Egy jelenleg még csak prototípus állapotban lévő mesterséges intelligencia megváltoztathatja a földrengések utáni műveletek, teendők kezelését. A program ugyanis előrejelzi, hogy családtagok melyik útvonalakon juthatnak el legbiztonságosabban szeretteikhez.

Az ötlet az isztambuli ImpactHub közösségi innovációs központban született. A helyszín nem véletlen, mert a török főváros azon metropoliszok közé tartozik, amelyekben kvázi elkerülhetetlenek a jövőbeni földrengések.

Az országot 1999-ben – Isztambultól 150-200 kilométerre – sújtotta utoljára földrengés, hivatalos adatok alapján 18373 személy halt meg.

Tudósok szerint a következő is hasonló lesz, viszont közvetlenül a fővárost fogja sújtani, ahol jelenleg kb. 15 millióan élnek. Könnyen elképzelhetjük a következményeket…

Az ImpactHub fejlesztőcsapata úgy véli, hogy mesterségesintelligencia-megoldásokkal mindenképpen jelentősen csökkenthető a pusztulás mértéke.

Az ötletből a gépitanulás-szakértőkből álló Omdena MI közösségi platform közreműködésével hoztak létre működő prototípust. A földrengést követően szülők és gyerekek által egyaránt igénybe vehető biztonságos útvonalakat előrejelző, azokat leellenőrző MI-t fejlesztettek. A gép nemcsak a jó útvonalakat definiálja, hanem a veszélyeseket, a mindenképpen elkerülendőket szintén azonosítja.

„Feltételezzük, hogy Isztambul nagyvárosi közegében, a biztonság az alacsony épületszámú környékekhez, valamint a szélesebb utakhoz és utcákhoz kapcsolható” – magyarázza Nguyen Tran adattudós, majd eldöntötték: a prototípus Isztambul Faith kerületére fog összpontosítani.

A széles utakra és az épületsűrűségre vonatkozó adatokat képszegmentáló modellekkel kivonatolták a városról készült műholdas felvételekből. Az eredményeket hőtérképen ábrázolták.

Ezt követően az adatokat az Open Street Mapből származó adatokkal egyesítve, jelenítették meg a két helyszín közötti legrövidebb és legbiztonságosabb útvonalakat.

A fejlesztéssel az ötlet megfogalmazásától számított két hónapon belül készen is lettek, ami az Omdena MI platform önkéntes szerepvállalása nélkül elképzelhetetlen lett volna.

Az ImpactHub következő lépése a prototípus működő alkalmazássá alakítása lesz. A kezdeményezést, még mielőtt jönne a nagy földrengés, Törökország összes nagyvárosára ki szeretnék terjeszteni.          

Az Egyesült Államok híres-hírhedt kormányügynöksége, az Élelmiszerbiztonsági és Gyógyszerészeti Hivatal (FDA) adatai alapján nagyon ellentétes hatású gyógyszerek interakciója következtében évente több mint 10 ezer személy hal meg amerikai kórházakban.

A halálos interakciók elkerülésére használt hagyományos eljárásokhoz viszont drága és fáradságos laboratóriumi tesztek kellenek a gyógyszerek fejlesztése során, majd a klinikaivizsgálatok eredményeként össze kell gyűjteni az adott gyógyszer létező és elvileg lehetséges összes mellékhatását.

Egy, az IQVIA amerikai egészségügyi informatikai vállalat szakemberei által vezetett projekt eredményeként, amerikai kutatók gyógyszerek vegyi szerkezetét prognosztizáló új rendszert dolgoztak ki. A rendszer segítségével megelőzhetők ellentétes hatású gyógyszerek interakciói.

Az MI két különféle gyógyszert használ, azokból az egymással folytatott interakciókra vonatkozóan generál előrejelzéseket. A kutatók elsőként az ideghálók által olvasható SMILES karakterformátummá alakítottak át gyógyszerek vegyi szerkezetét. A melatonin például CC(=O)NCCC1=CNc2c1cc(OC)cc2-ként, a morfium pedig CN1CCC23C4OC5=C(O)C=CC(CC1C2C=CC4O)=C35-ként jeleníthető meg, és így tovább.

