Постепенно все изобретения далекого будущего, предсказанные авторами-футуристами в своих фантастических романах, воплощаются в реальность. Искусственный интеллект применяется в научных разработках уже несколько десятилетий, но в последнее время интерес к нему заметно вырос: ученые пытаются найти применение нейронных сетям в различных гуманитарных проектах. Вот лишь несколько примеров того, как ИИ может изменить жизнь к лучшему.
Материал подготовлен Chivas Challenge – проектом, призванным помочь молодым предпринимателям в области социально значимых технологий заявить о себе.
Содержание
ИИ как образовательный инструмент
Одна из областей эффективного применения ИИ – это образование. Университеты активно используют технологии ИИ для систематизации работы. Например, Университет Дикина разработал DeakinSync – целый студенческий центр, доступный в режиме онлайн.
Его можно использовать как единую точку входа для пользования личными инструментами повышения эффективности работы, такие как трекер задач STAR и расписание InPlace, электронная почта, хранилище документов OneDrive, программные продукты Microsoft Office и, главное – как доступ к учебным материалам через CloudDeakin и возможность в любой момент получить ответ на свой вопрос от помощника Watson.
Распознавание потенциального вора
В развитых странах становится все больше магазинов без продавцов, и их владельцы столкнулись с необходимостью отслеживать и предвосхищать возможные кражи. На основе данных о поведенческих алгоритмах преступников ИИ способен выявить, кто из присутствующих в торговом зале потенциально может нанести ущерб магазину. На вынесение вердикта влияет то, как долго человек рассматривает этикетки, следит за перемещением товаров по торговому залу, насколько широко он шагает и ищет ли глазами выход на случай необходимости.
Разработкой ПО занимается американская компания Standart Cognition, которая уже открыла первый магазин и тестирует на нем систему. Многие люди принимают решения о покупке довольно долго, поэтому, чтобы научить систему отличать их от воров, проводится многоступенчатое А/В-тестирование.
Помощник хирурга
Компьютерное зрение – вот, чем выгодно отличается робот-ассистент хирурга от обычного человека, который выполняет схожие функции. Система HipNav использует этот метод для создания трехмерной модели внутренних органов пациента и руководит процессом установки протеза, заменяющего тазобедренный сустав. Эта технология совершила настоящий прорыв в микрохирургии, повысив точность манипуляций и исключив человеческий фактор.
Спасение от дорожных пробок
Умная система против дорожных заторов SurTrac была придумана в США профессором Стивеном Смитом. Она адаптируется к изменениям условий на дороге в режиме реального времени с помощью датчиков радиолокаций и камер на каждом светофоре, которые отслеживают движение потока автомобилей. Алгоритмы ИИ используют эти данные для построения общего плана движения, который перемещает все транспортные средства наиболее эффективным способом.
Параллельно система посылает данные на транспортные развязки далее по ходу движения, чтобы спланировать их работу. Пилотные испытания технологии уже произвели WOW-эффект в научном и бизнес-сообществах. Исследование новой системы в действии на девяти перекрестках Питтсбурга (США, Пенсильвания) показало сокращение времени ожидания транспортных средств на 40%, сокращение времени в пути на 26% и сокращение вредных выбросов на 21%.Внедрение такой системы в мегаполисах смогло бы сделать жизнь горожан комфортнее в разы, а высвобожденные средства можно было бы потратить на городское благоустройство.
Умная диагностика рака мозга
Технологии машинного обучения позволяют ИИ диагностировать заболевания по УЗИ и снимкам МРТ. Компания Nvidia, один из крупнейших разработчиков графических процессоров, разработала ИИ, способный самостоятельно генерировать снимки и обучать другие программы расшифровывать их, диагностируя рак мозга. Таким образом, впервые в истории машина научилась создавать изображения, которые можно использовать для обучения нейронных систем.
Принцип работы заключается в следующем: в процессе обучения используется генеративно-дискриминативная нейронная сеть (алгоритм машины без учителя), состоящая из двух частей. Первая, генерирующая, создает образцы снимков МРТ. Вторая, дискриминативная, должна найти отличия между «придуманными» и реальными примерами. В результате получаются подходящие для обучения снимки МРТ. Затем сгенерированные изображения перемешиваются с настоящими и становятся «пособиями», по которым обучается нейросеть. Используя такой подход, при гораздо меньших затратах удалось добиться 80% точности в выявлении опухолей мозга, при том, что нейросети, которые учились лишь на настоящих снимках, показывают результат на 14% хуже.
Принцип работы заключается в следующем: в процессе обучения используется генеративно-дискриминативная нейронная сеть (алгоритм машины без учителя), состоящая из двух частей. Первая, генерирующая, создает образцы снимков МРТ. Вторая, дискриминативная, должна найти отличия между «придуманными» и реальными примерами. В результате получаются подходящие для обучения снимки МРТ. Затем сгенерированные изображения перемешиваются с настоящими и становятся «пособиями», по которым обучается нейросеть. Используя такой подход, при гораздо меньших затратах удалось добиться 80% точности в выявлении опухолей мозга, при том, что нейросети, которые учились лишь на настоящих снимках, показывают результат на 14% хуже.
