Mi történik, ha mesterséges intelligencia tervez számítógépes chipeket? Például csökkennek a fejlesztési költségek, ami komoly, robbanásszerű változásokat hozhat a computer-gyártásban, különösen az adatok speciális feldolgozását igénylő területeken. 

A Google ezen az úton jár, mérnökei megerősítéses tanulással (Reinforcement Learning, RL) rendezték el a tenzorfeldolgozó egységük (TPU) legújabb változatának alapját jelentő többmilliárd tranzisztort. A TPU-chipeket komoly számításokat végző ideghálókra optimalizálják.

A Google 2015-ben mutatta be az első TPU-t, ma ezek a – fejlesztők számára a nagyvállalat számítási felhőjében (Google Cloud) elérhető – chipek működtetik az olyan szolgáltatásokat, mint például a keresés vagy a fordítás.

A tanulórendszer nagyon jól teljesített, a tervet hat óra alatt készítette el. Összehasonlításként: az eddigi módszerekkel ugyanez hetekig eltarthatott volna.

A chiptervezés olyan, mint egy társasjáték. A szilíciumréteg a táblára emlékeztet, a paraméterek, mint például a makrók száma vagy a topológiák a játék különféle elemeihez, míg a kiértékelési mutatók a győzelmi feltételekhez hasonlítanak. A megerősítéses tanulás kifejezetten jól működik ilyen feltételek mellett.

A kutatók tízezer chipből álló adatsorokon 48 óráig gyakoroltattak egy ideghálót. A háló a chipekről átalakítható reprezentációkat generált. Míg az előzetes gyakorlás felügyelet mellett ment, egyes fontos részei megerősítéses tanulással történtek. A bemenet egy adott tervrajzhoz kapcsolódott, az MI „jutalmat” kapott a torlódások és a vezetékhossz csökkentéséért. A rendszer hat óra alatt kivitelezte a finomhangolást.

A Google mérnökei meglévő TPU-t tervező személyek alkotta csapat munkájával hasonlították össze a mesterséges intelligencia által generált outputot, és a drasztikus időbeli különbség mellett az is kiderült, hogy a vezetékhossz és a fogyasztás szempontjából az MI legalább olyan jól, de általában jobban teljesített, mint a mérnökök.

Hosszú évek óta sokan próbálkoznak az internet vizualizálásával, térképes megjelenítésével. Az online közeget gyakran hívják a geográfia képzetét keltő cybertérnek, viszont nagyon nem evidens, hogy milyen legyen a térkép. Álljon csövek sorozatából, vagy az online szférát meghatározó mamutcégeken legyen a hangsúly? Mindkettőre voltak már kísérletek.

Martin Vargic, 23 éves pozsonyi autodidakta grafikus szerint egyik sem jó, számára inkább egy 18. századi térkép, annyi különbséggel, hogy országok és városok helyett a világ kb. háromezer legnagyobb forgalmú honlapja szerepel a kartográfia aranykorát idéző anyagban.

A hasonló oldalakat kontinensekbe és régiókba csoportosította. Az éves mérések alapján a Google a legnagyobb, a YouTube a második, és így tovább. Vargic közel ezer órát dolgozott a térképen, végül többtucat különböző kontinensig és régióig jutott el.

Olyan kategóriákat használt, mint például híroldalak, keresőmotorok, közösségi hálózatok, e-kereskedelem, felnőtt szórakozás. A kategóriák alkategóriákra bontásakor több mint tízezer várost állapított meg, de még a hegyek, tengerek, dombok és völgyek is honlapok tulajdonságaihoz társíthatók. Nagyobb oldalakhoz többszáz alkategória-címke kerül.

A tizenegy éves kora óta kartográfiával foglalkozó Vargic öt évezred irodalmát, egy esetleges atomháború hatásait, rajzfilmeket, összességében, sok témát térképesített már, könyvei is jelentek meg róluk.

