Artificial Intelligence

Jak kolejne pokolenie tworzy sztuczną inteligencję

Nastoletni naukowcy wykorzystują uczenie maszynowe i sieci neuronowe do wykrywania i diagnozowania chorób, monitorowania odpadów kosmicznych, projektowania dronów i uzasadniania swoich wniosków podczas targów Intel ISEF 2017.

Chociaż czujące istoty komputerowe, takie jak HAL z klasyka 2001: Odyseja kosmiczna czy Samantha z filmu Ona z 2013 roku nadal stanowią pieśń przyszłości, niektóre formy sztucznej inteligencji już dziś zmieniają życie na lepsze.

Na targach 2017 Intel International Science and Engineering Fair (ISEF) – gdzie zgromadziło się blisko 1800 uczniów szkół średnich, aby zaprezentować swoje badania i konkurować o nagrody o łącznej wartości ponad 4 mln dolarów –- następne pokolenie naukowców za pomocą uczenia maszynowego i sztucznych sieci neuronowych próbowało znaleźć rozwiązania niektórych najbardziej palących problemów.

„Sztuczna inteligencja ma ogromne znaczenie dla naszej przyszłości” – twierdzi Christopher Kang, początkujący informatyk z Richland w stanie Waszyngton, który zdobył nagrodę ISEF w kategorii robotów i inteligentnych maszyn.

Chris Kang opracował aplikację, która wykrywa raka skóry.

„Ludzie są w stanie przeanalizować ograniczoną ilość danych” – mówi. „Sztuczna inteligencja daje ogromne możliwości analizowania ogromnych ilości danych i zależności między nimi. Można ją wykorzystać, by lepiej zrozumieć już istniejące badania. Po przeanalizowaniu przez sztuczną inteligencję dodatkowych danych można wyciągnąć wnioski i podjąć na ich podstawie odpowiednie działania”.

 

Sztuczna inteligencja jako asystentka lekarza

Kiedy ojciec Kanga usłyszał od lekarzy, że jest zagrożony rakiem skóry, jego syn zaprojektował sztuczną sieć neuronową będącą w stanie określić, które znamiona i zmiany skórne są potencjalnie rakotwórcze.

Nastolatek stworzył aplikację umożliwiającą użytkownikom zrobienie zdjęcia podejrzanej zmiany lub znamiona. Następnie aplikacja określa, czy anomalia skórna wydaje się rakotwórcza, z dokładnością porównywalną z diagnozą dermatologa.

„Dzięki informacjom dostarczonym przez aplikację pacjent może ocenić, czy powinien odwiedzić dermatologa” – mówi Kang. „Wczesne wykrywanie zmian jest bardzo ważne, ponieważ kiedy rak skóry spowoduje już przerzuty, prawdopodobieństwo uzyskania pięcioletniego okresu przeżycia spada do jednej piątej w stosunku do poprzedniego poziomu”.

 

Sztuczna inteligencja w diagnostyce

Gaurav Behera z Rochester w stanie Minnesota zastosował podobne podejście do opracowania sztucznej sieci neuronowej, która identyfikuje niedokrwistość sierpowatokomórkową z mikroskopowego rozmazu krwi.

„Anemia sierpowatokomórkowa występuje głównie w krajach rozwijających się, w których dostęp do edukacji i diagnozy jest często ograniczony lub bardzo drogi” – twierdzi Behera, którego cioteczna babka zmarła na tę chorobę w Indiach.

Gaurav Behera wykorzystuje sztuczną inteligencję, by przyspieszyć badania nad niedokrwistością sierpowatokomórkową.

„Ta aplikacja zmniejsza koszty diagnozowania niedokrwistości sierpowatokomórkowej i sprawia, że proces jest bardziej skuteczny”.

Obecnie diagnoza polega na żmudnym procesie sprawdzania każdej z 300 do 400 komórek w rozmazie krwi, z których zaledwie 10 może być niewłaściwymi komórkami sierpowatymi. Aplikacja Behery wyklucza możliwość pomyłki.

„Jako że aplikacja jest scentralizowana w jednej lokalizacji, stale jest aktualizowana” – mówi. „Sieć neuronowa może się uczyć i z czasem staje się coraz dokładniejsza”.

 

Sztuczna inteligencja w prognozowaniu

Dotychczas uczenie maszynowe było najczęściej wykorzystywane w zadaniach klasyfikacyjnych. Jednak sieci neuronowych można używać również do monitorowania danych i prognozowania.

