В новом выпуске дайджеста #ВобъективеИИ мы расскажем, как искусственный интеллект помогает в изучении океанических течений и каким образом с его помощью собираются бороться с азиатскими шершнями в Великобритании, учить детей английскому в Китае и управлять роботами в Южной Америке. Также вы узнаете, почему ИИ не всегда удается корректно судить о нарушении правил и почему в этом «виноват» человек.
AI-focused digest – новости ИИ-сферы
Выпуск №18, 4-18 мая 2023
В США придумали лучший способ изучения изменений в океанических течениях
Исследователи из Массачусетского технологического института в партнерстве со статистами из Колумбийского университета и океанографами из университетов Майами и Калифорнии разработали новую ML-модель для более точной оценки и прогнозирования изменений в океанических течениях. Стандартная статистическая модель на основе Гауссовского процесса, которая применяется для этих целей сейчас, недостаточно корректно реконструирует течения на основе GPS-данных с буев и выявляет зоны дивергенции (расхождения) морских вод, так как изначально базируется на неточных предположениях о движении воды. Новая модель, предложенная учеными, строит свои прогнозы, анализируя данные с буев в контексте предварительно предоставленных ей знаний из гидродинамики, отражающих физику океанических течений. Она требует лишь небольших дополнительных вычислительных затрат, но более точна в прогнозировании течений и выявлении дивергенций, чем традиционная модель. Это поможет специалистам лучше оценивать данные с буев и эффективнее отслеживать перенос биомассы (например, саргассовых водорослей), углерода, пластика, нефти и питательных веществ в океане. На новостном сайте MIT можно узнать подробности и ознакомиться с научной публикацией по этой теме.
Ученые выяснили, почему ИИ и человек часто по-разному судят о нарушении правил
Чтобы научить ML-модели воспроизводить человеческие суждения о нарушениях правил, требуется модифицировать подход к разметке данных. К такому выводу пришла международная группа ученых в процессе исследования того, как искусственный интеллект строит свои выводы и прогнозы. Свои заключения и эксперименты они изложили в журнале Science Advances. А новость об этом можно почитать на сайте MIT.
Сейчас нормативные заключения ИИ и человека очень часто разнятся. Причина этого в том, что зачастую ML-модели обучаются на данных с описательными метками. То есть, сначала людей просят определить фактические особенности текста или изображения: присутствует ли в тексте ненормативная лексика или выглядит ли собака на фото агрессивной. Далее на основе этих маркеров искусственный интеллект учат имитировать нормативные суждения человека: соответствует ли текст языковой политике платформы, нарушается ли закон о содержании агрессивных пород животных и так далее. Модели, натренированные «выносить приговоры» или делать прогнозы по такому принципу, чаще всего не повторяют логику человека — суждения ИИ о нарушении правил более строгие, чем у людей. Такое отклонение возникает потому, что человек по-разному маркирует данные в зависимости от того, какая задача перед ним стоит. Люди более строги, когда маркируют объект или явление описательными метками, даже если эти метки сигнализируют о нарушении правил. При этом их суждения более мягкие, когда перед ними стоит задача сделать нормативные метки — имеет ли место нарушение правил. В примере с агрессивностью собак, в частности, несоответствие в маркировке достигло 20%. В итоге исследователи пришли к выводу, что правильная разметка в подобных случаях имеет критическую важность для обучения моделей. Поэтому ИИ для вынесения нормативных суждений эффективнее тренировать на датасетах, промаркированных людьми, которые отвечали на вопрос – подчиняются ли те или иные явления определенным правилам. Датасеты с описательными метками в этом случае не подходят.
В Южной Америке разработали метод на основе Deep Q-Network для контроля роботов жестами
Ученые из Эквадора и Чили предложили новый подход к созданию систем распознавания жестов рук (HGR-систем), которые могут быть использованы в человеко-машинных интерфейсах. Их метод базируется на обучении с подкреплением, точнее — на алгоритме глубокого обучения Deep Q-learning (DQN). Он применяется для классификации сигналов электромиографии и инерциальных измерительных устройств, полученных с помощью датчика Myo Armband. Точность работы HGR-системы, созданной по этому методу, составляет 97% в классификации и 88% в распознавании жестов. Эти показатели превосходят достижения других подходов, описанных в научной литературе. Разработка уже протестирована на двух роботизированных платформах — испытательном стенде для вертолетов и роботе UR5. Результаты экспериментов показывают эффективность использования предложенной системы HGR на основе DQN для управления обеими платформами с быстрым и точным откликом. Больше об архитектуре и компонентах разработки — в научной публикации в журнале Nature.
В Великобритании намерены бороться с азиатскими шершнями с помощью ИИ
Азиатские шершни, стремительно распространяющиеся по Европе и убивающие местных пчел, замотивировали британских защитников здоровой экосистемы объединиться с технологическими компаниями в поисках методов борьбы с ними. Так, Pollenize, занимающаяся проектами по сохранению популяций насекомых-опылителей в Великобритании, и разработчик систем компьютерного зрения Encord сейчас разрабатывают прототип устройства на основе CV и ML, который поможет обнаруживать «приезжих» шершней. Его задачей будет отличать их от местных насекомых схожей наружности (европейских шершней, шмелей, пчел и прочих) и оперативно уведомлять об их появлении на острове соответствующие службы. Так можно будет принимать незамедлительные меры по уничтожению гнезд нежеланных гостей. Чтобы оценить значимость проекта, надо знать потенциальный масштаб бедствия: распространение азиатских шершней может привести к тому, что каждые 14 секунд будет погибать одна пчела. Подробнее о проблеме и проекте пишет Forbes.
В Китае выпустят смартфон с ИИ для школьников
На следующей неделе Xiaodu, это дочерняя компания китайского техногиганта Baidu, собирается выпустить на рынок смартфон с искусственным интеллектом специально для школьников. Об этом сообщает South China Morning Post. Девайс будет помогать с домашними заданиями и изучением английского языка. Например, устройство способно сканировать сочинения и предлагать, как их можно улучшить. Любопытно, что эти функции будут базироваться не на самой передовой китайской языковой модели Ernie (которая, кстати, создана Baidu), а на собственной LLM, специально разработанной Xiaodu с фокусом на обучение. Заодно в телефон встроены приятные для родителей фишки: определение местоположения, контроль неблагоприятных условий использования девайса (например, когда ребенок просматривает видео или читает лежа и при тусклом свете), создание «белого» списка контактов, фильтрация синего света и прочее. К слову, смарт-продукты для детей в Китае сейчас — перспективное и весьма лакомое направление для технологических компаний, так как спрос на них со стороны родителей огромен. Список предлагаемых устройств для юных пользователей богат — от привычных смарт-часов до ручек с функцией для перевода сканированного текста и роботов, обучающих игре в шахматы.