Egy térkép különlegessége, hogy pillanatfelvétel. A történelem folyamán a határok gyakran változtak, és hiába tűnik egy-egy térkép állandónak, előbb-utóbb elveszíti aktualitását. Az internetre ez hatványozottan igaz, csak a határok nem háborúkkal, hanem gazdasági tevékenységekkel módosulnak.

Vargic első internet-térképét 2013-ban kezdte, 2014-ben fejezte be, és folyamatosan figyeli a világháló fejlődését. A MySpace, a Geocities, az Orkout és más egykor népszerű oldalak felemelkedése és bukása kimaradt neki, de azóta semmi. Ugyanakkor lehetetlen számon tartani például az összes YouTube videót vagy tweetet – emlékeztet, tehát 2021-es adatokon alapuló térkép egyes részletei is elavultak, néhány év múlva pedig az egész válik kövületté. Tíz éve hol volt még a TikTok vagy a Zoom?

2014 óta megnőtt a nem angol nyelvű oldalak száma és népszerűsége, az ötven leglátogatottabb harmada kínai, és a forgalom tekintetében a QQ, a Baidu, a Tmall és a Sohu túlszárnyalja az Amazont, a Yahoo-t, sőt, magát a Facebookot is. Folyamatosan emelkedik az indonéz, iráni, brazil stb. honlapok száma is.

Vargic igyekezett megjeleníteni ezt a váltást, és azt javasolja, hogy térképére inkább történeti relikviaként, és ne kalauzként tekintsünk.

Hozzászoktunk, hogy filmektől zenékig, vásárlástól hírekig, online algoritmusok megpróbálják kitalálni a preferenciáinkat. Nemcsak abból indulnak ki, hogy mire kerestünk rá, mit olvastunk, hallgattunk, hanem e tevékenységek más tevékenységeinkhez való kapcsolatát is elemzik.

A technológia, az együttműködéses szűrés (collaborative filtering) viselkedésünk rejtett mintázatait és mások viselkedését vizsgálva, jelzi előre, hogy mi iránt érdeklődhetünk, mi tetszhet.

De mi történik akkor, ha az algoritmusok viselkedésünk helyett az agyunkból jövő válaszokkal dolgoznak? Az ötlet sci-finek hangzik, a Koppenhágai és a Helsinkii Egyetem számítás- és idegtudományi szakemberei azonban bemutatták, hogy az agyalapú együttműködéses szűrés működik. Az adott személy agyi reakcióinak mintázatait másokéval összekapcsoló algoritmus előrejelezte, hogy az illető vonzódni fog-e egy korábban soha nem látott archoz, vagy sem.

Az új agy-számítógép interfészt az agy idegtevékenységén gyakoroltatták, és az alapján végzi előrejelzésit. A kutatók szerint elég szofisztikált ahhoz, hogy pontos legyen.

Az idegi mintázatokat más résztvevők adataihoz kapcsolva, az algoritmus tényleg jól működik, viszont kétélű fegyver lehet: egyrészt hasznos idegtudományi eszköz, másrészt az agytevékenységünkön alapuló személyre szabott hirdetések lidérces világát is előrevetíti.

A kutatók elmondták, hogy fejlesztésük Netflix-szerű ajánlólistákat, célzott hirdetéseket generálhat. Egyelőre nem eldöntött, hogy csak arcokra érvényes, mert elképzelhető, hogy túl a személyes vonzódásokon, a preferenciák általános idegtani kifejeződésével kapcsolatban is felfedeztek valamit. Pontosan ezért lesz majd lehetséges a technológia segítségével filmeket, könyveket, zenéket stb. is ajánlani.

Az algoritmus elménkben olvas, és preferenciáinkat autentikusabban mutatja meg, mint ahogy egy felmérésből, interjúból kiderülnek – állítják a fejlesztők. Egy felmérés során taktikázunk, előítéleteink vannak, részrehajlók vagyunk, a gép viszont puszta adatokkal dolgozik.

