A társadalmi távolságtartás (social distancing) gépekkel történő megfigyelése a járványok jövőbeli kontrollálásának hatékony eszköze lehet, viszont könnyű vele visszaélni is.

A koronavírus terjedésével kutatóközösségek megfeszített erővel keresik a járvány feletti győzelemhez vezető megoldásokat. A világhírű mesterséges intelligencia- és gépitanulás-szakértő, az amerikai-kínai Andrew Ng cége, a Landing AI különleges fejlesztésről számolt be: eszközük valósidőben képes figyelni a távolságtartás betartását.

A detektáló eszközzel csökkenthető a Covid-19 terjedési sebessége, és a fejlesztők bizakodnak, hogy eredményeik megosztásával másokat is hasonló megoldások kidolgozására ösztönöznek. Egy ideig azonban várni kell, míg ezek a technológiák széles körben hozzáférhetővé válnak. A fejlesztés ugyanakkor előrevetíti, hogy az MI komoly szerepet fog játszani a jövő egészségügyében.

Az eszköz használata viszonylag egyszerű, három lépésből áll, mozgó emberek közötti távolságot mér. Először kalibrál, aztán detektál, végül mér.

A Landing AI leegyszerűsítette a kalibrálás komplex folyamatát. Lényegében kiválasztunk négy pontot, és négyszögként térképre tesszük őket. A rendszer nyílt forrású programokat használva, személyeket kezd detektálni, mindegyiket megjelöli, és a jeleket (kicsi dobozokat) követi.

Végül madártávlatból mozgás közben méri a dobozpárok közti távolságot. Ha két méternél kisebbet észlel, a dobozok vörös színre váltanak, megfelelő távolság esetén marad a zöld.

A rendszerbe nincs beépítve személyek felismerésére alkalmas technika – hangsúlyozzák a fejlesztők, azaz senki nem vonható felelősségre stb. A cég inkább a társadalmi távolságtartás egy adott helyen történő tanulmányozására gondol. Meg is jegyzik, hogy programjuk kizárólag transzparensen és az anyagokon látható személyeket teljesen anonimizálva használható.

Más hasonló eszközök azonban nem biztos, hogy ennyire anonimok lesznek. A Landing AI megoldása a közjót szolgálja, csakhogy legalább 9/11 óta tudjuk: ezek a technológiák kevésbé altruisztikus célokra szintén tökéletesek.

Például egy üzemben, a videót nézve, a vezetőség könnyen azonosítani tudja a „renitens” dolgozókat. Az Amazon hasonló szoftverrel követi alkalmazottait.

Ha a dolgozók tudnak is a technológiáról, hiába a transzparencia, keveset tehetnek ellene. Nem nehéz elképzelni, hogy túlzott használata a hatalommal való visszaéléshez vezethet.

A társadalmi távolságtartás (social distancing) a koronavírus-járvány elleni küzdelem egyik kulcsa. Az amerikai Smartvid.io építési helyszínekre összpontosító szolgáltatása gépi látással segíti az ott dolgozókat a távolságok betartásában.

A cég személyek egymáshoz való túlzott közelségét felismerő és a munkát felügyelő vezetőknek figyelmeztetést, beszámolót készítő-küldő eszközt kínál.

A rendszer azokban az esetekben figyelmezteti a munkafelügyelőt, ha az idegháló érzékeli, hogy valaki nem tartja be az amerikai munkabiztonsági és -egészségügyi hatóság által előírt távolságot. Desktop vagy mobileszközeiken annotált mozgóképfolyamot is megnézhetnek, illetve napi összegzést kapnak a távolságtartással kapcsolatos mérésekről.

A Smartvid.io gépilátás-platformjába integrálta a távolságfelismerést, amellyel jelentősen bővültek a lehetőségei. A rendszer korábban csak az „egyszerű” kockázatokat detektálta, például, ha valamelyik munkás túl közel került egy magasan elhelyezett állvány széléhez. Pocsolyákat, összevissza hányt halmokat, létrákat stb. szintén felismer.

Kontextuális összefüggéseket, azokhoz kapcsolódó fogódzókat is, amelyek segítségével azonosítja a személyekre kiszabott feladatot, illetve, hogy az illető annak megfelelően van-e felöltözve, visel-e biztonsági ruhadarabokat, például védősisakot és munkakesztyűt.

A cég arcmaszkkal bővíti repertoárját, amelyet a rendszer ugyanúgy hivatott lesz felismerni, mint az illető által viselt többi egészségvédő felszerelést.

