Kunstig intelligens blander algoritmer og applikationer

Kunstig intelligens er allerede en del af hverdagen. Det hjælper os med at besvare spørgsmål som "Er denne e-mail spam?" Det identificerer venner på online fotografier, udvælger nyhedshistorier baseret på vores politik og hjælper os med at indbetale checks via vores telefoner – hvis alt sammen noget ufuldkomment.

Men disse applikationer er kun begyndelsen. Gennem fremskridt inden for datalogi, forskere skaber nye kapaciteter, der har potentialet til at forbedre vores liv på måder, vi endnu ikke har forestillet os. Princeton-forskere er på forkant med denne forskning, fra det teoretiske grundlag til de nye apps og enheder til de etiske overvejelser.

Forsøg på at bygge intelligente systemer er lige så gamle som computere selv. Tidlig indsats involverede ofte direkte programmering af adfærdsregler i et system. For eksempel, forskere kan indtaste bevægelseslovene for at styre en robotarm. Men den resulterende adfærd kom normalt til kort.

Med kunstig intelligens, computere lærer af erfaring. Gennem "machine learning, "et underområde af kunstig intelligens, computere er programmeret til at træffe valg, lære af resultaterne, og tilpasse sig feedback fra omgivelserne.

Maskinlæring transformerer stipendium på tværs af campus, sagde Jennifer Rexford, Princetons Gordon Y.S. Wu professor i ingeniørvidenskab og formand for datalogiafdelingen.

"Princeton har en meget lang tradition for stærkt arbejde inden for datalogi og matematik, og vi har mange afdelinger, der bare er i top, kombineret med en vægt på at tjene menneskeheden, " sagde Rexford. "Det får man bare ikke alle vegne."

Positive resultater

En samfundsmæssig udfordring, som kunstigt intelligente maskiner adresserer, er, hvordan man kan træffe bedre beslutninger om sundhedsvæsenet. Barbara Engelhardt, en lektor i datalogi, udvikler algoritmer til at hjælpe læger med at indføre praksis, der sandsynligvis vil have positive patientresultater.

For eksempel, hvornår skal en patient vænnes fra en ventilator? Anvendes af hver tredje patient på intensivafdelinger, en ventilator er en livreddende enhed, men er invasiv, dyrt og kan sprede smitte. Læger venter ofte længere end nødvendigt med at fjerne en patient fra en ventilator, for hvis de tager fejl, de kunne komplicere patientens helbred yderligere.

I samarbejde med forskere ved University of Pennsylvanias hospitalssystem, Engelhardt og hendes team sigter mod at flytte patientbehandling væk fra en ensartet tilgang til en, der er skræddersyet til individuelle patienter. Deres algoritme tager mange patientfaktorer i betragtning og beregner derefter, hvornår og hvordan patienten skal fjernes fra ventilatoren. Den træffer mange beslutninger, herunder hvor meget beroligende middel der skal gives før indgrebet, og hvordan man tester, om patienten kan trække vejret uden hjælp.

Maskinlæring kan også hjælpe i situationer, hvor sundhedspleje af høj kvalitet ikke er umiddelbart tilgængelig, med patienter i palliativ pleje, som kunne overvåges døgnet rundt som af en specialist.

Forstærkende læring

Engelhardt bruger en maskinlæringstilgang kaldet forstærkningslæring, en afvigelse fra den ældre, men stadig udbredte praksis med "overvåget læring, " hvor programmører forsyner computere med træningssæt af data og beder maskinerne om at generalisere til nye situationer. F.eks. at lære en computer at identificere hunde på billeder, programmører leverer titusindvis af billeder, hvorfra computeren udvikler sine egne regler for at finde ud af, om nye billeder indeholder en hund.

Forstærkende læring, derimod er mere som den trial-and-error-læring, som små børn bruger. Et lille barn, der forsøger at klappe familiens kat og får et skarpt smæk, vil lære at holde sig væk fra katte. Tilsvarende computerne prøver ting og fortolker resultaterne.

