítási és memóriakapacitásokat figyelembe vevő fejlesztése jelentette.

A fejlesztés egyrészt fontos lépés a mesterségesen intelligens kicsi robot felé, másrészt a raj valódi környezetben valódi problémát old meg – hatékony munkájával az érintett hatóságok nem kockáztatják emberek és a kismennyiségű gázt nálunk jobban kiszimatoló állatok életét.

Eddig egyedi robotokkal, akadálymentes közegekben kísérleteztek, ahol a forrást könnyebben azonosították.

A drónok kis méretükkel sem az épületben lévő értéktárgyakat, sem az ott tartózkodó személyeket nem veszélyeztetik. Méretük lehetővé teszi, hogy belső terekben is repüljenek, miközben három dimenzióban keresik a szivárgást. Mivel rajban dolgoznak, munkájukat gyorsabban végzik el.

Méretük miatt azonban értelemszerűen nem működtethetők ugyanazokkal a mesterségesintelligencia-algoritmusokkal, mint az önvezető autók. Ráadásul nincsenek egyedül, tehát nem szabad összeütközniük, és kommunikálniuk is kell egymással.

A megoldáshoz a természetből vették a mintát – a fejlesztést a kb. százezer idegsejttel rendelkező muslicák (gyümölcslegyek) többek között a konyhaasztalon lévő banánt lokalizáló képessége inspirálta. Légáramlás-érzékelők hiánya miatt azonban az állatok tevékenységét nem tudták egy az egyben a gépekbe integrálni, a navigációt irányító Szimatoló bogár algoritmus mégis a muslicákhoz hasonlóan működik.

Ha valamelyik drón érzékeli a gázt, kommunikálja a többiekkel. Az együttműködés innentől válik szorossá, és mindaddig folytatódik, amíg meg nem találják a forrást. A kutatást – eredetileg repülő madarakról modellezett – rajrészecske optimalizáló algoritmussal végzik, minden egyes drón egy részecske.

A fejlesztés ígéretes, az algoritmusok gázszivárgás detektálása mellett tudományos missziókban, például a Mars felszínén történő metánkutatásban vagy járványok kórokozóinak korai felderítésében szintén segíthetnek.

Egyre több mesterségesintelligencia-alapú rendszer próbál rovarokat azonosítani, de nincs könnyű dolguk.

Az Oregoni Állami Egyetemen fejlesztett technológia például folyadékkal megtöltött csövön keresztül juttatja el a rovarokat a kameráig. Izraeli kutatók hím és nőstény szúnyogokat megkülönböztető rendszert dolgoztak ki. Dán és finn tudósok mesterséges ideghálókkal végzik az azonosító munkát. Készülékük szépséghibája, hogy a felhasználóknak manuálisan kell boldogulniuk a példányokkal.

A Világgazdasági Fórum szerint a biológiai sokszínűség elvesztése a globális civilizációra leselkedő egyik legnagyobb veszély. A rovarok kulcsfontosságúak, apró méretük és nagy számuk viszont, különösen a fajok szintjén, megnehezíti sorsuk nyomon követését. Populációik kiértékelésében rengeteget segíthetnek az automatizált megoldások.

A legújabb a német, olasz és szingapúri múzeumok, egyetemek és kutatóintézetek közös fejlesztése, egy rovarosztályozó.

A robotikus szerkezet az állatokat ki- és beszállító, pillanatfelvételeket készítő és a képeket feldolgozó rendszereket integrál össze. A modell outputját megjelenítő érintőképernyő a felhasználói interfész.

A kutatók az ImageNet képadatbázison gyakoroltattak, majd 4325 rovarképen és felnagyított változataikon finomhangoltak egy ideghálót.

A „rovarbot” következőképpen működik: a felhasználók a gép edényére helyeznek egy szét nem válogatott halott rovarokkal teli Petri-edényt. A modell a lefelé irányuló kamera képeivel dolgozik. Eldönti, hogy melyik néz ki rovarnak, majd az állatokat egy szívószál végű komponens emeli fel.