Ezek a technológiák és szolgáltatások egyértelműen jelzik, hogy a mesterséges intelligenciák egyre fontosabb szerepet játszanak munkahelyek biztonságos működésében, biztonsági funkciók bővítésében.

Az Amazon például szintén gépi látással, raktáraiban akarja monitorozni a társadalmi távolságtartást. Az infokom óriáscég más vállalatoknak is segít a megfelelő mesterségesintelligencia-technológiák, például egy áprilisban bemutatott „látóeszköz” implementálásában.

E megoldások iránt azért nő az igény, mert a Covid-19 járványra reagálva, sok amerikai szövetségi állam teljesen leállította az építkezéseket. A biztonságos távolságtartást figyelő technológiák viszont a járvány alatt is rengeteget segítenek a távolságtartásban, és így a munkások folyamatosan dolgozhatnak, nem kell leállniuk.

A fejlesztőknek a személyiségi jogokra (privacy) különösen kell ügyelniük, valamint az MI-közösség ajánlásait sem árt figyelembe venniük, máskülönben hiányosak maradnak az információik, és nem tudják, hogy mely beépített technológiák lehetnek hasznosak, melyek nem.

A big data korában a legextrémebb adatok is elemzésre kerülnek, mert mindenből nyerhető ki hasznos információ.

A Stanford Egyetem radiológusa és biomérnöke, Seung-min Park által vezetett kutatócsoport egészen különleges rendszert fejlesztett. A Precíziós egészségtoalett hagyományos vécékagylóhoz kapcsolódó, az emberi salakanyagot folyamatosan figyelő, abban betegségek jeleit kutató szenzorcsomag. A felhasználókat először értelemszerűen hátsó testrészük alapján, összesen 35 „gyűrődést” figyelembe véve azonosítja.

Háromféleképpen elemez.

Amikor egy infravörös szenzor vizeletáramlást detektál, tesztelőcsík merül a folyadékba, majd újra megjelenik, és a látottakat kamera veszi fel. Az adatok továbbítóeszköz közvetítésével jutnak a számítási felhőbe, ahol gépilátás-modell két nagyon gyors kamera segítségével végzi az elemzést.

Ha a felhasználó az ülőkére ül, egy érzékelő LED-et aktivál, amely megvilágítja a csésze belsejét, majd utasítást ad a csatornafigyelő kamerának, hogy elkezdheti a felvételt. Amikor a felhasználó a művelet végéhez ért, a kamera a felhőben lévő szerverre küldi az anyagot. Speciális idegháló a képkockákból kiválogatja a lényeget, amelyet egy másik idegháló elemez, és a salakot hét lehetséges kategória egyikébe besorolja.

A rendszer a felhasználót nemcsak hátsó fele, hanem ujjlenyomata alapján is azonosítja. Az azonosítást a lehúzóra szerelt érzékelő végzi.

A laboratóriumi tesztek nagyon jól sikerültek. A figyelőrendszer egyelőre csak prototípus, még nem kész arra, hogy klinikai diagnosztikában vagy betegségek megfigyelésében segítsen orvosokat.

Fejlesztői bizakodnak, hogy hamarosan kereskedelmi termék lehet belőle, amihez egyrészt szoftverfrissítések, másrészt az érzékelőkhöz megfelelő öntisztító mechanizmusok kellenek.

Ha sikerrel járnak, egységenként 300 és 600 dollár közötti árra számíthatunk.

A stanfordiak nem az elsők. Mesterséges intelligenciával vezérelt biomedikális toalettet először a Toto japán vécégyártó fejlesztett. A Flow Sky a csésze vízszintje alapján elemzi a vizeletet.

Az Európai Űrügynökség (ESA) fertőző betegségek detektálására képes vécén dolgozik.

Ezek a kutatásfejlesztések azért nagyon fontosak, mert az emberi salakban cukorbetegségre, anyagcsere-rendellenességekre, egyes ráktípusokra utaló biomarkerek találhatók. Az új rendszerek sok betegségforrás, köztük például a prosztata állapotáról szintén szolgáltatnak adatokat. Összességében többtucatnyi betegség kockázati tényezőit figyelik folyamatosan.

A szó szoros értelmében felmelegszenek a kvantumszámítások.