Számítástudományi szakemberek évtizedek óta mindenféle bonyolult mechanizmust és technológiát terveznek, fejlesztenek, amelyekkel az általános, azaz az emberével azonos szintű mesterséges intelligenciát próbálják megvalósítani. Az intelligens élethez társítható jelenségeket, például a látást, a nyelvet, érvelést és következtetést, motorikus képességeket stb. igyekeznek gépekbe másolni.

Az így létrejött MI-rendszerek korlátozott környezetben hatékonyan oldanak meg speciális feladatokat, viszont az állatokra és az emberre jellemző általános intelligenciától egyelőre még elég távol vannak.

A Google-hoz tartozó és a szakterületi fejlesztések egyik zászlóshajójának számító londoni DeepMind kutatói szerint az intelligencia és hozzá társított képességek nem bonyolult feladatok megformálásával és megoldásával, hanem a jutalommaximalizálás egyszerű, de hatékony elvéből alakulnak ki.

A természet így, és nem komplex organizmusok felülről lefelé (top-down) történő tervezésével működik. A természetes kiválasztódással és a véletlenszerű változatokkal az evolúció évmilliárdjai során fejlődtek ki a túlélésre és szaporodásra alkalmas életformák. A környezet viszonyait és kihívásait jobban kezelők sikeresnek bizonyultak, a többiek elpusztultak.

A gépi értelemnek is ilyen közegekben kellene túlélnie. A jutalom maximalizálásával mért sikerhez az intelligenciához társítható kifinomult képességek kellenek, a maximalizálás célja magában foglalja az intelligencia sok, vagy akár összes célját – állítják a kutatók.

A fejlesztői körökben gyakran túlhájpolt megerősítéses tanulás közben az algoritmus az előre programozott jutalmat keresve, sajátítja el a feladat megoldási módját, és pontosan ezért, ez a technika számolhatja fel a speciális és az általános MI közötti határokat. Nem kell hozzá új technológia, könnyen elképzelhető, hogy máris minden adott, mindent kifejlesztettek hozzá.

A DeepMind azokhoz a kisebbségben lévő szakemberekhez csatlakozott, akik vitatják a többségi véleményt, mely szerint nincsenek még meg az általános MI technikai feltételei, technológiai innovációk sora kell hozzá. Ha a jutalomra összpontosító magatartás a természetes evolúcióban „bizonyított” már, miért lenne másként a mesterségesben? – érvelnek.

Érveik több feltételezésen alapulnak, például hogy a próba-hiba (trial-and-error) módszerrel működő megerősítéses tanulás algoritmusok valamilyen hardverarchitektúrában képesek „valódi” intelligenciává válni. Vitatható, de nagyon érdekes álláspont.

Három amerikai cég automatizált körömlakkozó eszközöket gyárt. A robotikát és a gépi látást kombináló rendszerek egyre népszerűbbek a szépségiparban, az ő technológiáik egy markáns trend legújabb lépései: mesterségesintelligencia-technikák kezdik meghódítani a területet.

A nemrég San Franciscói kirakattal bemutatkozott Clockwork hivatalokban és boltokban akarja telepíteni a gépeit, a Nimble és a Coral pedig kifejezetten az otthoni felhasználókat célozza meg. Mindhárom vállalat gőzerővel dolgozik a termékein, a hivatalos indulás előtt ezt-azt átalakítanak még rajtuk.

De milyenek, és hogyan működnek ezek a gépek?

A felhasználó kiválaszt egy színt, kezét vagy az egyik ujját a kenyérpirító-méretű gép nyílásába dugja. A rendszer leszkenneli az ujjhegyeket, és az automatizált festékadagoló, egyes esetekben, ecsetben végződő mechanikus kar befesti a körmöket.

