Sakk, dáma, go, póker, és még sorolhatnánk, de a lényeg: a mesterséges intelligencia számos területen elérte vagy felül is múlta az emberi szintű teljesítményt (human-level performance, HLP). Más területeken, például a beszédfelismerésben vagy a diagnosztikában hosszú ideje szintén ez az akadémiai kutatások célja.

Amikor egy modell eléri a HLP-t, az adott terület mérföldkőhöz jut el, a tudományos és a médiavilág méltán ünnepel. De szükséges-e, hogy az MI minden esetben eljusson idáig?

A gépi tanulás egyik abszolút szaktekintélye, az amerikai Andrew Ng szerint, például a gyártórendszereknél nem mindig praktikus.

Az automatizált vizuális ellenőrzőrendszerek többek között futószalagon készült termékek fényképeit nézve, osztályozzák a hibákat: karcolásokat, horpadásokat stb. Csakhogy a humán szakértők nem mindig értenek egyet velük, és egymással sem. „Ez tényleg horpadás?” – tehetik fel a kérdést. És ha ők is többféleképpen látják, akkor mit csináljon egy MI?

Ng egy korábbi kutatását hozza fel példaként. Amikor beszédfelismerő rendszereket fejlesztett, hasonló problémával szembesült. Egyes hanganyagokban vagy a beszélő motyogott, vagy a háttérzaj miatt nem hallatszott, amit mondott. Hiába hallgatjuk meg többször az ilyen klipeket, senki nem tudja bizonyossággal átírni őket. De az átiratok még a tisztán hallható, például hangulatokat leíró vagy hangutánzó szavaknál, kifejezéseknél is lehetnek inkonzisztensek.

Ha egy ember ugyanazt a beszédet többféleképpen írja le, akkor mit tegyen egy beszédfelismerő rendszer, hogyan kezelje az opciókat?

Akadémiai kutatásokban az MI-ket gyakran tesztelik úgynevezett „szintjel adatsorokkal” (benchmark dataset), sok címkével, köztük természetesen „zajos” címkékkel is. Ha az ember 90 százalékot ér el, az MI pedig 91-et, rögtön a HLP meghaladását ünnepeljük.

Ng szerint a mindennapokban használt rendszerek jelentős részénél ez a koncepció csak alkalmanként hasznos. Például ha egy röntgenes diagnosztikát végző MI túlszárnyalja a radiológusokat, teljesítménye tényleg bizonyíték arra, hogy a kórházakban is bevezessék?

Aligha, mert az egészségügyi személyzet sokkal árnyaltabban kezeli a kérdést, nemcsak HLP-ben, hanem biztonságban, az esetleges elfogultság kiszűrésében, ritka esetek kezelésében és más tényezőkben is gondolkozik, ráadásul ezekben egy MI aligha érné el az emberi szintet. Tesztsoroknál teljesíthet jobban, de ez nem jelenti azt, hogy valódi élethelyzetekben is felülmúlja az embert.

Ng javaslata: a HLP-t nem meghaladni, hanem egyre magasabb szintre kell emelni.

Egyre több mesterségesintelligencia-startup foglalkozik építőipari alkalmazásokkal, és gőzerővel dolgoznak, hogy a technológia nélkülözhetetlen legyen a szektorban. Hétköznapi kamerák és gépilátás-algoritmusok például olyan szinten digitalizálják az építőipari munkákat, hogy a dolgozóknak még a munkamenet betartásában is segítenek.

A Tel-Aviv székhelyű, brit-izraeli Buildots rendszere helyszíni kamerák kimenetét használva térképezi fel, szimulálja a folyamatban lévő munkát, és így az építésvezető távolról is állandóan figyelheti az ott történteket. A technológiával a legnagyobb európai építőipari cégekből kettő (egyik a brit Wates) már dolgozik is.

Az ügyfél az építkezés minden egyes feladatának elvégzéséhez a Buildots rendelkezésére bocsátja a terveket és tervrajzokat, köztük az ütemezést és a felhasznált eszközök, anyagok stb. listáját is. A „mesterséges intelligencia építészetnek” (AI architecture) új jelentést adó Buildots 360 fokos GoPro kamerákat szerel a munkások által használt fejvédő sisakok tetejére.

A cég a tervrajzok alapján „digitális ikerként” (digital twin) ismert részletes 3D utánzatot készít a kész épületről.

