Perceptron: AI menyelamatkan paus, memantapkan langkah, dan menghilangkan lalu lintas

Penelitian di bidang pembelajaran mesin dan AI, sekarang menjadi teknologi utama di hampir setiap industri dan perusahaan, terlalu banyak untuk dibaca oleh siapa pun. Kolom ini, Perceptron, bertujuan untuk mengumpulkan beberapa penemuan dan makalah terbaru yang paling relevan — terutama dalam, tetapi tidak terbatas pada, kecerdasan buatan — dan menjelaskan mengapa itu penting.

Selama beberapa minggu terakhir, para peneliti di MIT telah merinci pekerjaan mereka pada sistem untuk melacak perkembangan pasien Parkinson dengan terus memantau kecepatan berjalan mereka. Di tempat lain, Whale Safe, sebuah proyek yang dipelopori oleh Benioff Ocean Science Laboratory dan mitranya, meluncurkan pelampung yang dilengkapi dengan sensor bertenaga AI dalam percobaan untuk mencegah kapal menabrak paus. Aspek lain dari ekologi dan akademisi juga melihat kemajuan yang didukung oleh pembelajaran mesin.

Upaya pelacakan MIT Parkinson bertujuan untuk membantu dokter mengatasi tantangan dalam merawat sekitar 10 juta orang yang menderita penyakit ini secara global. Biasanya, keterampilan motorik dan fungsi kognitif pasien Parkinson dievaluasi selama kunjungan klinis, tetapi ini dapat dipengaruhi oleh faktor luar seperti kelelahan. Tambahkan fakta bahwa perjalanan ke kantor merupakan prospek yang terlalu berlebihan bagi banyak pasien, dan situasi mereka semakin parah.

Sebagai alternatif, tim MIT mengusulkan perangkat di rumah yang mengumpulkan data menggunakan sinyal radio yang dipantulkan dari tubuh pasien saat mereka bergerak di sekitar rumah. Tentang ukuran router Wi-Fi, perangkat, yang bekerja sepanjang hari, menggunakan algoritme untuk memilih sinyal bahkan ketika ada orang lain yang bergerak di sekitar ruangan.

Dalam sebuah penelitian yang diterbitkan dalam jurnal Science Translational Medicine, para peneliti MIT menunjukkan bahwa perangkat mereka dapat secara efektif melacak perkembangan dan tingkat keparahan Parkinson di puluhan peserta selama studi percontohan. Misalnya, mereka menunjukkan bahwa kecepatan berjalan menurun hampir dua kali lebih cepat untuk orang dengan Parkinson dibandingkan dengan mereka yang tidak, dan fluktuasi harian dalam kecepatan berjalan pasien berhubungan dengan seberapa baik mereka menanggapi obat mereka.

Beralih dari perawatan kesehatan ke nasib buruk paus, proyek Whale Safe — yang menyatakan misinya adalah untuk “memanfaatkan teknologi terbaik di kelasnya dengan strategi konservasi praktik terbaik untuk menciptakan solusi guna mengurangi risiko terhadap paus” — pada akhir September mengerahkan pelampung yang dilengkapi dengan komputer terpasang yang dapat merekam suara paus menggunakan mikrofon bawah air. Sistem AI mendeteksi suara spesies tertentu dan menyampaikan hasilnya kepada peneliti, sehingga lokasi hewan tersebut — atau hewan — dapat dihitung dengan menguatkan data dengan kondisi air dan catatan lokal tentang penampakan paus. Lokasi paus kemudian dikomunikasikan ke kapal terdekat sehingga mereka dapat mengubah rute jika diperlukan.

Tabrakan dengan kapal adalah penyebab utama kematian paus — banyak spesies di antaranya terancam punah. Menurut penelitian yang dilakukan oleh organisasi nirlaba Friend of the Sea, serangan kapal membunuh lebih dari 20.000 paus setiap tahun. Itu merusak ekosistem lokal, karena paus memainkan peran penting dalam menangkap karbon dari atmosfer. Seekor paus besar rata-rata dapat menyerap sekitar 33 ton karbon dioksida.

Laboratorium Ilmu Kelautan Benioff

Kredit Gambar: Laboratorium Ilmu Kelautan Benioff

Whale Safe saat ini memiliki pelampung yang ditempatkan di Selat Santa Barbara dekat pelabuhan Los Angeles dan Long Beach. Di masa mendatang, proyek ini bertujuan untuk memasang pelampung di wilayah pesisir Amerika lainnya termasuk Seattle, Vancouver, dan San Diego.

Melestarikan hutan adalah bidang lain di mana teknologi ikut berperan. Survei lahan hutan dari atas menggunakan lidar sangat membantu dalam memperkirakan pertumbuhan dan metrik lainnya, tetapi data yang dihasilkan tidak selalu mudah dibaca. Awan titik dari lidar hanyalah peta ketinggian dan jarak yang tidak dapat dibedakan — hutan adalah satu permukaan besar, bukan sekumpulan pohon individu. Mereka cenderung harus dilacak oleh manusia di lapangan.