Ezek a rendszerek kezdik helyettesíteni a mesterséges intelligenciát, gépi tanulást egyáltalán nem használó, korábbi körömfestő gépeket.

A három startup mellett természetesen a szépségipar más, nevesebb szereplői is alkalmazzák az új technológiákat.

A L’Oréal és az Estéé Lauder például arcfelismerés segítségével dönt az adott személy bőrtónusához legjobban passzoló színkombinációról. A felhasználók arcképet töltenek fel magukról a cégek által jelzett oldalakon, és az MI munkába áll.

A Neutrogena Skin360 rendszere az ügyfél arcát vizsgálva ad neki egyedi bőrápolási tanácsokat. Biztos sokan emlékezünk még a néhány éve berobbant, szelfijeinket automatikusan megszépítő Meitu appra is…

A Clockwork, a Nimble és a Coral gépei azért is ígéretesek, mert az amerikaiak 2020-ban 8,3 milliárd dollárt költöttek körömápolásra, azaz komoly igény van rá. Az automatizált rendszerek egyrészt gyorsabbak, mint az ember, másrészt, ha valaki a járvány miatt, de akár utána is igyekszik tartani a társadalmi távolságot, nem kell manikűröshöz járnia. Ugyanakkor azt se felejtsük el, hogy egyik-másik rendszer tényleg elveheti eleve alacsony fizetésű személyek munkáját.

A négy meg nem nevezett amerikai nagyvállalatnak dolgozó izraeli Datagen és más cégek többezer szimulált embert, digitális kamulényt készítettek már. Egyikük sem játék-avatár, nem animált karakter filmekben.

Ezekkel a szintetikus adatokkal fejlesztőik a gépitanulás-algoritmusok megnőtt étvágyát akarják kielégíteni, valós adatok gyűjtésének idő- és pénzigényes folyamatát igyekeznek kiváltani velük, de legalábbis olcsóbb alternatívát kínálnak.

A legnagyobb vetélytárs, a San Francisco székhelyű Synthesis AI szintén kívánság szerinti (on-demand) digitális embereket ajánl az ügyfeleknek. Az iparág fellendülőben van, egyre több vállalat generál változatos területeken (média, autóipar, pénzügyek, biztosítás, egészségügy stb.) felhasználásra kerülő szintetikus adatokat.

A Datagen első lépésben húsvér embereket szkennel le. Munkakapcsolatban áll azokkal az eladókkal, akik óriási testszkennerekkel személyekről rögzítenek adatokat. Az illetők beleegyezésével teszik ezt, fizetnek nekik érte. A gépek az írisztől a bőrtextúráig, az ujjhajlatoktól a fülekig, a test legapróbb részleteit is megörökítik.

A nyers adatok feldolgozása a következő lépés. Algoritmusok többször átmennek rajtuk, míg el nem készül az adott személy testének, arcának, szemeinek, kezének stb. 3D-s megjelenítése, miközben torzítanak is rajtuk annyit, hogy ne lehessen felismerni őket.

A szintetikus adatoktól sokáig ódzkodtak, manapság viszont többek szerint ez a megoldás, mert nem olyan rendezetlenek, vagy elfogultak, mint a valódiak, ráadásul az egyre szigorúbb személyiségi jogi (privacy) kritériumokat sem kell figyelembe venni hozzájuk. „Szűz” terület, változatosabb adatsorok alakíthatók ki belőlük.

Különböző életkorú, fizikumú, etnikai összetételű lakossághoz tökéletesen felcímkézett fejek gyárthatók le, amelyekből a mostaniakkal összehasonlítva, elfogulatlan adatsorok generálhatók, és a rajtuk gyakorló arcfelismerő rendszerek pontosabb munkát végeznek a jövőben. Még kismennyiségű, de jól felcímkézett adattal is jelentős mértékben javítható egy rendszer teljesítménye, lényegesen jobb eredményt ér el, mint a tízszer annyi, de megtisztítatlan adatot használó fejlettebb algoritmusok.