A dolgozók sisakján lévő összes kamera összes képét távoli szerverre töltik fel, ahol képfelismerő szoftver legalább 150 ezer objektumot azonosít és nyomon követ. A rendszer eldönti, hogy az objektumok ott vannak-e, ahol lenniük kell, és hogy „installálásuk” teljes-e, vagy sem. Ezt követően pontosan frissíti a digitális ikret.

Építésvezetők online műszerfalon figyelhetik a munkát. Ha valami nem az eltervezett tempóban halad, ha lemaradás van, a rendszer vagy e-mailben, vagy szöveges üzenet formájában figyelmeztet.

Az építőiparban nem a Buildots az egyetlen MI-startup.

A szintén tel-avivi Civdrone helycímkék drónokkal történő adott pontokra helyezésével gyorsítja fel a munkafelügyeletet. A Cambridge (Massachusetts) székhelyű Smartvid.io rendszere figyeli, hogy a dolgozók viselnek-e védőfelszerelést, és a koronavírus-járványhoz alkalmazkodva azt is, hogy betartják-e a társadalmi távolságot (social distancing). A haifai (Izrael) Intsite rendszerei a terhek kiegyensúlyozásával és a veszély észlelésével támogatják a nehézgép-kezelők munkáját.

A startupok és mesterséges intelligenciáik tevékenysége azért nagyon fontos, mivel a hibák jelentős késésekhez, és így a költségek növekedéséhez vezetnek, megelőzésükkel ugyanakkor rengeteg pénz, a globális GDP szintjén 1,6 trillió dollár spórolható meg.

Az amerikai boltokban már kapható, állati tejtermék-mentes NotMilk tejpótlót részben mélytanuló modellel dolgozták ki.

A Giuseppe nevű modellt az élelmiszer-technológiával (food-tech) foglalkozó chilei NotCo startup alakította ki. Az MI találja meg az állati eredetű kajákat utánzó növényi termékek kombinációját. Tejen kívül növényi majonéz, jégkrém és hamburgerek elkészítésében is segédkezett már.

A tejnél Giuseppébe táplálták a tehéntej molekuláris jellemzőit. A modell átfésülte a tej fizikai és vegyi tulajdonságait kombináló növényi összetevők adatbázisát. Egyes választásai mindenkit megleptek, a NotMilk ugyanis ananász- és káposztalevet, valamint cikóriagyökeret és kókuszt egyaránt tartalmaz.

Szakácsok megcsinálták a prototípusokat, amelyeket humán tesztelők ízük, a szájban keltett érzet és kinézetük alapján osztályoztak. Az adatbázist az osztályzatokkal bővítették, és Giuseppe tanulása folytatódott, a modellt így finomhangolták.

A NotMilket vitaminokkal és növényi fehérjékkel dúsították, hogy tápanyagértékben is felvegye a versenyt a tehéntejjel. A végterméket szintén tesztelték, sütés és párolás közben vizsgálták, hogy megfelelő módon reagál, vagy sem. Elégedettek voltak vele.

A NotCo mellett más vállalatok szintén a kulinária titkainak megfejtéséhez próbálják felhasználni a gépi tanulást.

A snackekben utazó Frito Lay a vegyi összetevők modellezésével javítja termékei aromáját. Az élelmiszer-összetevőkre specializálódott Ingredion szoftverrobotokkal gyűjti a textúrával kapcsolatos adatokat, amelyeket mérnökei a szájban keltett érzet modellezéséhez használnak fel. Többféle terméket vizsgálnak így. Az Analytical Flavor Systems fogyasztói preferenciák tanulmányozásához alkalmaz adatelemző modelleket. Különböző demográfiai csoportoknak egyaránt tetsző ízeket igyekeznek találni. Felfedezéseiket aztán élelmiszer- és italgyártó vállalatoknak adják el.

Mire jó mindez, miért fontos a tehén nélküli tej?

Állati eredetű élelmiszerekhez nagyságrendekkel több természetes erőforrást használnak el, mint növények növesztéséhez és feldolgozásához. Ha az MI segít a felmérések szerint a következő öt esztendőben évenként 14 százalékkal növekvő állatmentes élelmiszerpiac kialakulásában, jelentősen csökkenti a környezeti károkat.

A közvéleménykutatók, különösen egyes tagállamok, például Florida, Texas és Ohio esetében, 2016 után ismét nagyon melléfogtak az amerikai elnökválasztás eredményének előrejelzésével.