Következő lépésben az ideghálót ismert gyógyszerek közötti interakciókat leíró adatbázison gyakoroltatták. A menet közben sokat fejlődött rendszer megmondja az ellentétes hatású interakciók valószínűségét, illetve megmutatja a molekulák speciális, érintett részeit, amelyek nélkül lehetetlen lenne előrejelzést készíteni.

A kutatók két jól ismert és gyakori interakciósoron tesztelték a rendszert. Az eredmény azonban őket is meglepte, mert jobban teljesített, mint a jelenlegi legfejlettebb mesterséges intelligenciák

A vegyi adatok elemzésére használt új technikák számos más alkalmazással, például gyógyszer- és anyagtervezéssel is kecsegtetnek.

„A modern világ döbbenetes mértékben függ a vegytantól. A mesterséges intelligenciában elképesztő potenciál rejlik, hogy segítsen minket, hogy minél többet megtudjunk vegyi folyamatokról, interakciókról, tulajdonságokról és minőségekről” – nyilatkozta David Cox, az MIT-IBM Watson AI Labor IBM igazgatója (és az egyik kutató).

A tengerek, óceánok olajfúró tornyai rendkívül veszélyesek lehetnek, és e tény már önmagában elég indok az ottani munka automatizálására. Ezek a szerkezetek valójában ideális terepnek tűnnek a robotmunkára, mesterséges intelligenciák által végzett termelőtevékenységekre.

Mindezek fényében egyáltalán nem meglepő, hogy az Aker BP olajkitermelő és a Cognite mesterségesintelligencia-szoftverfejlesztő cég (és a szoftver, mint szolgáltatás, SaaS kezdeményezések egyik élharcosa) bejelentette: idén több robotot és drónt tesztelnek az Aker norvég-tengeri Skary létesítményén. A „vizsgára készülő” gépek között szerepel a mára már legendává vált Boston Dynamics egyik emblematikus szerkezete, Spot is.

A stratégiai együttműködéssel behatóan akarják tanulmányozni, hogy robotrendszerekkel hogyan tehetők biztonságosabbá, hatékonyabbá és fenntarthatóbbá (azaz környezetberátabbá) az olajfúró tornyokban végzett munkák. 

A két vállalat Spotot már vizsgálta is, igaz, egyelőre csak szimulált olaj- és gázkörnyezetben. Következő lépésben járőrözni fog a létesítményben, és közben teszteket futtat le, beszámolókat készít, valamint gőzerővel keresi a szénhidrogén-szivárgásokat.

„Elképzelésünk szerint a bölcsőtől a sírig, az összes műveletet digitalizáljuk. A termelékenység és a minőség növelése, valamint alkalmazottjaink biztonságosabb munkavégzése a cél. Digitális utazásunkat a robotikus tevékenységekben rejlő potenciál kiaknázása alapozza meg” – nyilatkozta Karl Johnny Hersvik, az Aker BP vezérigazgatója.

Nem az északi olajfúró torony lesz Spot első alkalmazása a „való világban”, nem most lép ki először a zárt és jobban kontrollált laboratóriumi közegből a „húsvér” valóságba.

2019-ben a Massachusettsi Állami Rendőrség ugyanis már kölcsön vette, és tesztelték, hogyan működik a rend élő őrei mellett, mennyire funkcionál a humán-gép együttműködés. A szervezetet sokan kritizálták, mert sötét jövőt láttak Spotban, azt a jövőt, amikor az állam (akár erőszakosan is) emberek, polgárai ellen használja a gépeket.

Spot új munkája viszont minimálisan sem veszélyeztet egy embert sem, sőt, őket lesz hivatott megkímélni.

„Csak” a munkájukba kerülhet…

Az egészségügytől a szórakoztatóiparig, egyre több és meglepőbb területen hasznosítják a mesterségesintelligencia-kutatás vívmányait. Talán már meg sem lepődünk azon az újságon, hogy az MI „slágerdiszciplínája”, a gépi tanulás sok más hasznos alkalmazás mellett például az ópiátfüggőség leküzdésében és akár a drogfüggőség megelőzsében is segít(het).

Az amerikai Drogos Visszaélések Nemzeti Intézete szerint az országban 2 millió az ópiátfüggők száma, és naponta kb. 130-an halnak meg túladagolásban (óverdózis).