A mintákat Raspberry Pivel működtetett, háromtengelyű robot juttatja el egy lapra, ahol a második kamera részletes fényképeket készít róluk. A rendszer elfogadja az adott képet, és megállapítja, hogy milyen rovarról van szó.(A teszteken a kutatók az azonosításra használt képrészletekről hőtérképet is készítettek.)

A robot ezt követően egy másik tálcára helyezi a mintákat, ekkor történik a DNS-szekvenálás. A rendszer a DNS-adatokat hozzáadja a képet, az azonosítás és a mérések eredményeit tartalmazó fájlhoz.

A tesztek jól sikerültek, a rendszer 91,4 százalékos pontossággal dolgozott. Szép, de a humán szakértőknél rosszabb eredmény. Egyelőre legalábbis így van, viszont az árak csökkenésével és a technológia tökéletesedésével hamarosan ezen a területen is komoly igény lehet a mesterséges intelligenciára, robotokra.

Az elmúlt évtizedben rengeteg személyes fényképet tettek vagy véletlenül, vagy szándékosan nyilvánossá. Botrány botrányt követett.

A Columbia Egyetem mérnöki iskolája tanulmányt készített privát fotók erre specializálódott, népszerű felhőszolgáltatásokon (Google, Apple, Flickr stb.) történő titkosítási módjáról. A szolgáltatásokon semmit nem kell változtatni hozzá.

Manapság annyi fényképet készítünk, hogy okostelefonunkon nincs elég tárhely, és online, a számítási felhőben tároljuk őket. Ezek a képek azonban nemcsak a készítőiknek értékesek, hanem a személyes adatokban vájkáló, azokból hasznot húzó hackereknek is. Az olyan biztonsági megoldások, mint a kétszintű azonosítás vagy a jelszavak sajnos nem nyújtanak elegendő védelmet, és így az online tárolás is problémássá vált. Sokszor a szolgáltatók alkalmazottai élnek vissza a hozzáférésükkel, máskor súlyos hibák miatt lehetséges a „külsős” képlopás.

A fotók titkosítása az egyik lehetséges megoldás, csakhogy a felhőszolgáltatások nem kompatibilisek a titkosítási technikákkal. A Google Photos például tömörítéssel csökkenti a fájlok méretét, ezzel viszont drasztikusan romlik a titkosított képek minősége, akár ki is dobhatjuk őket.

Ha esetleg működik a tömörítés, akkor a titkosítással nem megy a gyors böngészés, és harmadik fél alkalmazására lenne szükség. Ugyanezek a cégek titkosítást és biztonságos tárolást ígérnek, de ha mellettük döntünk, a széles körben használt szolgáltatóknak inthetünk búcsút.

A Columbián fejlesztett Easy Secure Photos (ESP) titkosítja a felhőbe feltöltött képeket, sem külső, sem belső támadók nem tudják feltörni őket. Hiába hackelik meg a fiókunkat, nem látják a titkosított képeket.

A JPG és PNG fájlformátummal egyaránt dolgozó ESP titkosító algoritmusát nem zavarja a tömörítés, a minőség nem romlik, és csak a jogosult felhasználó látja a képeket, mindenki más fekete-fehér pöttyöket csodálhat. Az ESP a felhasználó által könnyen böngészhető titkosított indexképeket is generál és tölt fel galériákként.

A fejlesztők jelszón túli plusz védelmi szintről beszélnek. Ezzel érik el, hogy „érzékeny” fényképeinket csak mi, és ha akarjuk, több készüléken láthassuk (kivétel, ha megosztjuk őket másokkal). Egy okos appal megoldották, hogy a digitális kódot („kulcsot”) ne kelljen egyik készülékről a másikra vándoroltatni, ami általában komoly problémák eredője.