A prediktív modellezésen bőven akad finomítanivaló. Csakhogy a valószínűségalapú előrejelzések pontosan a bizonytalanságot hivatottak valahogy kezelni, ami gyakran nem sikerül nekik. Minél jobban megértjük a valószínűséget és modellezését, annál kevésbé lesz zavaró, ha az események kimenete eltér a közvéleménykutatások szerinti legvalószínűbbtől.

Az emberrel szemben, mesterséges intelligenciák valamivel pontosabban megmondták a jövendőt, Joe Biden győzelmének mértékét. Legalábbis egy MI.

Nem először, mert az Unanimous.AI 2017-ben pontosan prognosztizálta, hogy Donald Trump elfogadottsága 42 százalék lesz száz nap elnökség után. A KCore Analytics 2019-ben szintén sikeresen előrejelezte az argentin választások eredményét, míg az Advance Symbolics húsz korábbi választást jósolt meg helyesen.

Most is több, gépitanulás-alapú elemzésszolgáltató próbálkozott az amerikai elnökválasztással. Közösségimédia-posztokat vizsgáltak, azok alapján mutatták ki, hogy nagyobb csoportok hogyan viszonyulnak a jelöltekhez.

Az Expert.AI bizonyult a legpontosabbnak. 500 ezer bejegyzést elemezve megállapította, hogy Bident nagyobb valószínűséggel asszociálják a „remény” és a „siker” szavakhoz, míg Trump neve gyakran szerepelt a „félelem” és a „gyűlölet” mellett. A szavak érzelmi intenzitása és gyakorisága alapján a rendszer az országos szavazatok (popular vote) összesített számát illetően, Biden 2,9 százalékos diadalára számított. A mostani hétvégén 3,4 százalék a különbség.

A KCore befolyásos felhasználók, befolyásos hashtag-gel ellátott 1 milliárd tweetjét elemezte. Az adott user vagy hashtag népszerűségi szintjét mérve, igaz még júliusban, 8-9 százalékra tette a különbséget, és több csatatér-államban (battleground states) is melléfogott.

Az Advanced Symbolics nyilvános Facebook és Twitter adatokat vizsgálva, 288659 felhasználóból álló reprezentatív mintát generált az amerikai szavazókról. Azt vizsgálta, hogyan beszélnek egyes témákról, például a Covid-19-ről vagy a biztonságról a jelöltekkel kapcsolatban. Ők is mellélőttek: Bidennek 372 elektort jósoltak, míg a valóságban 306-ig jutott el (Trump 233-ig).

A hadsereg régóta csúcstechnológiai projektek inkubátora, rengeteg új megoldás először a katonaságnál kerül alkalmazásra, többek között az internet is onnan indult, és terjedt el a „civil” szférában. Robotika-, mesterséges intelligencia-, virtuális valóság- és hasonló projektek sokasága fut például a Pentagon égisze alatt.

Hadászat és high-tech jövője ezer és egy szállal kötődik egymáshoz; Nick Carter brit tábornok szerint 2030-ban 30 ezer robotkatona szolgálhat az Egyesült Királyság hadseregében.

Carter elmondta, hogy a hatékonyságot másként kell mérni, mint eddig, és a következő tíz évre pontosan ki kell dolgozni a koncepciót, hogy milyennek is képzeljük el 2030 hadseregét. Egy biztos: nagyon sok autonóm vagy távirányított gép lesz benne. Mintegy 120 ezer fővel számol, azaz nagyjából a negyedük lesz robot.

Ez persze csak becslés, a brit védelmi erők főparancsnoka nem írt elő számokat, a saját elképzeléseit mondta el. A robotikus hadviselésbe eleve komoly összegeket fektetnek, és az összegek egyre növekednek. Az automatizációt a kormány is támogatja.

Mivel hosszútávú beruházásokra van szükségük, Carter többéves katonai költségvetést szeretne, anélkül nem megy a modernizáció. Az országnak jelenleg 73870 kiképzett katonája van, és 82 ezer lenne az ideális. Fiatalok viszont egyre kevésbé választják a katonai pályát, és itt (is) jönnek képbe a robotok.

Több mostani projektben vizsgálják drónok, valamint távirányított ember nélküli szárazföldi és vízalatti járművek lehetőségeit. Egyeseket felfegyvereznek, mások viszont csak felderítő munkát végeznek.