Tim K. Mackey, a Kaliforniai Egyetem kutatója ópiátokkal kereskedő, magyarán drogokat árusító személyeket közösségi médiumokban – Instagram profilon keresztül – azonosító ideghálót fejlesztett.

Mackey korábbi kutatásaiban az Instagramot drogkereskedők kedvelt platformjaként azonosította. Munkacsoportja összegyűjtötte az ópiátokat megemlítő bejegyzéseket, és manuális módszerekkel megállapították: a posztok közül 12857-ben eladásra kínáltak fel drogokat.

A kutatók az adatok felét a modell begyakoroltatására használták fel. A droghirdetésekhez kapcsolódó nyelvezetet kellett megismernie, azonosítania, lényegében bele kellett tanulnia a munkájába.

Az adatok másik felével a modellt hitelesítették.

Az ideghálónak 267 egyedi felhasználó által posztolt 1228 hirdetést sikerült azonosítania. A korábbi random megoldásokat, döntésfákat szupport vektor gépeket és azonosításra használt más mesterségesintelligencia-módszereket túlszárnyalva, 95 százalékos pontossággal, azaz szinte teljesen megbízhatóan dolgozott.

Az eredményeket látva, az Egyesült Államok egészségügyi minisztériuma szerződést kötött Mackey-vel. A szerződés értelmében a kutató a Redditre, a Tumblir-ra és a YouTube-ra is alkalmazza a módszert, illetve bűnüldöző ügynökségeknek dolgoz ki a közösségi média hírfolyamainak valósidejű monitrozására alkalmas platformot.

Az online árusítás azonban csak kis részét teszi ki az Egyesült Államokban folyó illegális drogkereskedelemnek. Az idegháló nyilván segít kisebb halak elfogásában, de a folyamatos ellátást biztosító kartelleknek aligha fog ártani, mint ahogy az USA (egyébként teljesen értelmetlen) drogháborújában sem fog komolyabb szerepet játszani.

Tudományos-technológiai szempontból viszont kifejezetten izgalmas fejlesztés.

Tanárok valószínűleg nem örülnek a következő állításnak, de az állítás az érthető idegenkedés ellenére is igaz – dolgozatoknál néha akkor adjuk a legjobb válaszokat, ha egyszerűen lemásoljuk a szomszédét.

A Facebook mesterségesintelligencia-fejlesztő csoportja és a Stanford Egyetem kutatói új nyelvimodell-keretet dolgoztak ki ilyen jellegű, kontextuális előrejelzésekre. Jelen esetben befejezetlen, hiányos mondat következő szavára való következtetést értik előrejelzésen. A kNN-LM nevű algoritmust a gépi tanulásban bevett módszerrel, gyakorlóadatokon trenírozták hozzá.

A probléma lényege, hogy egy modellnek egyelőre sokkal könnyebb két hasonló jelentésű mondattöredéket azonosítania, mint a mondatokat (helyesen) kiegészíteni, befejezni.

Ha adott a mondattöredék, és az MI-nek meg kell mondania a következő szavakat, akkor a töredékhez hasonló mondatokat keres a gyakorlósorban, és az általa talált példákat használja majd a következtetéshez. (Lényegében, lelesi, hogy a szomszédok mit írtak.)

A modell például a „Dickens írta a ...” kezdetű mondatot úgy fejezheti be, hogy „Dickens írta a Twist Olivért.” A gyakorlóadatok alapján az MI tudja, hogy a „Twist Olivér” helyes válasz lehet.

A fejlesztők előzetes gyakorláson átesett modellt javasolnak, a gyakorlómondatok vektoros megjelenítésével, míg a tesztmondatok elemzésénél algoritmus kombinálja össze az információkat. A megközelítés minden előzetesen trenírozott nyelvi modellel működik, a legtöbb kísérlethez azonban speciális hálózatokat használtak.

Első lépésben a kNN-LM a gyakorlósor összes mondatához vektoros megjelenítést generál, majd az új input mondathoz megkeresi ugyanezen vektorok legközelebbi („szomszédos”) megjelenítését. Minél közelebbi egy gyakorlóvektor az inputhoz, annál magasabb pontszámot ér el („jobban súlyozódik”) a gyakorlószekvencia következő lépésében. A nyelvi modell az input következő jegyét előre is jelzi.