Az új rendszer több vállalat érdeklődését felkeltette.

Az egészségügyben hosszú évek óta használnak mesterségesintelligencia-megoldásokat, ez a szektor az MI egyik leglátványosabb sikerterepe. Nem véletlenül, mert egyes alkalmazásokban a gép gyorsabban és pontosabban dolgozik, mint az ember.

A diagnosztika sokáig nem tartozott közéjük. A döbbenetes tempójú fejlődés ellenére kevés volt a használható termék, a széles körben alkalmazott módszerek gyakran régi technológiákon alapulnak.

Az izraeli Technion kutatói rájöttek, hogyan lehet mesterséges intelligenciát a gyakorlatban is megbízhatóan alkalmazni. Az egyik legkényesebb és legnagyobb odafigyelést igénylő területről, a kardiológiáról van szó. Az MI ezúttal a diagnosztikában segíti humán partnereit.

A kutatók az egyik legelismertebb tudományos periodikában (Proceedings of the National Academy of Sciences of the United States of America, PNAS) publikálták meglátásaikat, eredményeiket. Az anyagban bemutatták, hogyan használják az MI-t betegségek azonosítására. Az eredmények többszáz elektrokardiogrammon (EKG) alapultak – az EKG a mai kardiológia legelterjedtebb technikája.

A Technion új rendszere kiterjesztett mesterséges ideghálókkal elemez EKG-eredményeket. A hálónak megtanították különféle mintázatok azonosítását. Többszáz beteg bő másfélmillió EKG-tesztjén gyakorolt, az adatokat a világ több kórházából gyűjtötték.

A szívműködésről gyorsan és nem invazív módon információt szolgáltató EKG-teszt hátránya, hogy az adatfolyamot „olvasó” orvosok hajlamosak hibázni. Vagy azért, mert túl szubjektívek, vagy mert nem tudják pontosan, hogy mit is keresnek.

Kiderült, hogy az MI precízebb, és emberi szemmel észrevehetetlen kóros elváltozásokat is lát.

A kutatók kardiológusok mellett dolgozva, az ő kívánságaik szerint alakították ki a rendszert. A kimenet az eredményekre vonatkozó bizonytalan becsléseket, a nem meggyőző eredményekre és a betegség növekvő kockázatára történő figyelmeztetést tartalmazza. Sok olyan adatot, amelyek vagy nincsenek benne az EKG-eredményekben, vagy nem olvashatók ki egyértelműen belőlük.

A rendszer elég pontosnak bizonyult ahhoz, hogy például a szívritmuszavarra figyelmeztessen. Korai diagnózisa nélkül sokkal nagyobb a szívroham és a stroke kockázata.

Az MI a kardiológia hivatalos terminológiáját használja, döntéseit szaknyelven magyarázza el.

Az információ elektromos jelek formájában történő áramlását elektronikus kapuk szabályozzák. A kapuk nyitását és zárását a pillanatnál rövidebb idő alatt kell megoldani.

Az Egyesült Államok Argonne Nemzeti Laboratóriuma és a Chicagói Egyetem molekuláris tervezéssel foglalkozó kutatói a kapuk működésére dolgoztak ki hatékony új megoldást. A kivitelezéshez az információfeldolgozásban elektromagnonika néven (alig) ismert módszert használták, amellyel valósidőben válik lehetővé a fotonok és a magnonok közötti információátvitel irányítása. (A magnonok atomi szintű, neutronokról szóródni képes kvázi-részecskék.)

A megoldással változatos területeken (kvantumszámítások, kommunikáció, érzékelés) alkalmazható következőgenerációs elektronikus és kvantum jelfeldolgozó eszközök hozhatók létre.

Ha az információtovábbítás módját tervezzük, a hordozó kiválasztásával kell kezdenünk. Vezeték nélküli kommunikációhoz például mikrohullámú fotonokat használnak, azok formálnak elektromágneses hullámokat. Egy másik elképzelés szerint a magnonok is képesek információtovábbításra.