Kánikulára azonban ne gondoljunk, egyszerűen az történt, hogy első alkalommal sikerült kvantumszámítógép chipet -272 Celsius-fok, azaz 1 kelvin felett működtetni. Emberi léptékkel ez még mindig dermesztően hideg, kvantumléptékkel viszont óriási haladás.

A kvantumbitekből (qubitekből) álló kvantumkomputerek többféleképpen építhetők fel. A tudományos élet figyelmét felkeltő egyik módszerhez szilikon chipen lévő elektronokat használnak.

Ezek a rendszerek csak szélsőségesen alacsony hőmérsékleten, -273,05 Celsius-fok vagyis 100 millikelvin alatt funkcionálnak, ezért a qubiteket nagyon masszív hűtőszekrényekben kell tárolni.

A kvantumbiteket árammal ellátó elektronika viszont nem működik ilyen hidegben, plusz a qubiteket megzavaró hőt is bocsát ki, ezért általában a jégszekrényen kívül tárolják. Minden egyes qubit vezetéken kapcsolódik az elektronikus kontrollerhez.

„Hasznos kvantumszámításokhoz kb. egymillió qubit kell, és a nyerserő-megoldás, a qubitenkénti egy vezeték ilyen nagy mennyiség esetében nem működik. Kettőnél igen, milliónál nem” – nyilatkozta a holland QuTech kutatóközpontban (Delfti Egyetem) dolgozó Menno Veldhorst.

Veldhorst és munkatársai az ausztrál Új Dél-Wales Egyetem szakembereivel dolgoznak együtt, és bemutatták, hogy a qubitek magasabb hőmérsékleten is működtethetők.

Az ausztrál csoport azt demonstrálta, hogy 1,5 kelvinig képesek két qubit állapotát irányítani. Veldhorst csapata 1,1 kelvinen logikai kapuként használt két kvantumbitet. A logikai kapu a komplexebb számításokhoz vezető alapműveleteket végzi el.

Tudva, hogy a qubitek magasabb hőmérsékleten is működnek, a következő lépés az elektronika chipekre integrálása lesz.

„Remélem, hogy utána meg lesz az áramkör, és nem lesz nehéz gyakorlati alkalmazásokhoz méretezni” – magyarázza Veldhorst.

A kvantumáramkörök több szempontból hasonlítani fognak a hagyományos komputerek áramköreihez. Ez azt jelenti, hogy más kvantumgépekkel összehasonlítva, viszonylag könnyen lesznek skálázhatók.

A So Quoc Le, a Google egyik számítástudományi szakembere és kollégái által létrehozott AutoML-Zero szoftver gyakorlatilag emberi beavatkozás nélkül, matematikai fogalmakat használva képes mesterségesintelligencia-programokat fejleszteni.

„Végső célunk olyan gépitanulás-megoldások kidolgozása, amelyeket még az ezzel foglalkozó kutatók sem találnak ki” – magyarázza Le.

A szoftver a darwini evolúciót, például a „legalkalmasabb túlélése” elvet alkalmazva, humán input nélkül építi a generációról generációra javuló MI-programokat. A programok napok alatt reprodukálják többévtizedes kutatói munka eredményeit. A fejlesztők szerint előbb-utóbb új MI-megközelítésekre jöhet rá.

„Csecsemőlépések helyett hatalmas ugrás az ismeretlenbe. Innen indulhatnak a jövő kutatásai” – jelentette ki a Texasi Egyetemen (Austin) dolgozó Risto Mikkulainen.

Egy MI-algoritmus felépítése sok idő, ideghálók kisebb neuron aláramkörei speciális feladatokra, például közlekedési jelek felismerésére taníthatók be. A gördülékeny munkát garantáló pontos összekapcsolásuk viszont hónapokig tarthat.

Az utóbbi években egyes lépéseket ugyan automatizáltak, de a megvalósításhoz kész áramköröket kell összekötni. Ezeket az áramköröket emberek dolgozták ki, így az outputot a mérnökök korlátolt elképzelései hátráltathatják.

Az evolúció alkalmazása 100 versengő algoritmusból álló populáció kialakításával kezdődik, amelyeket random kombinálnak össze matematikai műveletekkel, majd egyszerű feladatokon, például képfelismerésen (macskát vagy teherautót látunk?) tesztelik őket.

A program ciklusonként összehasonlítja a saját maga által fejlesztett és a kézileg tervezett algoritmusok teljesítményét. Lemásolja, véletlenszerűen mutálja a legjobbakat, a kód egyes részeit pedig törli. Így jönnek létre a legjobbak újabb változatai. A populáció a „gyerekekkel” gyarapodik, öregebbeket pedig kiselejteznek, aztán folytatódik az egész.