Peneliti Purdue telah membuat algoritme (bukan AI tetapi kami akan mengizinkannya kali ini) yang mengubah kumpulan besar data lidar 3D menjadi pohon yang tersegmentasi secara individual, memungkinkan tidak hanya data kanopi dan pertumbuhan yang dikumpulkan tetapi juga perkiraan yang baik dari pohon sebenarnya. . Ini dilakukan dengan menghitung jalur paling efisien dari titik tertentu ke tanah, pada dasarnya kebalikan dari apa yang dilakukan nutrisi di pohon. Hasilnya cukup akurat (setelah diperiksa dengan inventarisasi langsung) dan dapat berkontribusi untuk pelacakan hutan dan sumber daya yang jauh lebih baik di masa depan.

Mobil self-driving lebih sering muncul di jalan-jalan kita akhir-akhir ini, meskipun pada dasarnya hanya uji beta. Ketika jumlah mereka bertambah, bagaimana pembuat kebijakan dan insinyur sipil harus mengakomodasi mereka? Peneliti Carnegie Mellon menyusun ringkasan kebijakan yang membuat beberapa argumen menarik.

Diagram yang menunjukkan bagaimana pengambilan keputusan kolaboratif di mana beberapa mobil memilih rute yang lebih panjang sebenarnya mempercepat sebagian besar mobil. Kredit Gambar: Universitas Carnegie Mellon

Perbedaan utama, menurut mereka, adalah bahwa kendaraan otonom mengemudi “secara altruistis”, artinya mereka dengan sengaja mengakomodasi pengemudi lain – dengan, katakanlah, selalu membiarkan pengemudi lain bergabung di depan mereka. Jenis perilaku ini dapat dimanfaatkan, tetapi pada tingkat kebijakan itu harus dihargai, menurut mereka, dan AV harus diberi akses ke hal-hal seperti jalan tol dan HOV dan jalur bus, karena mereka tidak akan menggunakannya “secara egois. ”

Mereka juga merekomendasikan agar agen perencanaan mengambil pandangan yang diperbesar saat membuat keputusan, melibatkan jenis transportasi lain seperti sepeda dan skuter dan melihat bagaimana komunikasi antar-AV dan antar-armada harus diperlukan atau ditambah. Anda dapat membaca laporan lengkap 23 halaman di sini (PDF).

Beralih dari lalu lintas ke terjemahan, Meta minggu lalu mengumumkan sistem baru, Universal Speech Translator, yang dirancang untuk menafsirkan bahasa tidak tertulis seperti Hokkien. Sebagai bagian Engadget pada catatan sistem, ribuan bahasa lisan tidak memiliki komponen tertulis, menimbulkan masalah bagi sebagian besar sistem terjemahan pembelajaran mesin, yang biasanya perlu mengubah ucapan menjadi kata-kata tertulis sebelum menerjemahkan bahasa baru dan mengembalikan teksnya kembali. untuk berbicara.

Untuk menyiasati kekurangan contoh bahasa berlabel, Penerjemah Ucapan Universal mengubah ucapan menjadi “unit akustik” dan kemudian menghasilkan bentuk gelombang. Saat ini, sistem ini agak terbatas dalam apa yang dapat dilakukannya — sistem ini memungkinkan penutur bahasa Hokkien, bahasa yang umum digunakan di Tiongkok daratan tenggara, untuk menerjemahkan ke bahasa Inggris satu kalimat penuh dalam satu waktu. Tetapi tim riset Meta di balik Penerjemah Ucapan Universal percaya bahwa itu akan terus meningkat.

Ilustrasi untuk AlphaTensor. Kredit Gambar: DeepMind

Di tempat lain dalam bidang AI, para peneliti di DeepMind merinci AlphaTensor, yang diklaim lab yang didukung oleh Alphabet sebagai sistem AI pertama untuk menemukan algoritme baru, efisien, dan “terbukti benar”. AlphaTensor dirancang khusus untuk menemukan teknik baru untuk perkalian matriks, operasi matematika yang merupakan inti dari cara kerja sistem pembelajaran mesin modern.

Untuk memanfaatkan AlphaTensor, DeepMind mengonversi masalah menemukan algoritme perkalian matriks menjadi permainan pemain tunggal di mana “papan” adalah susunan angka tiga dimensi yang disebut tensor. Menurut DeepMind, AlphaTensor belajar untuk unggul dalam hal itu, meningkatkan algoritme yang pertama kali ditemukan 50 tahun lalu dan menemukan algoritme baru dengan kompleksitas “canggih”. Satu algoritme yang ditemukan sistem, yang dioptimalkan untuk perangkat keras seperti GPU V100 Nvidia, 10% hingga 20% lebih cepat daripada algoritme yang biasa digunakan pada perangkat keras yang sama.

Related Posts