A kutatók érdeklődését felkeltette, hogy mindkét típus alkalmas a feladatra, több központban próbálkoznak különféle információhordozók integrálásával. Ezek a többféle hullámot összekombináló hibrid rendszerek egyetlen hordozóval lehetetlen alkalmazásokhoz is használhatók.

A jel a külső hatások ellenére koherens marad.

A magnon-foton interakció kontrollálásával és a hibrid rendszerekkel évek óta foglalkoznak kutatóközpontokban, de mindezidáig nem történt áttörés. Elvileg a magnonok és a fotonok közötti energiaszintek gyors – száz nanoszekundumnál rövidebb ideig tartó – összehangolásával érhető el ez. De csak elvileg, mert a gyakorlatban eddig kivitelezhetetlen volt.

Az energiaszint-szinkronizálás új módszerével, a kutatók elérték a magnonikus és a fotonikus állapotok közötti gyors, tíz és száz nanoszekundum közötti váltást.

Az összehangolást elektromos impulzussal kezdték, majd elindult, és az impulzus kikapcsolásáig tartott az információcsere. Ezzel a módszerrel az információáramlás úgy irányítható, hogy vagy a magnonban, vagy a fotonban, vagy valahol a kettő között van minden. A kivitelezés egy új szinkronizáló eszköznek köszönhető.

A kutatással bebizonyosodott, hogy információfeldolgozás nemcsak klasszikus elektronikával, hanem a magnonikus állapotok kvantumtartományban történő módosításával is megvalósítható.

A művészetekben régóta használják az infokommunikációs csúcstechnológiákat, az utóbbi bő tíz évben, az ágens-szimulációtól a kép- és hangalapú megoldásokig, a mesterségesintelligencia-technikák is szélvészgyorsan elterjedtek.

Morgan Neville dokumentumfilmes legújabb opusa a legendás szakács, világutazó médiaszemélyiség és író, a három éve tragikusan elhunyt – öngyilkosságot követett el – Anthony Bourdain (1956-2018) eseménydús életét dolgozza fel.

Egyes hézagok pótlására Neville is mesterséges intelligenciát használt, a már hetek óta megtekinthető filmben (Roadunner: A film about Anthony Bourdain) három idézetnél MI-vel alkották újra a legenda hangját.

A technológia alkalmazása kicsit kísérteties, amikor halott személyeket „elevenítenek meg” vele, de ebben az esetben működik, mert az észrevétlen MI-vel hitelesebb a dokumentumfilm.

Az alkotásban hallható hangalámondásokat komputer generálta, az idézeteket viszont nem.

„Mesterségesintelligencia-modellt alkottunk a hangjához. A három idézethez nem volt semmiféle hangfelvétel, viszont mindenképpen azt akartam, hogy a nézők őt hallják” – nyilatkozta Neville.

Egy szoftvercégnek több mint tizenkét órányi hangfelvételt adott, az alapján készítették el a modellt. A dokumentarista szerint a szimulált hangot kvázi lehetetlen megkülönböztetni az eredetitől.

„Ha valaki nézi a filmet, és tud egy mesterséges intelligencia által elmondott idézetről, a többit akkor sem ismeri fel, nem fogja tudni, hogy miket mond még MI” – magyarázza a rendező.

A dokumentumfilm ebből a szempontból az utóbbi évek kicsit disztópikus trendjéhez kapcsolódik: kisebb-nagyobb sikerrel, egyre többen próbálkoznak elhunyt hírességek hangjának újjáélesztésével. Neville-t egyelőre nem aggasztja a jelenség.

„Később lehetnek majd dokumentumfilmes etikai panelek erről” – mondta szűkszavúan.

A tegnap véget ért olimpiát sem kerülte el a technológiai fejlődés, a mesterséges intelligencia Tokióban is markánsan jelen volt.