A rendszer egyszerre többezer ilyen populációt generál, és folyamat (mint a genetikus algoritmusoknál), holtvágányokat elkerülve, rengeteg iterációval jut e a végkifejletig. De hogy mi lesz a kutatás pontos végkifejlete, egyelőre nem tudjuk.

Az Alzheimer-kór köztudottan emlékezési, gondolkodási és viselkedési problémákat okozó agyi megbetegedés. Az utóbbi néhány évtizedben kutatók különféle idegkép-adatok mintázatait (pozitron kibocsátású topográfia – PET, mágneses rezonanciás képalkotás – MRI) használva igyekeztek előrejelezni a sok idős személy életét megkeserítő megbetegedést.

A legtöbb eddigi kutatás azonban komoly hiányosságot mutatott, mert egyetlen időpontra összpontosítottak, nem vették figyelembe az MRI/PET pontok és a klinikai eredmények több időpontbeli kapcsolatait. Lényegében szűk keresztmetszetet adtak.

Kínai kutatók a gépi tanulást és mélytanulási (deep learning) keretet összekombinálva igyekeznek pontosabb klinikai eredményeket prognosztizálni. Nem vetik el teljesen a korábbiakat, hanem lényegében felcserélik az idegi képek és a klinikai eredmények kapcsolatát.

A keret részeként speciális szempontok alapján dolgoztak ki előrejelzési eljárásokat. Az eljárásokat két forgatókönyvben, két adatsor-fajtára alkalmazták, így igyekeztek klinikai adatsorokat prognosztizálni, amelyekhez az Alzheimer-kór Idegképalkotó Iniciatíva (ADNI) adatbázisát használták.

A kombinációkkal jelentősen javultak az eredmények, sokkal pontosabb lett az előrejelzés, az Alzheimer-kórra utaló biomarkereket fedeztek fel.

A különféle régebbi módszerek és az új összehasonlításából egyértelműen kiderült: a legjobb eredmények az újjal érhetők el. Sokkal komplexebb, kevésbé statikus ez a megközelítés.

„Technikánk egyik előnye, hogy az előző időpontok adatsorát használva próbáltuk megkapni a következő időpont prognosztizált eredményeit. Ezzel a módszerrel pontosabbak lehetnek a prognózisok” – magyarázza Wang Shuqiang, az egyik kutató.

Shuqiang megjegyezte, hogy több releváns részletet, az illető nemét, iskolai végzettségét, fiziológiáját ezúttal nem vették figyelembe. A módszert a jövőben természetesen javítani szeretnék, és már dolgoznak is rajta.

A magunkon viselhető (wearable) technológiák áttörésével, a mélytanulásnak (deep learning) köszönhetően, orvosok egyre pontosabban ki tudják deríteni, hogy mi a bajunk.

Az aritmia, a szívritmuszavar több ok miatt okozhat szívrohamot vagy stroke-ot. Ha viszont az orvos időben észleli a problémát, megelőzhető a tragikus kifejletet.

Az iRhythm elektródákkal felszerelt kicsi dobozméretű, magunkon viselhető Zio AT-je, egy elektrokardiogram monitor például folyamatosan figyeli szívverésünket, és a mérési adatokat ideghálónak továbbítja elemzésre. A szívverést az elektródák mérik, az adatokat külön „továbbító” (transmitter) juttatja el rendeltetési helyükre.

A rendszer akár két hét adatait is összegyűjtheti. Ha a páciens úgy érzi, hogy a szíve összevissza kezd verni, a monitoron megnyomhat egy gombot, és azonnal 90 másodperces anyagot küldhet a központba.

Az elemzést végző idegháló 53 ezer Zio-felhasználó adatain tanult. 12 különböző mintázatot osztályoz: tíz aritmiás, egy normális és egy másfajta zajok miatt torzított szívverést.

Ezt követően technikusok ellenőrzik az idegháló elemzését, majd a páciens elektronikus egészségügyi lapjára posztolják, amelyet aztán orvos néz át.

Az Egyesült Államok Élelmiszerbiztonsági és Gyógyszerészeti Hivatala (FDA) 2018-ban engedélyezte, a ma már kereskedelmi forgalomban kapható technológiát. A cég azóta a Verify-jal és az Apple-vel is partneri viszonyra lépett, újabb termékeket fejlesztenek együtt.