A jelenlegi irányvonal, hogy csak emberek használhatnak fegyvert, ugyanakkor sokan tartanak a skrupulusok nélküli robot-hadviseléstől, ezért indították el az „Állítsuk meg a gyilkos robotokat” (Stop Killer Robots) kampányt. Például a távirányított hat rotoros i9drónt két puskával szerelték fel. Eleve városi hadviselésre, épületek hatástalanítására találták ki. De ki húzza meg a ravaszt? Adott esetben azért nyugtalanító a kérdés, mert pont a nagyvárosi harcok járnak a legtöbb áldozattal.

Carter elképzelhetőnek tartja, hogy az Egyesült Királyság az egyik helyi fegyveres konfliktus miatt valahogy súlyos háborúkba, hibás kalkulálás miatt elhúzódó harcokba keveredik.

A történelem nem ismételheti meg magát – figyelmeztet.

2020-ban, a koronavírus-járvány világában a távmunka és a rugalmas munkaidő az új valóság. Májusban az amerikai munkaerő 35,2 százaléka dolgozott otthonról, és hogy a szám még egyértelműbb legyen: a feladataikat bárhonnan elvégezni képes személyek 71,7 százalékáról van szó.

Az átállás azonban nem problémamentes. Sok kisvállalatnál általában a Google az alapja mindennek, és szerencsére vannak már jó mobileszköz-kezelő (mobile device management, MDM) szoftverek is.

Ennek ellenére pont a szoftverek jelentik az egyik problémát. Mennyire könnyű használni őket, amikor távmunkában dolgozunk? A számítási felhő sokat segít, mert a frissítések garantáltan folyamatosak, és a telepítés sem bonyolult.

A „hozd magaddal a saját készüléked” (bring-your-own-device, BYOD) működő gyakorlat, segít az IT-költségvetés racionalizálásában, az alkalmazottak gördülékenyebb munkavégzésében. Annál jobb, ha minél kevesebbre van szükség, mert képzeljük el, micsoda káosz alakulhat ki, ha a sok appot, titkosított adatot stb. ezer és egyféle laptopon, okostelefonon, tableten használják. Megbolondulunk, ha nem kapcsoljuk össze, nem integráljuk őket hatékonyan.

A konzisztencia alap – ne kelljen senkinek jelszavak után keresgélnie, e-mailfiókot konfigurálnia órákig, vagy létfontosságú appokat ideiglenesen nélkülöznie. Egy jó MDM szoftver ebben is hasznos, és ha megoldódott a felhőben való tárolás, géphibák stb. a távolból is könnyen orvosolhatók, és a feladatok persze másnak is kioszthatók.

MDM szoftverekkel a programfrissítésektől kezdve jelszavak biztonságossá tételéig, az elvesztett készülékekről történő adatmentésig, minden központosítható. Mondjuk, ha a virágkézbesítés a cég elsőszámú profilja, ilyen szintű integrációra nyilván nincs szükség. Azaz, pontosan kell tudnunk, mi nélkülözhetetlen, és a jövőben merre terjeszkedjünk.

Valószínűleg az összes alkalmazott iPhone-ján nincsenek üzleti titkok, viszont, ha a készüléket ellopják, a cég és ügyfelei titkok nélkül is bajba keveredhetnek, például sok kliens adatai kerülhetnek illetéktelen kezekbe. A jelszó cserélgetése, a készülék lezárása, a felesleges adatok eltávolítása, biztonsági szempontból mind nagyon fontos.

Mindez csak néhány lépés, viszont ezek után valószínűleg már nyugodtabb, folyamatosabb a távmunka.

Japánban köztudottan egyre több az idős személy, a társadalom elöregedik, és ezzel párhuzamosan a növekvő munkaerőhiány mellett a magányosok száma is emelkedik.

A magányon néha egy meleg kéz érintése is enyhít, csakhogy általában semmilyen kéz nincs a közelben, vagy – robotok esetében – nincs vagy másfajta a kapcsolatuk az illetővel.

A koronavírus-járvány fokozza az egyedüllétet, nő vele a szorongás, a bizonytalanság.

Ugyan csak a valóság illúzióját keltik, robotkezek mégis segíthetnek a magányosokon, és a Gifu Egyetemen a napokban jelentettek be rögtön kettőt – Osampo Kanojo, „a barátnőm séta közben” az egyik neve. A másiké „a barátom séta közben.” (A hölgyeknek szánt változat még nem készült el teljesen.)

Puhák és hajlíthatók, géllel vonták be őket, hogy inkább bőrnek érezzük, mint gépeknek. Amikor megszorítjuk, ők is visszaszorítanak, persze gyengéden, nem erőszakosan.