Csakhogy a szintetikus adatoknak is megvannak a maguk korlátai. Ha például nem képesek visszaadni a valóságot, a velük dolgozó mesterséges intelligenciák pocsék munkát végezhetnek, és egyelőre az sem bizonyított, hogy az ezekkel az adatokkal működő MI-rendszerek elfogulatlanabbak lennének.

Az Egyesült Államok Igazságügy-minisztériuma lefoglalta azt a pénzt, amelyet az ország legnagyobb finomított olajvezeték-rendszerét, a Colonial Pipeline-t kezelő vállalat fizetett ki májusban egy őket zsaroló orosz hacker-csoportnak. A két masszív csőből álló vezeték 8850 kilométer hosszan fut Texas és New York között, napi forgalma kb. hárommillió hordó olaj, az USA keleti partjának közel felét látja el gázolajjal, dízellel, üzemanyaggal.

A pénzt a május 6-án indult zsarolóvírusos (ransomware) támadás után fizették ki. Adatlopással kezdődött, a cég szervereiről száz gigabájtnyi információt tulajdonítottak el. Az igazi attak május 7-én történt, amikor megzavarodott a Colonial Pipeline számítógépes rendszere, és a vezetéket leállították. Tizenhét szövetségi államban és Washington D. C-ben rendkívüli intézkedéseket hoztak, hogy aztán május 9-étől viszonylag zavartalan legyen az ellátás.

Az olajvezeték-rendszer végül május 12-én indult teljes egészében újra, mert a Colonial Pipeline, az FBI tudtával, pár órával a támadás után kifizette az akkori árfolyamon ötmillió amerikai dollárnyi 75 bitcoint. A nagy riadalomban gyorsan felmentek az üzemanyagárak, többezer benzinkút bezárt. Az American Airlines megváltoztatta a menetrendjét, az észak-karolinai Charlotte nemzetközi repülőtere átmenetileg leállt.

A hackerek a pénz megérkezése után rögtön elküldtek a cégnek egy, a hálózatot helyreállító szoftveralkalmazást, ami nagyon lassan működött, de végül minden megjavult. Az Egyesült Államok történetében ez volt az olajipari vállalatok ellen indított eddigi legnagyobb támadás.

A digitális alvilág által az utóbbi években előszeretettel bevetett zsarolóvírusok jellegzetessége, hogy túszul ejtik a felhasználó számítógépes rendszerein lévő adatokat, amelyek csak a váltságdíj kifizetése után lesznek ismét elérhetők. Állományokat titkosítanak, megjelennek a határidős zsaroló üzenetek, az idő múlásával pedig egyre több fájlt véglegesen törölnek.

A nyomozók a 75 bitcoin útját a 23 különböző kriptovaluta-számlán keresztül követve jutottak el az azokat működtető oroszországi DarkSide cyberbűnöző-közösségig. Az összeg nagy része, 63,7 bitcoin egyetlen digitális pénztárcában kötött ki. Egy amerikai bíróság engedélyezte a „pénztárca” feltörését. A sors iróniája, hogy a kriptovaluta drasztikus esése miatt megfeleződött az összeg, a 63,7 bitcoin ma 2,3 millió dollárt ér. Az Igazságügy-minisztériumhoz tartozó, nemrég alapított, digitális zsarolásokkal foglalkozó munkacsoport most foglalt le először kicsalt cyberpénzt.

Az FBI több mint egy éve nyomoz a DarkSide után. A csoport zsarolóvírusokkal lát el hackereket, cserébe a bezsebelt pénz egy részét kérik. A DarkSide azonban csak része a súlyosbodó trendnek – jelenleg száznál több zsarolóvírus van forgalomban, cégeket naponta érnek ilyen támadások.

„Még mindig működik a régi bölcsesség: kövesd a pénzt” – jelentette ki Lisa O. Monaco főügyész-helyettes egy hétfői sajtótájékoztatón.

