Die Forschung auf dem Gebiet des maschinellen Lernens und der KI, mittlerweile eine Schlüsseltechnologie in praktisch jeder Branche und jedem Unternehmen, ist viel zu umfangreich, als dass jemand sie vollständig lesen könnte. Diese Kolumne, Perceptron, zielt darauf ab, einige der relevantesten jüngsten Entdeckungen und Artikel zu sammeln – insbesondere in, aber nicht beschränkt auf, künstliche Intelligenz – und zu erklären, warum sie wichtig sind.
In den letzten Wochen haben Forscher am MIT detailliert ihre Arbeit an einem System zur Verfolgung des Fortschreitens von Parkinson-Patienten durch kontinuierliche Überwachung ihrer Ganggeschwindigkeit. An anderer Stelle, Whale Safe, ein Projekt, das vom Benioff Ocean Science Laboratory und Partnern geleitet wird, gestartet Bojen, die in einem Experiment mit KI-betriebenen Sensoren ausgestattet sind, um zu verhindern, dass Schiffe Wale treffen. Andere Aspekte der Ökologie und Wissenschaft sahen ebenfalls Fortschritte, die durch maschinelles Lernen angetrieben wurden.
Die Bemühungen des MIT zur Verfolgung von Parkinson zielen darauf ab, Klinikern dabei zu helfen, die Herausforderungen bei der Behandlung der schätzungsweise 10 Millionen Menschen zu meistern, die weltweit von der Krankheit betroffen sind. Typischerweise werden die motorischen Fähigkeiten und kognitiven Funktionen von Parkinson-Patienten während der klinischen Besuche bewertet, aber diese können durch äußere Faktoren wie Müdigkeit verzerrt werden. Hinzu kommt, dass das Pendeln in eine Praxis für viele Patienten zu überwältigend ist und ihre Situation immer schwieriger wird.
Als Alternative schlägt das MIT-Team ein Heimgerät vor, das Daten mithilfe von Funksignalen sammelt, die vom Körper eines Patienten reflektiert werden, wenn er sich in seinem Haus bewegt. Das Gerät, das etwa die Größe eines WLAN-Routers hat und den ganzen Tag läuft, verwendet einen Algorithmus, um die Signale auch dann zu erkennen, wenn sich andere Personen im Raum bewegen.
In der Zeitschrift veröffentlichte Studie Wissenschaft Translationale Medizin, Die MIT-Forscher zeigten, dass ihr Gerät während einer Pilotstudie das Fortschreiten und den Schweregrad der Parkinson-Krankheit bei Dutzenden von Teilnehmern effektiv verfolgen konnte. Sie zeigten beispielsweise, dass die Gehgeschwindigkeit bei Menschen mit Parkinson im Vergleich zu denen ohne Parkinson fast doppelt so schnell abnahm und dass die täglichen Schwankungen der Gehgeschwindigkeit eines Patienten damit korrespondierten, wie gut sie auf ihre Medikamente ansprachen.
Das Whale Safe-Projekt, das sich von der Gesundheitsversorgung zur Notlage der Wale bewegt, hat Ende September Bojen eingesetzt, deren erklärtes Ziel es ist, „beste Technologie mit Best-Practice-Erhaltungsstrategien zu nutzen, um eine Lösung zur Verringerung des Risikos für Wale zu schaffen“. mit Bordcomputern, die mit einem Unterwassermikrofon Walgeräusche aufzeichnen können. Ein KI-System erkennt die Geräusche bestimmter Arten und leitet die Ergebnisse an einen Forscher weiter, damit der Standort des Tieres – oder Tiere – kann berechnet werden, indem die Daten mit den Wasserbedingungen und lokalen Aufzeichnungen über Walsichtungen bestätigt werden. Die Standorte der Wale werden dann den nahe gelegenen Schiffen mitgeteilt, damit sie bei Bedarf umgeleitet werden können.
Kollisionen mit Schiffen sind eine der Haupttodesursachen für Wale, von denen viele Arten vom Aussterben bedroht sind. Entsprechend Forschung Schiffsangriffe, die von der gemeinnützigen Organisation Friend of the Sea durchgeführt werden, töten jedes Jahr mehr als 20.000 Wale. Das ist zerstörerisch für lokale Ökosysteme, da Wale eine bedeutende Rolle bei der Aufnahme von Kohlenstoff aus der Atmosphäre spielen. Ein einzelner großer Wal kann sequestrieren um 33 Tonnen Kohlendioxid im Durchschnitt.
Bildnachweis: Benioff Ocean Science Laboratory
Whale Safe hat derzeit Bojen im Santa Barbara Channel in der Nähe der Häfen von Los Angeles und Long Beach eingesetzt. In Zukunft soll das Projekt Bojen in anderen amerikanischen Küstengebieten installieren, darunter Seattle, Vancouver und San Diego.
Der Erhalt von Wäldern ist ein weiterer Bereich, in dem Technologie ins Spiel gebracht wird. Vermessungen von Waldflächen von oben mit Lidar sind hilfreich bei der Schätzung des Wachstums und anderer Metriken, aber die daraus resultierenden Daten sind nicht immer leicht zu lesen. Punktwolken von Lidar sind nur undifferenzierte Höhen- und Entfernungskarten – der Wald ist eine große Fläche, kein Haufen einzelner Bäume. Diese müssen in der Regel von Menschen am Boden verfolgt werden.
