Grote overstromingen in Nebraska dit jaar zorgden voor een grote behoefte aan hulpverlening. met verschillende oproepen voor hulp en voorraden die binnenkwamen van over de hele 77, 000 vierkante mijl staat.

Purdue University's Bharat Bhargava gelooft dat kunstmatige intelligentie, als onderdeel van een nieuw onderzoeksconsortium en teamproject, zou kunnen helpen in dergelijke rampsituaties, machine learning en data-analyse gebruiken om te coördineren welke benodigdheden nodig zijn en waar ze naartoe moeten.

"De missie om mensen te helpen is van het grootste belang, " zei Bhargava, een professor in de informatica.

"Gegevens afkomstig van openbare tweets, videos, telefoongesprekken, en politierapporten kunnen luidruchtig zijn, incompleet, onjuist en snel wisselend, " zei hij. "Leermachines kunnen gegevens uit meerdere modellen analyseren die afkomstig zijn uit meerdere onafhankelijke bronnen en zoeken naar behoeften die niet voor de hand liggend of expliciet vermeld zijn."

Bhargava en zijn team werken aan machine learning door middel van kunstmatige intelligentie, waardoor computers kunnen beslissen welke informatie ze uit meerdere bronnen moeten opnemen, de gegevens opschonen, integreer het, label het, en leer ervan om te identificeren waar het nodig is en het te verspreiden onder de juiste gebruikers.

Het doel is dat de computers leren waarnaar gebruikers op zoek zijn en, als er nieuwe informatie binnenkomt, anticipeer op wat gebruikers willen en duw het naar hen uit - zelfs voordat de gebruikers zich ervan bewust zijn dat de gegevens bestaan.

Het projectteam is een van de drie die delen in drie jaar financiering van in totaal meer dan $ 1,2 miljoen van Northrop Grumman Corp. als onderdeel van het consortium Research in Applications of Learning Machines (REALM).

"Ons doel is om de juiste gegevens op het juiste moment naar de juiste gebruikers te sturen, "zei hij. "Als de gegevens een uur later komen, het is nutteloos. Als de gegevens veel ruis hebben, het is nutteloos. Dat is het totale object hiervan."

Bhargava zei dat machine learning door kunstmatige intelligentie in verschillende ad-hocsituaties kan worden gebruikt, variërend van het informeren van de politie over veranderingen in verkeerspatronen als gevolg van ongevallen tot het ondersteunen van verschillende takken van het leger bij het zoeken naar de kleinste details over missies.

Naast online informatie, het machine learning-systeem neemt gegevens op van sensoren, signalen of drones en "reinigt" het zodat het door gebruikers kan worden begrepen.

Als gebruikers informatie opvragen, de computer vult het verzoek in. Met behulp van algoritmen, van het systeem wordt verwacht dat het voortdurend het type gegevens leert dat de gebruiker wil, zodat in de toekomst, als relevante informatie wordt ontvangen, het kan automatisch naar de juiste gebruiker worden gestuurd zonder een formeel verzoek te ontvangen.

"Het is leren waarnaar de gebruiker op zoek is voordat ze het weten, " zei Bhargava. "Terwijl de gegevens veranderen, we willen dat de machine leert en bepaalt welke nieuw zijn, nieuwe stukjes informatie die onverwacht zijn, maar zeer waardevol kunnen zijn voor de gebruiker."

De gegevens worden gefilterd op basis van privacybeleid en context voordat ze worden verzonden. Feedback wordt achteraf door de gebruiker gegeven, zodat het systeem de parameters kan bepalen voor toekomstige gegevens die moeten worden verzonden.