Egyes gépitanulás-modellek ugyanúgy szekvenciába tudják kódolni az aminosavak „nyelvtanát”, mint ahogy a nyelvtannal mondatokká válnak a szavak. A Salesforce Research és az Illinois Egyetem (Urbana-Champaign) kutatói ilyen – fontos biológiai jellemzőket kimutató – modellek interpretálására fejlesztettek módszereket.

Mélytanulással működő modelleket eddig is gyakoroltattak a fehérjéket alkotó aminosav-szekvenciákon, és sikeresek voltak: működő szekvenciákat csoportosítottak, generáltak. Az új kutatás eggyel előrébb lép, mert a modellek a fehérjeszerkezetről is szolgáltatnak információkat.

Amikor aminosavak összekapcsolódnak egymással, a szekvencia formája meghatározza a kialakuló fehérje biológiai funkcióját. Ezeken a szekvenciákon gyakoroltatott gépitanulás-modellek a két sav közötti bizonyos értékek alapján meg tudják határozni, hogy fontos szerepet játszanak a fehérje szerkezetében, például kapcsolatba lép más fehérjékkel.

A kutatók aminosav-szekvenciák adatbázisán treníroztatták modelljüket, hogy aztán előrejelezze a működésüket. Egy megadott szint alatti értékeket eleve kiszűrtek ahhoz, hogy az erős kapcsolatban álló savpárokat tudják tanulmányozni. Az adatbázisban lévő információk alapján összeszámolták a fehérje formájához társított kapcsolatokat, például az érintkező savpárokat.

Egyes tulajdonságok csak a pár egyik felétől függtek.

Eredményeiket összehasonlították más fehérje-adatbázisokkal, az azokból levont következtetésekkel. Kiderült, hogy modelljük alsó rétegeiben jelentős mértékben nőtt a tényleges kapcsolatban álló, rokon aminosav-párok száma (44,7 százalék), míg az összes aminosav esetében ez a mutató csak 1,3 százalék volt.

Annak az esélye, hogy egy rokon pár második aminosavától is függnek fehérjék tulajdonságai, rétegről rétegre nem emelkedett jelentősen, de így is 48,2 százalékot ért el. Összehasonlításként: bármely aminosav esetében ez mindössze 4,8 százalék.

Egy szekvenciából hiányzó aminosavak előrejelzésével fontos dolgokat tudunk meg arról, hogy a savak hogyan állnak össze nagyobb szerkezetekké, és így nemcsak a modell, hanem a természet működéséről is bővülnek az ismereteink.

Ilyen modellekkel vírusok, például a SARS-CoV-2 szerkezetéről is több információt gyűjthetünk össze.

A Tesla egyes autóiban felhagy a radarokkal, önvezető járművei ezentúl teljesen kamerákon fognak alapulni – jelentette be Elon Musk cége. Az érintett kocsik, az Észak-Amerikában értékesített Model 3 szedán és a Model Y járművek eddig radarérzékelőkkel működtek.

A bejelentés azt jelenti, hogy a Tesla az első nagyobb önvezető-autógyártó, amely csak a gépi látást használja. A többi fejlesztő a lidar, a radar és a kamerák valamilyen kombinációját alkalmazza.

Ők azért választják a viszonylag drága lidar- és radarérzékelőket az olcsó kamerák mellé, mert együtt több információt szolgáltatnak, és a vezetés is biztonságosabb. Ezek a cégek úgy vélik, hogy így jutunk el leghamarabb a teljesen önvezető járművekig, és utána már lehet csökkenteni az árakat. A csak kamerák alkalmazása mellett érvelők szerint viszont, mivel az ember a szemének köszönheti a biztonságos vezetést, a mesterséges intelligenciának is ugyanígy kell tennie.