Ezt követően az MI végső következtetéséhez a legközelebbi vektoros és a modell általi előrejelzést egyaránt figyelembe veszi. Különleges mérés minősíti, hogy mennyire ragaszkodik az egyikhez, illetve a másikhoz.

AWikipédia-szócikkeken tesztelt algoritmus 10 százalékkal jobban teljesített, mint az eddigi legmodernebb nyelvi modellek. A modell jelenlegi gyengéje, hogy hatalmas számítási kapacitásra van szüksége.  

Szakemberek évtizedek óta fejlesztenek online csevegő robotokat, internetes beszélgető ágenseket, de az általános tapasztalatok alapján még a legmodernebb mai chatbotokkal is problémás a kommunikáció – kérdéseinkre gyakran adnak vagy értelmetlen, nonszensz, vagy teljesen általános, mindenre ráhúzható, semmitmondó válaszokat. (A beszélgető ágensek leggyakrabban internetes vásárlásoknál hivatottak segédkezni.)

Az infokom és különösen a mesterségesintelligencia-kutatás sok más területéhez hasonlóan, a Google csevegő botok fejlesztésében is próbál élen járni, és legújabb chatbotjuk (a cég állítása szerint) a teszteken az összes többinél, azaz valamennyi konkurensnél jobban teljesített.

A mamutvállalat új mérést is használ, amelyet speciálisan mesterséges intelligenciák beszélgetőkészségének a vizsgálatára találtak ki.

A Meena nevű botot egyedi módszerrel úgynevezett érzékenység és specifikálás átlaggal (Sensibleness and Specificity Average, SSA) mérik. Az új mértékegység kidolgozásához a Google embereket kért fel, hogy 100 szabadon választott beszélgetést folytassanak Meenaval és több más nem egyetlen témára szakosodott chatbottal.

A 40 milliárd szón gyakorolt bot minden egyes válaszát követően, a humán félnek a válasszal kapcsolatos két kérdésre kellett felelnie. A beszélgetések minimum 14. maximum 28 kérdés-feleletből, vagy közlés-reakcióból álltak.

Az első arra vonatkozott, hogy a válasz logikus volt-e, passzolt-e a beszélgetés kontextusához. Amennyiben igen, a következő kérdés így hangzott: „Speciálisan a beszélgetéshez kapcsolódott-e?” Utóbbi azért fontos, hogy kiszűrjék az általános válaszokat. Például, ha a humán partner azt írta, hogy szereti a teniszt, amire a chatbot azt felelte, hogy „ez jó”, a választ „nem specifikusnak” címkézték.

A Google kiszámolta, hogy egy átlagember 86 százalékban teljesíti az SSA követelményeit. A kutatás során vizsgált többi chatbot 31 és 56 százalék között teljesített, míg Meena 79 százalékot ért él.

A számok azt jelzik, hogy a Google beszélgető ágense az összes riválisnál közelebb került az emberi szinthez.

A mesterségesintelligencia-megoldások közül jelenleg az arcfelismerés a legvitatottabb, legtöbbet támadott technológia. Sokan annyira veszélyesnek tartják, hogy egyszerűen betiltanák.

A közeljövőben további heves viták várhatók, mert az új technika nagyon megosztja a közvéleményt, és a témakörben rendkívül nehéz a racionális érveket és ellenérveket egyaránt figyelembe vevő, szenvedélymentes, objektív döntést hozni.

Legutoljára egy ír egészségügyi intézmény terve gerjesztett élénk érzelmi hullámokat.  

A dublini St. James kórház ugyanis arcfelismerő biztonsági kamerák felállítását tervezi egy, gyermekek számára épülő új létesítményben. A nagyon sokakban aggályokat keltő döntést azzal indokolták, hogy a technológia megvédi a gyerekeket a potenciális emberrablóktól.

Az arcfelismerés jobban segíti a csecsemőket védő kórházi biztonságiakat vagy a bűnüldözést, mintha kizárólag jól bejáratott CCTV-kamerákat és felvételeket használnának.

A polgári jogokat védő aktivisták viszont a gyerekek és hozzátartozóik személyes szférájának (privacy) veszélyeztetését látják a technológiában.