Purdue-Forscher haben einen Algorithmus entwickelt (nicht ganz KI, aber diesmal erlauben wir es), der einen großen Haufen 3D-Lidar-Daten in einzeln segmentierte Bäume umwandelt, sodass nicht nur Baumkronen- und Wachstumsdaten gesammelt werden können, sondern auch eine gute Schätzung der tatsächlichen Bäume. Dazu wird der effizienteste Weg von einem bestimmten Punkt zum Boden berechnet, im Wesentlichen das Gegenteil dessen, was Nährstoffe in einem Baum bewirken würden. Die Ergebnisse sind ziemlich genau (nach Überprüfung durch eine persönliche Bestandsaufnahme) und könnten in Zukunft zu einer weitaus besseren Verfolgung von Wäldern und Ressourcen beitragen.
Selbstfahrende Autos tauchen heutzutage immer häufiger auf unseren Straßen auf, auch wenn es sich im Grunde noch um Beta-Tests handelt. Wie sollten politische Entscheidungsträger und Bauingenieure mit ihrer wachsenden Zahl umgehen? Forscher von Carnegie Mellon haben dazu ein Policy Brief zusammengestellt macht ein paar interessante Argumente.
Diagramm, das zeigt, wie kollaborative Entscheidungsfindung, bei der sich einige wenige Autos für eine längere Route entscheiden, diese für die meisten tatsächlich schneller macht.
Der entscheidende Unterschied, so argumentieren sie, sei, dass autonome Fahrzeuge „altruistisch“ fahren, das heißt, sie kommen anderen Fahrern bewusst entgegen – indem sie beispielsweise anderen Fahrern immer erlauben, vor ihnen einzufädeln. Diese Art von Verhalten kann ausgenutzt werden, aber auf politischer Ebene sollte es belohnt werden, argumentieren sie, und AVs sollten Zugang zu Dingen wie Mautstraßen und HOV- und Busspuren erhalten, da sie diese nicht „eigennützig“ nutzen werden. ”
Sie empfehlen auch, dass Planungsagenturen beim Treffen von Entscheidungen eine wirklich verkleinerte Sicht einnehmen, andere Transportarten wie Fahrräder und Roller einbeziehen und prüfen, wie die Kommunikation zwischen AV und Flotten erforderlich oder erweitert werden sollte. Du kannst Lesen Sie hier den vollständigen 23-seitigen Bericht (PDF).
Um vom Verkehr zur Übersetzung zu wechseln, kündigte Meta letzte Woche ein neues System an, den Universal Speech Translator, das darauf ausgelegt ist, ungeschriebene Sprachen wie Hokkien zu interpretieren. Als Engadget-Stück auf dem System Beachten Sie, dass Tausende von gesprochenen Sprachen keine geschriebene Komponente haben, was ein Problem für die meisten Übersetzungssysteme für maschinelles Lernen darstellt, die normalerweise Sprache in geschriebene Wörter umwandeln müssen, bevor sie die neue Sprache übersetzen und den Text wieder in Sprache umwandeln.
Um den Mangel an beschrifteten Sprachbeispielen zu umgehen, wandelt der Universal Speech Translator Sprache in „akustische Einheiten“ um und generiert sie dann Wellenformen. Derzeit ist das System in seinen Möglichkeiten eher begrenzt – es ermöglicht Sprechern von Hokkien, einer im Südosten des chinesischen Festlandes häufig verwendeten Sprache, jeweils einen ganzen Satz ins Englische zu übersetzen. Aber das Meta-Forschungsteam hinter Universal Speech Translator glaubt, dass es sich weiter verbessern wird.
Illustration für AlphaTensor
An anderer Stelle im KI-Bereich haben Forscher von DeepMind ausführlich berichtet AlphaTensor, von dem das von Alphabet unterstützte Labor behauptet, es sei das erste KI-System zur Entdeckung neuer, effizienter und „nachweislich korrekter“ Algorithmen. AlphaTensor wurde speziell entwickelt, um neue Techniken für die Matrixmultiplikation zu finden, eine mathematische Operation, die den Kern der Funktionsweise moderner maschineller Lernsysteme ausmacht.
Um AlphaTensor zu nutzen, hat DeepMind das Problem, Matrixmultiplikationsalgorithmen zu finden, in ein Einzelspielerspiel umgewandelt, bei dem das „Brett“ eine dreidimensionale Anordnung von Zahlen ist, die als Tensor bezeichnet wird. Laut DeepMind hat AlphaTensor gelernt, sich darin hervorzuheben, indem es einen Algorithmus verbesserte, der erstmals vor 50 Jahren entdeckt wurde, und neue Algorithmen mit „state-of-the-art“-Komplexität entdeckte. Ein vom System entdeckter Algorithmus, optimiert für Hardware wie die V100-GPU von Nvidia, war 10 % bis 20 % schneller als häufig verwendete Algorithmen auf derselben Hardware.