A motorizált eszközöket négy mérnök tervezte. Bevallottan arra a felhasználói élményre törekedtek, hogy úgy érezzük magunkat, mintha a barátnőnk vagy a barátunk kezét fognánk.

Könnyebb az ő kezét fogni, mint barátnőt találni – vallják (kissé pesszimistán, vagy jó üzleti érzékkel) a fejlesztők a férfi változatról.

Szerencsére hölgyekre és urakra egyaránt gondoltak. Egymáshoz nagyon hasonló két kezet alakítottak ki, annyi különbséggel, hogy más illatokat rejtettek beléjük.

Amikor ugyanis megfogják a kezünket, pórusaikon keresztül pórusainkba áramló folyadékot, például parfüm-, hajsampon-cseppeket engednek ki magukból. Belsejükbe ruhadarabot tettek, abból szivárog a folyadék. Akár azt is „szimulálhatjuk”, hogy izgul – ilyenkor a kezet például a fűtőtest fölé téve, melegebb folyadék jön ki belőle. Mintha valódi randin lennénk, és partnerünk egy kicsit lámpalázas lenne, mert a kezünkön érezzük az izzadtságcseppjeit.

A robotkézhez járó okostelefonos appal megidézhetjük a virtuális barát/barátnő ruhájának susogását, lépteinek zaját és más hangokat is.

Egyelőre csak alsókar, kézzel, kérdés, lesz-e folytatás. A cél mindenképpen dicséretes, ugyanakkor az utcán robotkézzel kéz a kézben sétáló férfiak és nők látványa azért elég abszurd.

Talán még Japánban is.

A mai infokommunikációs technológiákkal egyre könnyebb és olcsóbb hamis információt létrehozni és terjeszteni. Az interneten rengeteg kamuhírbe belefutunk, viszont a mesterségesintelligencia-technikák mind inkább segítenek a hamis tartalmak kiszűrésében.

Mivel a humán elemzők egyre nehezebben kezelik a folyamatosan ránk zúduló információ- és dezinformációáradatot, MI nélkül ma már kezelhetetlen a probléma.

A dezinformációt észlelő technikák nemcsak a nemzetbiztonságnak, hanem például a katasztrófavédelemnek, a közegészségügynek és általában a demokratikus folyamatoknak is komoly segítséget nyújtanak.

Az amerikai hadsereg (többek között) természetesnyelv-feldolgozó (natural language processing, NLP) technikákkal is igyekszik küzdeni az egyre súlyosabb méreteket öltő dezinformáció ellen.

A San Franciscói Primer startup a híreket, közösségi médiát, kutatásokat és beszámolókat propagandaszövegek kiszűrése céljából átnéző, a tervek szerint 2021 júniusában munkába álló rendszert fejleszt. A cég NLP modellekre, például több dokumentumot összegző megoldásokra specializálódott.

A dezinformáció-detektáló módosított XLNet nyelvi modellel csoportosítja cikkekben személyek, helyek, szervezetek stb. nevét. A modellt több nyelven megadott entitásokra jelölő neveket tartalmazó adatsoron gyakoroltatták, majd védelmi, pénzügyi, hírekből és tudományos dokumentumokból álló korpuszon finomhangolták.

Nem meglepő módon angolul, oroszul és kínaiul olvas.

A rendszer ismeretgráfon csoportosított neveket indexel, hogy aztán más, speciálisabb modellek elemezzék azokat. Ezt követően jönnek a humán elemzők, akik a modellek outputjában próbálnak mintázatokat találni.

„Nem igazságdetektoron dolgozunk. Olyan szenzortömböt építünk, amellyel az elemzőknek a mintákat nagyobb léptékben kell látniuk, mint amit az ember fel tud fogni” – jelentette ki John Bohannon, a Primer tudományos igazgatója.

Egy bemutatón a rendszer 3 ezernél több hírt elemzett az örmény-azeri konfliktusról. Megállapította, hogy orosz médiumok az azeriakat támogató Törökország, Moszkva egyik geopolitika riválisának a felelősségéről akarták meggyőzni a nyilvánosságot. A rendszer csak orosz oldalaknál tapasztalta, hogy ennyire érintettek az ellentétben.

Az utóbbi évek egyik legnyugtalanítóbb jelensége a tényeket tagadó, a valósággal köszönőviszonyban sem lévő, gyakran összeesküvés-elméleteken alapuló kamuhírek (fake news) gyors terjedése. A médiakorszak egyik tanulsága és egyben alapja, hogy a kép, különösen a mozgókép jóval hatékonyabb az írott szövegnél.