Az ügy ezen a ponton világpolitikai színezetet is kapott, mert a Polgári Jogok Ír Tanácsának felháborodását tovább növelte, hogy a döntés értelmében a létesítményben a kínai Hikvision cég által tervezett, az Egyesült Államok szövetségi épületeiből száműzött kamerákat fognak installálni. (Sokak meggyőződése, hogy a távol-keleti ország MI-fejlesztései – részben – a nyugati világ kontrollálását célozzák.)

A vita hevében a Dublini Városi Önkormányzat gyorsan visszakozott. Kijelentették, hogy még egyáltalán nem biztos az arcfelismerés alkalmazása, és a biztonsági kamerák pedig akkor is rendeltetésszerűen működnek, ha a megfigyelés funkciót nem kapcsolják be rajtuk.

Egyelőre van idejük mérlegelni, aztán dönteni, mert a létesítmény csak 2023-ban nyílik meg.

Az életet könnyű felismerni – mozog, növekszik, táplálkozik, ürít, szaporodik. Biológusok gyakran használják az ezekre a tevékenységekre utaló MRSGREN (movement – mozgás, respiration – lélegzés, sensitivity – érzékelőkészség, growth – növekedés, reproduction – szaporodás, excretion – ürítés, nutrition – táplálkozás) szóösszevonást.

Felismerni valóban egyszerű, definiálni viszont nem. Tudósok, filozófusok évszázadok, évezredek óta vitáznak róla, és legalább száz meghatározás ismert. Ráadásul előfordulhatnak nem ismert létformák is.

Az első brit űrhajós (és a londoni Imperial College vegyésze), Helen Sharman szerint például földönkívüliek nemcsak léteznek, hanem akár közöttünk is élhetnek, úgy, hogy észre sem vesszük őket.

Az asztrobiológus Samantha Rolfe, az Egyesült Királyság Bayfordbury csillagvizsgálójának főmérnöke részletes tanulmányban válaszolt Sharman kijelentésére.

Ha az űrhajósnak igaza van, és a földönkívüliek köztünk élnek, legvalószínűbb, hogy mikroszkopikus „árnyék bioszférában” léteznek – állítja.

„Szellemvalóságot értek rajta, felfedezetlen lényekkel, akik valószínűleg más biokémiai felépítéssel rendelkeznek. Ez egyben azt is jelenti, hogy nemcsak tanulmányozni nem tudjuk, hanem észre sem vesszük őket, mert létezésük túlmutat az emberi felfogóképességen, képtelenek vagyunk értelmezni őket” – magyarázza Rolfe.

A kutató szerint ellentétben a Homo sapiensszel és az általunk megszokott összes más szénalapú létformával, a láthatatlan alienek szilícium-alapú biokémiával rendelkezhetnek.

Rolfe elmondta, hogy több kutatócsoport vizsgálja az alternatív biokémiai lehetőségeket. Egyikük, a Kaliforniai Technológiai Intézetben (CalTech) sikeresen összekapcsolt élő sejteket szilíciummal. Ha a szilíciumot a Földön életre tudjuk kelteni, akkor esély van rá, hogy máshol természetesen kifejlődhettek szilícium-alapú életformák. Ezek az életformák meteoriton kerülhettek a bolygónkra.

„Bizonyítékokkal rendelkezünk azzal kapcsolatban, hogy életet képező szénalapú molekulák meteoritokon érkeztek a Földre. Ezek a bizonyítékok pont nem zárják ki azt a lehetőséget, hogy más, sokkal kevésbé megszokott létformák ugyanígy érkezhetnek a bolygóra” – vonja le a következtetést az asztrofizikus.    

Egyedi idegsejtek és nagy idegsejthálózatok számítási jellemzőinek jobb megértéséhez, a kísérleti eredmények értelmezéséhez elengedhetetlenek a többezer szinapszisból álló (nagyon komplex) modellek. Szimulálásuk viszont költséges, mert rengeteg számítási kapacitás és idő kell hozzájuk, és mindezek a tényezők megkérdőjelezik a hasznosságukat.

A Lausanne-i Szövetségi Műszaki Főiskola (EPFL) és a Jeruzsálemi Héber Egyetem kutatói éppen ezért, Neuron_Reduce nevű számítógépes eszközt fejlesztettek, amellyel lényegében mindenféle idegsejtmodellt igyekeznek áramvonalasabbá tenni.

Az eszköz azért lehet rendkívül hasznos, mert egyrészt megmaradnak a sejtek bejövő-kimenő (input-output) tulajdonságai, másrészt a szimulációkat jelentősen (minimum 40-szer, maximum 250-szer) felgyorsítja.