Egy 2019-es elemzés orvosok és MI-k munkáját összehasonlító 14 tanulmányt tekintett át, és kiderült, hogy a mélytanulás-modellek az orvosi képeken látható betegségre utaló jelek diagnosztizálásában majdnem olyan jók, mint a húsvér szakemberek. Nem képeken alapuló MI-diagnózisokról viszont nincs megfelelő összehasonlító elemzés.

Az a tény, hogy az Apple az aritmia-diagnosztikát okosórájába integrálta, a terület fejlődését, „érett korba” lépését jelzi.

Az aritmia elég sporadikus, észleléséhez többnapnyi adat kell. Hosszú ideig tartó megfigyelési eredményeket mesterséges intelligenciával dolgozó orvosok tudnak leghatékonyabban használni. Így képesek időben cselekedni, pontos munkát végezni, amellyel életeket mentenek meg.

A medicina új korszakának kezdeténél tartunk. Személyekről egész életük alatt folyamatosan gyűjthetünk részletes adatokat. Mélytanulással (deep learning) háttérinfókat, orvosi beavatkozásokat és kimeneteket kapcsolhatunk össze, így találhatjuk meg az optimális orvosi megoldást. Idővel globális szinten is ugyanez történhet, mindenki egyedi biológiai karakterjegyei és az aktuális körülmények alapján részesülhet személyre szabott kezelésben, egészségügyi szolgáltatásokban.

A mesterséges intelligencia a diagnosztikától kezdve az előrejelzésekig, betegségek kezelésétől egészségügyi adatok kivonatolásáig, átalakítja az egész területet.

Eric Topol, a dél-kaliforniai Scripps Kutatóintézet kardiológusa és genetikusa az MI orvostudományi alkalmazásának egyik legismertebb szószólója, a Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again (Mély medicina: hogyan teheti a mesterséges intelligencia megint emberivé az egészségügyet?) kötet szerzője szerint jelenleg viszonylag kevesen fejlesztenek és hitelesítenek személyek egészségügyi állapotát otthon monitorozó algoritmusokat, pedig a Covid-19 miatt most nagy szükség lenne rájuk. Sokat segítene a járvány megfékezésében, ha például szoftveresen meg tudnánk állapítani, hogy kinek elég otthon maradnia, kinek kell kórházba mennie.

MI-k „adattudós” feladatok alól menthetnék fel az orvosokat, akiknek rendelés közben nem kellene a monitort nézni, hogy lássák a páciens kórtörténetét, mert a program megtenné helyettük, és az új infókat is bevinné. Személyesebbé tenné az orvos-beteg viszonyt.

Orvosi képek gépi elemzésével szép sikerek érhetők el, viszont sokan munkájukat érzik veszélyeztetve vele. Másrészt, egyes cégek saját algoritmusokkal dolgoznak, adataikat nem teszik nyilvánossá, nincs transzparencia. A hatósági engedélyeket korábbi munkáik alapján kapják meg, míg a hatóságok csak a régi adataikkal dolgozhatnak, pedig aktuális betegekkel aktuális klinikai keretek között frissen rögzített adatokkal, adatsorokkal kellene.

Az egész bolygóra kiterjedő egészségügyi rendszerre lenne szükségünk, mindenkiről többszintes adatokkal, amelyekből mindenki más tanulhatna. MI-k garantálnák az egész működését – vonja le a következtetést Topol, majd felhívja a figyelmet a lokális algoritmusok magánadatok védelmében játszott szerepére, az „etikus” MI-használatra, a programok folyamatos ellenőrzésére.

Az MIT (Massachusetts Institute of Technology) 2017-ben indított Álomlaborjának egyik kutatócsoportja álmainkkal többféleképpen interakcióba lépő, magunkon viselhető (wearable), nyílt forrású készüléket fejleszt. A kütyüvel talán ellenőrzésünk alatt is tarthatjuk az álmok tartalmát.

A kutatók be akarják bizonyítani, hogy az álmok nem zagyvaságok, hanem meghackelhetők, kibővíthetők, befolyásolhatók, de csak úgy, legalábbis remélhetőleg, csak úgy, hogy mindez a hasznunkra válik.

A Dormio (latinul alszik) nevű, szenzorokkal felszerelt kesztyűszerű eszköz viselője alvási állapotát detektálja. Amikor a tudatosság és a tudatalatti, az ébrenlét és az alvás közötti szakaszban (hipnagógia) leledzünk, előre rögzített, általában egy szóból álló hang-fogódzót játszik le.

