Wetenschap
Door vooruitgang in kunstmatige intelligentie en machine learning, Princeton-onderzoekers bouwen technologieën in de gezondheidszorg, vervoer, energie en vele andere gebieden. Krediet:Daniel Hertzberg
Kunstmatige intelligentie maakt al deel uit van het dagelijks leven. Het helpt ons bij het beantwoorden van vragen als 'Is deze e-mail spam?' Het identificeert vrienden in online foto's, selecteert nieuwsberichten op basis van onze politiek en helpt ons cheques te storten via onze telefoons - al is het allemaal enigszins onvolmaakt.
Maar deze toepassingen zijn nog maar het begin. Door de vooruitgang in de informatica, onderzoekers creëren nieuwe mogelijkheden die het potentieel hebben om ons leven te verbeteren op manieren die we ons nog niet kunnen voorstellen. Princeton-onderzoekers lopen voorop in dit onderzoek, van de theoretische onderbouwing tot de nieuwe apps en apparaten tot de ethische overwegingen.
Pogingen om intelligente systemen te bouwen zijn zo oud als computers zelf. Vroege inspanningen omvatten vaak het direct programmeren van gedragsregels in een systeem. Bijvoorbeeld, onderzoekers kunnen de bewegingswetten invoeren om een robotarm te besturen. Maar het resulterende gedrag viel meestal tegen.
Met kunstmatige intelligentie, computers leren van ervaring. Door middel van "machinaal leren, " een deelgebied van kunstmatige intelligentie, computers zijn geprogrammeerd om keuzes te maken, leren van de resultaten, en aanpassen aan feedback uit de omgeving.
Machine learning verandert de wetenschap op de hele campus, zei Jennifer Rexford, Gordon Y.S. van Princeton Wu Professor in Engineering en voorzitter van de afdeling informatica.
"Princeton heeft een zeer lange traditie van sterk werk in informatica en wiskunde, en we hebben veel afdelingen die gewoon top zijn, gecombineerd met de nadruk op het dienen van de mensheid, "Zei Rexford. "Dat heb je gewoon niet overal."
Positieve resultaten
Een maatschappelijke uitdaging die kunstmatig intelligente machines aanpakken, is hoe betere beslissingen in de gezondheidszorg kunnen worden genomen. Barbara Engelhardt, een universitair hoofddocent informatica, maakt algoritmen om artsen te helpen praktijken aan te nemen die waarschijnlijk positieve resultaten voor de patiënt hebben.
Bijvoorbeeld, wanneer moet een patiënt van een beademingsapparaat worden gespeend? Gebruikt door een op de drie patiënten op intensive care-afdelingen, een beademingsapparaat is een levensreddend apparaat, maar is invasief, duur en kan infectie verspreiden. Artsen wachten vaak langer dan nodig is om een patiënt uit een beademingsapparaat te halen, want als ze het mis hebben, ze zouden de gezondheid van de patiënt verder kunnen compliceren.
In samenwerking met onderzoekers van het ziekenhuissysteem van de Universiteit van Pennsylvania, Engelhardt en haar team streven ernaar om patiëntenzorg te verplaatsen van een one-size-fits-all-benadering naar een benadering die is toegespitst op individuele patiënten. Hun algoritme houdt rekening met veel patiëntfactoren en berekent vervolgens wanneer en hoe de patiënt van het beademingsapparaat moet worden verwijderd. Het neemt tal van beslissingen, inclusief hoeveel kalmerend middel voorafgaand aan de procedure moet worden gegeven en hoe te testen of de patiënt zonder hulp kan ademen.
Machine learning kan ook helpen in situaties waarin hoogwaardige menselijke gezondheidszorg niet onmiddellijk beschikbaar is, zoals bij patiënten in de palliatieve zorg, die de klok rond kon worden gecontroleerd als door een specialist.
Versterkend leren
Engelhardt maakt gebruik van een machine learning-benadering, versterkingsleren genaamd, een afwijking van de oudere, maar nog steeds veelgebruikte praktijk van "gesuperviseerd leren, " waar programmeurs computers voorzien van trainingssets met gegevens en de machines vragen om te generaliseren naar nieuwe situaties. Bijvoorbeeld, om een computer te leren honden op foto's te herkennen, programmeurs leveren tienduizenden afbeeldingen, waaruit de computer zijn eigen regels ontwikkelt om erachter te komen of nieuwe foto's een hond bevatten.
Versterkend leren, daarentegen, lijkt meer op het leren met vallen en opstaan dat jonge kinderen gebruiken. Een peuter die de huiskat probeert te aaien en een scherpe uithaal krijgt, leert uit de buurt van katten te blijven. evenzo, de computers proberen dingen uit en interpreteren de resultaten.