Leegyszerűsítve: a modellek komplexitását legfőbb jellemzőik (funkcióik, számítási adottságaik) megtartásával csökkenti.

Az új „csökkentett” modellek átmenetet jelentenek az apró részletekig kidolgozott (főként kísérleti célokra használt) és a részleteket sokszor figyelmen kívül hagyó (ezért elnagyolt, időnként pontatlan eredményekhez vezető) egyszerű megoldások között. A gyorsulás oka, hogy a modellekkel drasztikusan csökken a számítási idő, és kisebb tárolási térre van szükség.

A Neuron_Reduce elemző eszköz egyedi (többhengeres) csökkentett megoldást ajánl komplex nemlineáris idegsejt-modellekhez.

„A számítógépes megközelítések alkalmazásakor, először az egér és végül az ember agyánál bármiféle újítás jól jöhet ahhoz, hogy a számítások kivitelezhetők legyenek: következőgenerációs komputerek, szimulációs szoftverek és modellező formák, mint például a Neuron_Reduce. Utóbbi nemcsak hatékonyabb numerikus szimulációkhoz, hanem ma még kivitelezhetetlen új neuromorfikus hardveradaptációkhoz is használható” – magyarázza Felix Schürmann, az agyat feltérképezni hivatott (nemrégiben sokat támadott), egy évtizede futó Blue Brain Project számítási igazgatója.  

Agyszövetek részletes modellezésekor a memóriakövetelmények miatt jelentősen nő a szimuláció ideje és költsége. Pontosan ezért fontos a Neuron_Reduce, ezért várjuk izgatottan” – nyilatkozta a szintén a Blue Brain Projectben dolgozó Pramod Kumbhar.   

Az arcfelismerés ugyan rengeteg vitát vált ki, többen egyszerűen betiltanák a technológia használatát, de a tiltakozás nem zavarja az Egyesült Államok hadseregét egy, a tervek szerint 2021-ben munkába álló, rendkívül fejlett rendszer kidolgozásában.

A rendszer az adott személyről készült infravörös képeket elemez, és nézi meg, hogy az illető arca nem szerepel-e kormányzati listákon, például ismert és körözött terroristákén.

Sötétben, autók szélvédőjétől nem zavartatva, pocsék időjárási és fényviszonyok között, akár 500 méter távolságból és ködben is működnie kell. A rendszer hőmintázatok alapján azonosít személyeket.

Az amerikai hadsereg 2,8 millió dollárral támogatja az infravörös szenzortechnológiára specializálódott kaliforniai Cyan Systemst, illetve 1,5 millióval a rendszeres kormányzati beszállító alabamai Polaris Sensor Technologiest, amelynek egyik partnere korábban olajfoltok azonosításához dolgozott ki infravörös-alapú technikát, de a területen a cég szabadalommal is rendelkezik. A szabadalom pontosan arról szól, hogy hogyan manipulálható, alakítható hihetetlenül részletessé egy hőkép. (A Cyan Systemsnek szintén van egy szabadalma ezen a területen, technológiájával kapcsolatban viszont sokkal titkolózóbb.)

A két támogatás rendeltetése a rendszer létrehozása. 2019 szeptemberében kezdték, előzetes becsléseik alapján 2021 koraőszén lesznek kész.

A két szerződés nem az első bizonyítéka, hogy az amerikai hadigépezetet komolyan érdeklik a nagytávolságú, csúcstechnológiás arcfelismerő megoldások. 2018 őszén a Hadsereg Kutatólabor ismertette néhány saját szakterületi kutatását. A szerződések mindazonáltal egyértelműsítik, hogy közelebb kerültek a megoldáshoz, célpontok távolról történő azonosításához, miközben a katonák semmit nem kockáztatnak, az arcfelismerés miatt nem leselkednek rájuk veszélyek.

Katonai célokra már használnak arcfelismerést, harcmezőn azonosítanak vele személyeket. Csakhogy ezek a megoldások szabvány, például iPhone- vagy CCTV hálózatok kamerái által generált képekkel dolgoznak.

Ez azonban nem elég, és ezért döntött a hadsereg személyek azonosításához infravörös képeket elemző rendszer mellett.