Az ebben az állapotban megjelenő képek, hallucinációk a tudatosság pont erre a szakaszra jellemző megnyilvánulásai, nincsenek benne rendellenességek. A hipnagógia azonban személyenként változik. Egyesek felébrednek belőle, erős hang és képi látomásokkal. Mások különféle személyekkel létesítenek közben interakciót.

Az Álomlabor 50 fős kísérletben megvalósította, hogy egy tigrist tegyenek be az alanyok álmába. A kesztyű a „tigris” szót játszotta le nekik.

A Dormio az álom nyomon követését demokratizálhatja. Lépésről lépésre posztoltak online utasításokat, míg a biojelzéseket követő, Githubon hozzáférhető szoftver lehetővé teszi, hogy elméletben bárki elkészíthesse saját Dormio kesztyűjét.

A kutatók egy, audió helyett szagokon alapuló, hasonló eszközt is fejlesztettek. Míg a felhasználó az alvás regeneráló, az emlékezetet megerősítő szakaszánál tartott, előre kidolgozott illatot eresztettek a készülékbe. Az emlékezést akarták hatékonyabbá tenni vele.

Ezzel is az álmaink feletti kontrollt, befolyásolásukat célozták meg.

2019-ben az Álomlabor az éber álmodásról tartott workshopot. Ebben az állapotban tudatosítjuk magunkban, hogy álmodás közben álmodunk, és megpróbálhatunk repülni, énekelni, vagy bensőséges kapcsolatot létesíteni valakivel. Tore Nielsen, a Montreali Egyetem kutatója szerint „jobb, mint a virtuális valóság.”

Az éber álmok és a kapcsolódó agytevékenységek, tudatállapotok kutatása gyerekcipőben jár, becslések szerint az emberiség mindössze 1 százaléka képes rendszeresen belépni ebbe az állapotba.

Egyes kutatók szerint ebben az állapotban sokkal jobban megismerhetjük tudatalattinkat, mintha előre rögzített hangokkal és szagokkal próbálkozunk.

A 2014-ben két Skype-társalapító (Ahti Heinla és Janus Friis) által megalakított Starship Technologies különleges robotokat fejleszt, és a cég az arizonai Tempe városában nemrég indította el élelmiszerek autonóm gépekkel (robotokkal) történő házhozszállítását.

A vállalat a koronavírus járvány okozta állapotokra reagált. Emberek milliárdjai tartózkodnak most otthon, és az egyik következmény, hogy exponenciálisan nő az efféle szolgáltatások iránti igény.

„Az utóbbi hetekben drasztikusan nőtt a személyes érintkezés nélküli kiszállítás iránti kereslet” – jelentette ki a vállalat üzletfejlesztési részlegét vezető Ryan Tuchy.

Az éttermeknek és az élelmiszerboltoknak egyelőre a szállításhoz is nagy szükségük van emberi munkaerőre, csakhogy ez a munkakör, különösen megfelelő védőöltözet hiányában, a járvány terjedésével egyre veszélyesebbé válik.

A Starship hatkerekű robotjait viszont nem fertőzi meg a gyilkos vírus. A hűtőtáska méretű gépek ráadásul két kiszállítás között is könnyen tisztíthatók és fertőtleníthetők.

Az egyik phoenixi (Arizona szövetségi állam fővárosa) pizzázó a Starship robotokat kívülről és belülről is letisztítja, fertőtleníti, majd az ételt a gépek belsejébe helyezik. Ezt követően a robot elviszi a 800 méteres távolságon belüli megrendelőhöz.

Veszi a kanyarokat, és rossz időben, havazás és más mostoha körülmények között is munkaképes. A humán irányító bármikor ellenőrizheti, és ha a robot eltéved, távirányítással megváltoztathatja az irányt.

„Egy robotot sokkal könnyebb fertőtleníteni, és kisebb méretű tárgyakat probléma nélkül elszállítanak. Útközben senkivel nem folytatnak interakciókat, senkihez nem beszélnek” – jelentette ki az éttermet vezető Renny Mitchell.

A szolgáltatás népszerűnek tűnik, és ennek következményeként, ügyfélkörüket 2021nyár végéig több mint 100 egyetemmel kívánják bővíteni.

Tempe és Phoenix mellett máshol, például Washington DC-ben és a kaliforniai Irvine-ben is házhoz szállítanak.