Amber Yang z Winter Park w stanie Floryda zdobyła główną nagrodę na ISEF za opracowanie sieci neuronowej, która przewiduje lokalizację kosmicznych odpadów stanowiących zagrożenie dla statków kosmicznych. Stworzyła algorytm, który uczy sieć rozpoznawania konkretnych chmur odpadów w kosmosie i, opierając się na ich poprzednich trajektoriach, przewiduje ich przyszłe lokalizacje.

Amber Yang odkryła, że sztuczna inteligencja potrafi znaleźć odpady kosmiczne.

Tymczasem Vincent Moeykens z Windsoru w stanie Vermont stworzył sieć neuronową do analizowania i przewidywania cen akcji.

Korzystając z danych historycznych firm Apple, Amazon, Google, GoPro i Tesla, nastolatek przeanalizował pierwsze trzy kwartały roku, co pozwoliło sieci przewidzieć ceny w czwartym kwartale. Model okazał się dokładny, a różnica między przewidywaną a rzeczywistą wartością akcji wynosiła mniej niż 0,15% przez ponad połowę czasu.

Po wprowadzeniu dodatkowych zmiennych Moeykens stwierdził, że „sieć neuronowa pokonała ograniczenia, ucząc się i zwiększając dokładność”.

 

Maszyna a człowiek

Robert van Zyl z Peachtree City w stanie Georgia zdobył nagrodę w dziedzinie inżynierii mechanicznej za badania nad tym, czy komputery wykorzystujące uczenie maszynowe mogą uzyskiwać lepsze wyniki od ludzi w projektach inżynieryjnych. Porównał swoje algorytmy uczenia maszynowego z pracą ludzi w projekcie kompleksowych rozwiązań na potrzeby wyścigów dronów.

„Wybrałem wyścigi dronów ze względu na dużą konkurencję i złożoność problemu inżynieryjnego” – mówi van Zyl.

Początkujący inżynier dostarczył obu stronom te same charakterystyki i dane o wydajności różnych bezszczotkowych silników i śmigieł w różnych kombinacjach i poprosił o dobranie najlepszej wydajności trzech zmiennych: maksymalnej siły ciągu, wydajności i dynamicznego uderzenia.

Ostatecznie zwyciężyła maszyna.

„Pomimo niezłych wyników ludzi algorytmy sztucznej inteligencji pokonały najlepszych inżynierów w dwóch z trzech zadań” – twierdzi van Zyl. „Algorytmy uczenia maszynowego wykazały się szczególnie imponującymi rezultatami podczas szukania najlepszego układu napędowego, który zoptymalizuje uderzenie, co jest prawdopodobnie najważniejszym aspektem w wyścigach dronów”.

 

Sztuczna inteligencja i filantropia

„Problem z sieciami neuronowymi polega na tym, że nie da się zajrzeć do ich wnętrza i sprawdzić, co myślą” – mówi Robbie Barrat z Shenandoah w Wirginii Zachodniej. „Są jak czarna skrzynka”.

Badania Barrata dążą do uzyskania większej przejrzystości wewnętrznych działań sztucznych sieci neuronowych.

Robbie Barrat wykorzystuje sieci neuronowe do uzasadnienia ich istnienia.

Opracował dwa odrębne modele uczenia maszynowego, które umożliwiają sieciom neuronowym przedstawianie uzasadnień razem z rozwiązaniami problemów predykcyjnych i klasyfikacyjnych.

„Uzasadnienie nie tylko sprawia, że rozwiązanie dostarczone przez sieć staje się bardziej wiarygodne, ale również zapewnia wgląd w »proces myślenia« sieci neuronowych” – wyjaśnia.

Barrat wierzy, że taka przejrzystość pomoże przekonać wszystkie osoby obawiające się najgorszego scenariusza z filmów science-fiction, że w przyszłości sztuczna inteligencja będzie nadal służyć ludziom, a nie odwrotnie.

„Ta naprawdę sztuczna inteligencja dopiero raczkuje” – twierdzi Barrat, dodając, że do lat 90. XX wieku nie istniały żadne praktyczne zastosowania sieci neuronowych, które były po prostu za słabe. „Jednak zadomowi się tu na dobre. Sieci neuronowe stanowią dziś potężne narzędzia i jeśli wyposażymy je w wystarczającą moc obliczeniową, będą w stanie przenosić góry”.

Udostępnij ten artykuł

Podobne tematy

Edukacja Nauka

Przeczytaj w następnej kolejności