Az óráiról ismert Omega 1932 óta mér olimpiai teljesítményidőket, a célfotó-kamerát az 1948-as londoni játékokon vezették be. A cég rendszereit a Svájci Szövetségi Méréstani Intézet hitelesíti, az Omega Timing az olimpiák hivatalos időmérője, tevékenysége azonban sokkal többől áll, mert nemcsak milliszekundumokra figyelnek.

A svájci vállalat technológiái követik a játékmeneteket, elemzik a sportolók mozgását, kiemelik a kulcspillanatokat. A tokiói játékokon is ez történt, például a számítógépes látás a korábbiaknál kitüntetettebb szerephez jutott.

Az Omega egy csomó olimpiai sportágat figyel, köztük például a röplabdát, az úszást és a tornát. Az output elsősorban az edzőket és a sportolókat segíti – megnézik és, ha tudnak, javítanak a teljesítményen. Ezek a mérések, megfigyelések természetesen a sportvezetőknek és -szervezeteknek, valamint a műsorszolgáltatóknak is a rendelkezésére állnak.

A röplabda-rendszer 99 százalékos pontossággal csoportosítja a labdával végzett műveleteket (adogatás, fogadás, sáncolás, feladás, ütés). A labda irányában és sebességében beálló változásokat követve éri el ezt a magas szintet.

A rendszer a játékosok mezébe ágyazott, azok mozgását figyelő giroszkóp szenzorokkal működik. Ha a labda ideiglenesen kikerül a kamera látómezőjéből, a program kiszámolja a valószínű irányt.

A tornászok mozgását a gerendán végzett gyakorlatok közben a mozdulataikat kiértékelő rendszer figyeli. Többek között azt is kiszámolja, hogy a gyakorlat után milyen pontosan érnek le a talajra.

A vízi sportokat képfelismerő rendszer monitorozza. Követi az eseményeket, méri at úszók közötti távolságot, gyorsaságukat, és hogy hány karcsapást végeznek.

A sportolók teljesítményét milliméter-, milliszekundum-pontossággal, részleteiben vizsgáló technológiák hihetetlenül hasznosak, komoly segítséget jelentenek a teljesítmény növeléséhez. A nézőket pedig közelebb viszik a sporthoz, tevékenységüknek köszönhetően mélyebben és részletesebben ismerhettük meg a tokiói játékokat, jobban átéltük a sikereket és a kudarcokat.

A tárgyakat detektáló, felismerő rendszerek általában csak azokkal az objektumokkal boldogulnak, amelyeket a korábbi gyakorlásaikhoz használt adatokban már felcímkéztek. Úgy tűnik, hogy egy új módszerrel könnyebb lesz a munkájuk, és így több tárgyat tudnak a képen belül lokalizálni és felismerni.

A Google Research kutatói által fejlesztett Vision and Language Knowledge Distillation (ViLD) segítségével kialakítható rendszerek olyan tárgyosztályokat is kezelnek, amelyekkel nem gyakoroltak. „Lövés” nélkül detektálják őket (zero-shot object detector).

A ViLD munkájához felhasználja egy, hasonló elven működő osztályozó (CLIP) által generált tárgyreprezentációkat.

Adatokból sokszor bonyolult kinyerni az információt, az ismeretek szakszerű megtisztítása („lepárlása”) nélkül nehezen megy. Ez úgy történik, hogy a modell általában megtanulja utánozni egy másik modell outputját. Ehhez hasonlóan, azt is elsajátítja, hogy hogyan utánozzon egy másik által generált reprezentációkat.

A képenként több részt és osztályozást kódoló tárgyfelismerők reprezentációi megegyezhetnek a képenként egyetlen osztályt kódoló osztályozók reprezentációival. A felismerő-modell a több objektumot megjelenítő képek tárgyait, a képen való elhelyezkedésük alapján, különböző részekbe rendezi – vágja ki – az osztályozó számára. A tárgyfelismerő ezt követően tanulja meg, hogy az osztályozó hogyan reprezentálta a részeket (a kép „területi egységeit”).