A radarok mellőzése a Teslánál egyelőre csak az Egyesült Államokban forgalmazott, és a két legnépszerűbb modellre (Model 3, Model Y) vonatkozik. A technológián a tapasztalatokból leszűrt információk alapján finomítani fognak, és a Model S-en, Model X-en, valamint az USA-n kívülre szánt járműveken csak utána változtatnak.

A Tesla Vision nevű nyolckamerás rendszer az Autopilot vezetőtámogatónak szolgáltat szenzorikus inputokat, például a sávokra vonatkozó adatokat, vagy a teljes önvezetéssel kapcsolatos frissítéseket. Ez teszi lehetővé az automatikus parkolást, érzékeli a többi járművet, felel a stoptáblák előtti lassításért, és automatizálja a vezetést az autópályán. Az átalakítás alatt ezeket a funkciókat vagy korlátozzák, vagy kikapcsolják.

„Ha a radar és a látás nem ért egyet, melyiknek hiszünk?” – tette fel Musk a változást előkészítő kérdést egy áprilisi tweetben, majd gyorsan meg is válaszolta: „mivel a látás sokkal pontosabb, ezért sokkal jobb, ha szenzorfúzió helyett megduplázzuk.”

A techguru szerint a Tesla Vision lehetővé teszi, hogy járműveik 2021 vége előtt tényleg teljesen autonómak lesznek. (Erre azonban ne vegyünk mérget, mert a múltban már többször bejelentett látványos, aztán későbbre halasztott céldátumokat.)

Amennyiben a Tesla eléri a célját (nem a dátummal, hanem a technológiával), és a járművek az új rendszerrel tényleg biztonságosan működnek, megváltozhat az önvezető autók fejlesztési iránya.

Ha nem is olyan tempóban, mint egyes erősen automatizált területeken, de a medicinában is évek óta tart a mesterséges intelligencia térnyerése, röntgensugarak és más képek értelmezésével, látványos sikereket ért el orvosi laborokban. Manapság már klinikákon is alkalmazzák, meghatározó tényező lett a képalkotásban.

Az Amerikai Radiológus Kollégium friss felmérése alapján azonban mégsem ennyire rózsás a helyzet. Kiderült ugyanis, hogy az ottani radiológusoknak csak a harmada használja valamilyen mértékben a technológiát. A 30 százalékos penetráció így is szépen hangzik, ám jócskán árnyalja a képet, hogy sok válaszadó új technikák helyett régebbi, gyakran megkérdőjelezhető minőségű, számítógéppel támogatott detektálással dolgozik. A módszert az 1980-as években vezették be, mellrákot diagnosztizálnak vele.

A szervezet e-mailben tette fel a kérdéseket, 1861-en válaszoltak rájuk.

Az MI-vel dolgozók fele képeket értelmeztet, 11 százaléka képeket javíttat fel a gépi értelemmel. Leggyakrabban mellről, mellkasról, idegekről készült fotókról van szó.

Szintén az említett csoport 12 százaléka munkalistákat, 11 százaléka műtéteket menedzsel mesterséges intelligenciával. Közel 10 százalékuk inkább saját fejlesztésű algoritmusokkal, és nem külső beszállítóktól vásároltakkal dolgozik.

94 százalékuk szerint inkonzisztens az MI-rendszerek teljesítménye, közel 6 százalék teljesen elégedett, a maradék viszont úgy véli, hogy a mesterséges intelligencia soha nem működik.

Az összes megkérdezett bő kétharmada nem használ MI-t, és e csoport 80 százaléka szerint nincs is semmi haszna. Sokan drágállják a telepítését, nem növeli a hatékonyságot, nem térül meg – magyarázzák.

Évek óta egyre több szakember gondolja, hogy gépi tanulás helyettesítheti a radiológus-munka nagy részét, viszont konszenzus van arról, hogy a területet ugyan átalakítja, de nem veszi el a radiológusok állását. A végső döntés maradjon az ember kezében.