Kamuképeket régóta készítenek, a mostani technológia viszont egyre jobb minőséget garantál. Állóképek mellett bevett módszer filmekbe, videókba, reklámokba beilleszteni fejeket stb. Teljesen legális tevékenység, ugyanakkor a mesterségesintelligencia-megoldásokkal támogatott eljárás rossz célokra, megtévesztésre, félrevezetésre, személyek manipulálására is használható.

Az úgynevezett deepfake jelenség ezért okoz egyre több problémát. Érthető módon nő az igény az ezeket detektáló – általában szintén mesterségesintelligencia-alapú – technikák iránt.

Japán, szingapúri és kínai kutatók megállapították, hogy a valódi videókon látható fejek az azokon értelemszerűen nem látható folyamatos szívverés miatt különböztethetők meg a kamuvideóktól.

DeepRhythm nevű rendszerük a bőrfelületen a vérkeringés miatt keletkező változásokból indul ki. Ezek a változások mérhetők.

A mostani modellek nem veszik figyelembe a vérkeringés miatti módosulásokat, következményként a manipulált videók készítői szintén nem tudják figyelembe venni. Az újonnan fejlesztett rendszert viszont betanították rá, és így fel is ismeri a kamuvideókat.

A DeepRhythm két alrendszerből áll.

Az első a képkockákon és a vérkeringés hatására hangsúlyos területeken elkülöníti az arcokat. A szívritmus arcmozgásokra való hatásait vizsgáló korábbi kutatások eredményeit használták fel hozzá. Az arcszín apró változásainak pontosabb kimutatására a mozgásokat felnagyító két technikát dolgoztak ki. 

A másik alrendszer megvizsgálja őket, majd osztályozza a videókat. Az arcokat hálóra rendezi, aztán idegháló súlyozza a környezeti hatásokat, például az arcszín fény miatti változásait. Ezt követően két modell az egész hálón súlyozza a „hamisság-szintet.” Utána jöhet az osztályozás: kamu vagy igazi a videó?

A kaliforniai Stanford Egyetem kutatói az amerikai Nemzeti Tudományos Alappal és az USA Antarktika Programmal együttműködve, több drónos képalkotó rendszert állítottak munkába a legdélebbi kontinensen, az Egyesült Államokhoz tartozó McMurdo állomáson.

A drónok rendeltetése, hogy segítsenek az összesen 1 milliónál több állatból álló Adélie pingvinkolóniák megfigyelésében. A rendszer 2 négyzetkilométeres területen mintegy 300 ezer fészkelő párról, egy másikon pedig 3 ezerről generált részletes vizuális anyagot.

Korábban ezeken a helyszíneken több mint két napot időztek az ember által vezetett drónok. Most viszont mindkettővel két és félóra alatt végeztek.

A gyorsabb kivitelezés egy úttervező algoritmusnak köszönhető. Az algoritmus koordinálta a drónokat; hol kettőt, hol négyet, biztosította az eredményes lefedettséget, miközben korlátozta a visszaléptetést és a felesleges plusz-utazgatást.

A légből készült eddigi pingvin-megfigyeléseket általában helikopterről vagy drónról végezték, drónrajt még nem használtak hozzájuk.

Helikopterről nagyon jó minőségű képeket készítettek, a költségek viszont magasak voltak, sok üzemanyag fogyott el, és a madarakat is nagyobb eséllyel zavarták. Magányos drónokkal túl időigényes a megfigyelés, ráadásul biztonságos távolságból, a kolóniától legalább 5 kilométerről kell útnak indítani őket. A navigációjuk sem könnyű, és mindezek tetejébe elemeik élettartama is komoly probléma. Csupán 12-15 percig bírják, így gyakran kell oda- és visszarepülni, a töltőállomásra.

Mivel az Antarktiszon dolgoznak, az időjárási és légköri viszonyok sűrűn, sokszor egyik pillanatról a másikra változnak. A gyorsaság ezért is kitüntetetten fontos.

„Autonóm robotok alkotta csoportok tényleg hatékony segítséget jelenthetnek a világ kezelésében, megváltoztatásában, vagy a környezetünk korábban elképzelhetetlen léptékű átalakításában” – jelentette ki az algoritmus egyik fejlesztője, Marc Schwager, stanfordi kutató.