A korábbi hasonló rendszereket több százmillió kép-szövegpáron gyakoroltatták. A felhasználó megadta nekik a felismerendő osztályok szöveges listáját. A gép kapott egy képet, és a legvalószínűbb tárgyosztályra következtetett belőle.

A Google kutatói szegmentált és felcímkézett tárgyosztályok képein gyakorolt tárgydetektorral bővítettek egy ilyen rendszert. Teljesítményét korábbi megoldásokkal hasonlították össze, és kiderült, hogy pontosabban dolgozik, mint a felügyelet melletti tanuláson (supervised learning) alapuló modellek, azaz a használatban lévő rendszerek zöme.

De miért fontos ez?

Azért, mert a tárgyosztályozó modellek nehezen és drágán tanulnak a nagy és heterogén adatsorokon. A ViLD megoldhatja ezt a problémát, kevesebb képből jobb eredményeket hoz ki, felgyorsítja a munkát.

Egy 2019-es felmérésből kiderült, hogy az állásinterjúk elbírálásához – világviszonylatban – a cégek negyven százaléka használ mesterséges intelligenciát. Ugyanakkor egyre több tanulmány figyelmeztet a rendszerek hiányosságaira.

A Bajor Közszolgálati Műsorszolgáltatás februári anyaga kimutatta, hogy kiegészítők, például a szemüveg és a fejkendő, illetve a háttérben lévő tárgyak – képek, könyvespolcok stb. – jelentősen befolyásolják egy német videóinterjú-platform automatizált értékelését.

A LinkedIn 2018-ban állapította meg, hogy az állások betöltésére javaslatot tevő egyik algoritmusuk a férfi jelentkezőket részesíti előnyben. Az algoritmust elfogultságmentes másikkal helyettesítették.

A Twitter és amerikai egyetemek közös anyaga mátrixot javasol az automatizált munkaerő-felvevő rendszerek pontozásához. Így próbálják megakadályozni például a hangintonációnak vagy egyes arckifejezéseknek túlzott jelentőseget tulajdonító algoritmusok hibáit.

Munkáltató és munkaerő társítása nüánszokon múló folyamat, ezért a legnagyobb szigorra van szükség, ha automatizálni akarjuk. Gyengébb algoritmusok megakadályozhatják, hogy a legalkalmasabb jelentkezők töltsenek be egy-egy állást, a munkáltatók pedig elszalaszthatják az ideális munkaerőt.

Egy független felmérés szerzői az állásinterjúkat automatizáló MyInterview és Curious Thing működését elemezték. Kiderült például, hogy magas pontszámot adtak egy csak németül megszólaló személy angol nyelvtudására.

Mindkét platformon kamu álláshirdetést adtak fel, amelyben hivatali ügyintézőt kerestek. A megadott eszközök kiválasztották az ideális munkaalanyról döntő kérdéseket. A felmérést végzők közül egy riporter jelentkezett a hirdetésre, és az interjúkon németül írt Wikipédia-szócikkből olvasott fel.

A MyInterview a jelentkezők beszédét és testbeszédét elemezve pontoz. A németül beszélő válaszait nonszensz angolként értelmezte, de ennek ellenére úgy ítélte meg, hogy 73 százalékban alkalmas az állásra.

A vállalat egyik szóvivője elmondta, hogy az algoritmus inkább az interjúalany hangjából kikövetkeztetett személyiségjegyek, és nem a válaszok tartalma alapján pontozott.

A telefoninterjúkat elemző Curious Thing algoritmusa a megszerezhető kilencből hat pontot adott a kizárólag németül beszélő személy angol nyelvtudására.

Egyértelmű, hogy az ilyen hibákat elkövető mesterségesintelligencia-rendszerek nem alkalmasak a kritikus döntést igénylő feladatra.