Mengdi Wang, een assistent-professor operations research en financiële engineering, bestudeert deze aanpak. Ze heeft versterkend leren gebruikt om risico's in financiële portefeuilles te beperken, een plaatselijk ziekenhuis helpen bij het voorspellen van complicaties bij knievervangende operaties, en werk samen met Microsoft Research om dialogen van verhaalkwaliteit te produceren.
Een uitdaging bij het implementeren van versterkend leren is de overbelasting van gegevens. Computers hebben niet het voordeel van menselijke vergeetachtigheid, ze moeten dus alle binnenkomende gegevens verwerken. In praktijk, experts moeten vaak tussenbeide komen om een grens te stellen aan het aantal items dat moet worden overwogen.
"Het hebben van te veel variabelen is het knelpunt van versterkend leren, " zei Wang. "Zelfs als je alle informatie van de wereld hebt, je hebt een beperkte hoeveelheid verwerkingskracht."
Wang ontwikkelde een methode om computers te helpen erachter te komen wat wel en niet belangrijk is. Het is een algoritme dat de complexiteit vermindert door een grote verzameling mogelijke toestanden wiskundig te comprimeren tot een klein aantal mogelijke clusters. De aanpak, die ze ontwikkelde met Anru Zhang van de Universiteit van Wisconsin-Madison, gebruikt statistieken en optimalisatie om de waarschijnlijke scenario's voor elke fase van een besluitvormingsproces te groeperen.
AI te hulp
Hoewel versterkend leren krachtig is, het biedt geen garanties wanneer een algoritme een nieuwe omgeving confronteert. Bijvoorbeeld, een autonoom luchtvoertuig (drone) dat is getraind om zoek- en reddingsmissies uit te voeren in een bepaalde reeks omgevingen, kan dramatisch mislukken wanneer deze in een nieuwe wordt ingezet.
Het ontwikkelen van benaderingen om de veiligheid en prestaties van drones te garanderen is het doel van Anirudha Majumdar, een assistent-professor werktuigbouwkunde en ruimtevaarttechniek. Vanwege veiligheids- en technologische beperkingen, de meeste drones hebben tegenwoordig een mens nodig om het vaartuig te besturen met behulp van zijn camera's en sensoren. Maar drones sturen door verwoeste gebouwen, zoals die in de door radioactiviteit beschadigde kerncentrale Fukushima Daiichi in Japan, uitdagingen biedt.
Autonome luchtvaartuigen kunnen hulp bieden bij zoek- en reddingsacties in krappe ruimtes waar het risico op menselijke fouten groot is. Majumdar onderzoekt hoe een set tools uit machine learning, bekend als "generalisatietheorie", kan worden toegepast om de veiligheid van drones in nieuwe omgevingen te garanderen. Grofweg gesproken, generalisatietheorie biedt manieren om het verschil tussen prestaties op de trainingsgegevens en prestaties op nieuwe gegevens te verkleinen.
Taal leren
Computers leren vormen te herkennen is één ding, maar ze de alledaagse taal leren begrijpen is iets heel anders. Om de vraag te beantwoorden hoe de hersenen taal verwerken, Princeton-onderzoekers scanden de hersenen van vrijwilligers die afleveringen van de BBC-televisieserie "Sherlock" bekeken om te zien wat de hersenen doen terwijl de eigenaar nieuwe informatie opneemt.
De uitdaging was om de resultaten van verschillende hersenen te verzamelen om trends te identificeren. Elk brein is iets anders gevormd, wat leidt tot kleine verschillen in hun functionele magnetische resonantie beeldvorming (fMRI) scans. "Het is alsof je duizend toeristen stuurt om een foto van de Eiffeltoren te maken. Elke foto zal iets anders zijn, afhankelijk van de camera, de plek waar de toerist stond om de foto te maken, enzovoorts, " zei Peter Ramadge, de Gordon Y.S. Wu Professor of Engineering en directeur van het Center for Statistics and Machine Learning. "Je hebt machine learning nodig om te begrijpen wat de reacties van alle proefpersonen gemeen hebben, " hij zei.
Ramadge en andere computerwetenschappers, inclusief de toenmalige student Kiran Vodrahalli van de Class of 2016, werkte samen met onderzoekers van het Princeton Neuroscience Institute om hersenscans te verzamelen met behulp van een methode voor het vinden van overeenkomsten die een 'gedeeld responsmodel' wordt genoemd. Vervolgens brachten ze hersenactiviteit in kaart met de dialoog in de afleveringen met behulp van een natuurlijke taalverwerkingstechniek - die betekenis uit spraak haalt - ontwikkeld door Sanjeev Arora, Charles C. Fitzmorris, professor in computerwetenschappen van Princeton, en zijn team.
Hoewel een typische spraakherkenningsmethode een groot aantal voorbeelden nodig heeft, de nieuwe methode is in staat om betekenis te trekken uit een relatief kleine verzameling woorden, zoals de paar honderd gevonden in het script van de tv-show. In een artikel gepubliceerd in het tijdschrift NeuroImage in juni 2017, de onderzoekers toonden aan dat ze aan de hand van de fMRI-scans konden bepalen welke scène werd bekeken met een nauwkeurigheid van ongeveer 72 procent.
In de zwarte doos
Machine learning heeft het potentieel om vragen te ontsluiten die mensen moeilijk of onmogelijk kunnen beantwoorden, vooral die met grote datasets. Voor echt complexe vragen onderzoekers hebben een methode ontwikkeld die deep learning wordt genoemd, geïnspireerd door het menselijk brein. Deze methode is gebaseerd op kunstmatige neurale netwerken, verzamelingen kunstmatige neuronen die, als echte hersencellen, kan een signaal ontvangen, verwerk het, en een output produceren om door te geven aan het volgende neuron.
Hoewel deep learning succesvol is geweest, onderzoekers ontdekken nog steeds voor welke taken het het meest geschikt is, zei Arora, die onlangs een programma in theoretische machine learning oprichtte aan het nabijgelegen Institute for Advanced Study. "Het vakgebied heeft veel baat gehad bij het behandelen van deep learning als een zwarte doos, ' zei hij. 'De vraag is wat we zullen zien als we de zwarte doos openen.'
Onbedoelde gevolgen
Naast brede ethische vragen over het gebruik van AI en de implicaties van intelligente machines in de samenleving, zorgen op korte termijn over AI-systemen die banen van mensen overnemen, komen steeds vaker voor. Voer Ed Felten in, die onderzoek doet naar beleid om de onbedoelde gevolgen van AI te beteugelen.
vilten, de Robert E. Kahn Professor of Computer Science and Public Affairs en directeur van Princeton's Centre for Information Technology Policy, diende als plaatsvervangend U.S. Chief Technology Officer in het Witte Huis van Obama, waar hij federale beleidsinitiatieven leidde op het gebied van AI en machine learning.
Met onderzoekers van de New York University, Felten heeft onderzocht of zorgen over de impact van AI op banen en de economie kunnen worden ondersteund door gegevens. De onderzoekers gebruikten standaard benchmarks die zijn gepubliceerd door AI-onderzoekers. Voor visuele herkenning, bijvoorbeeld, het team evalueerde hoeveel afbeeldingen een AI-algoritme correct heeft gecategoriseerd. Felten en zijn collega's koppelden deze schatting aan datasets van het Bureau of Labor Statistics.
De vraag is of AI werknemers zal vervangen, of hun inspanningen aanvullen en tot nog meer kansen leiden? De geschiedenis leert dat nieuwe technologieën vaak gunstig zijn voor werknemers op de lange termijn, maar niet zonder kortetermijnpijnen voor werknemers die door technologie worden vervangen.
Hoewel sommige onderzoekers denken dat laaggeschoolde banen de grootste dreiging zullen ondervinden van kunstmatig intelligente machines, De cijfers van Felten doen anders vermoeden. Luchtvaartpiloten en advocaten worden mogelijk minstens zo bedreigd door automatisering als de persoon achter de balie bij de lokale 7-Eleven, hij zei.
"Dingen als het schoonmaken van huizen zijn erg moeilijk te automatiseren, "Zei Felten. "De persoon die dat werk doet, moet veel contextuele beslissingen nemen. Welke voorwerpen op de vloer zijn afval en welke voorwerpen op de vloer zijn waardevolle voorwerpen die op de vloer zijn gevallen?"
Felten en zijn team zijn van plan hun bevindingen te koppelen aan geografische informatie, een soort hittekaart geven van welke regio's van het land het meest worden getroffen, zodat bedrijven en overheden zich kunnen voorbereiden op de komende veranderingen.
"Ik ben een optimist omdat ik denk dat er een enorme kans is, " zei Felten. "AI zal op veel verschillende gebieden tot enorme vooruitgang leiden. Maar het brengt risico's met zich mee, en we zouden het gemakkelijk slecht kunnen doen."
Wetenschap © https://nl.scienceaq.com