Mengdi Wang, en assisterende professor i operationsforskning og finansiel teknik, studerer denne tilgang. Hun har brugt forstærkende læring til at begrænse risiko i finansielle porteføljer, hjælpe et lokalt hospital med at forudsige komplikationer ved knæoperationer, og partner med Microsoft Research for at producere dialog i historiekvalitet.

En udfordring ved implementering af forstærkende læring er dataoverbelastning. Computere har ikke fordelen af ​​menneskelig glemsomhed, så de skal behandle alle indkommende data. I praksis, eksperter er ofte nødt til at træde til for at sætte nogle grænser for antallet af emner, der skal overvejes.

"At have for mange variabler er flaskehalsen ved forstærkningslæring, " sagde Wang. "Selv hvis du har al information i verden, du har en begrænset mængde processorkraft."

Wang udviklede en metode til at hjælpe computere med at finde ud af, hvad der er vigtigt, og hvad der ikke er vigtigt. Det er en algoritme, der reducerer kompleksiteten ved matematisk at komprimere en stor samling af mulige tilstande til et lille antal mulige klynger. Tilgangen, som hun udviklede sammen med Anru Zhang fra University of Wisconsin-Madison, bruger statistik og optimering til at gruppere de sandsynlige scenarier for hvert trin i en beslutningsproces.

AI til undsætning

Selvom forstærkningslæring er kraftfuld, det giver ingen garantier, når en algoritme konfronterer et nyt miljø. For eksempel, et autonomt luftfartøj (drone), der er trænet til at udføre eftersøgnings- og redningsopgaver i et bestemt sæt miljøer, kan fejle dramatisk, når det indsættes i et nyt.

At udvikle tilgange til at garantere dronesikkerhed og ydeevne er målet for Anirudha Majumdar, en adjunkt i maskin- og rumfartsteknik. På grund af sikkerhedsmæssige og teknologiske begrænsninger, de fleste droner i dag kræver et menneske til at styre fartøjet ved hjælp af dets kameraer og sensorer. Men at styre droner gennem ødelagte bygninger, som dem i det radioaktivitetsskadede Fukushima Daiichi kraftværk i Japan, giver udfordringer.

Autonome luftfartøjer kan hjælpe eftersøgnings- og redningsindsatsen i trange rum, hvor risikoen for menneskelige fejl er stor. Majumdar undersøger, hvordan man anvender et sæt værktøjer fra maskinlæring kendt som "generaliseringsteori" for at garantere dronesikkerhed i nye miljøer. Groft sagt, generaliseringsteori giver måder til at indsnævre forskellen mellem præstation på træningsdata og præstation på nye data.

Sprogindlæring

At lære computere at genkende former er én ting, men at lære dem at forstå hverdagssproget er noget helt andet. For at komme til spørgsmålet om, hvordan hjernen behandler sprog, Princeton-forskere scannede hjernen på frivillige, der så episoder af BBC-tv-serien "Sherlock" for at se, hvad hjernen laver, mens dens ejer tager ny information ind.

Udfordringen var, hvordan man kunne samle resultater fra flere hjerner for at identificere tendenser. Hver hjerne er formet lidt forskelligt, fører til små forskelle i deres funktionelle magnetiske resonansbilleddannelse (fMRI) scanninger. "Det er, som om du sender tusinde turister for at tage et billede af Eiffeltårnet. Hvert billede vil være lidt anderledes afhængigt af kameraet, stedet hvor turisten stod for at tage billedet, og så videre, " sagde Peter Ramadge, Gordon Y.S. Wu professor i teknik og direktør for Center for Statistik og Machine Learning. "Du har brug for maskinlæring for at forstå, hvad der er fælles for responsen fra alle fagene, " han sagde.

Ramadge og andre dataloger, herunder den daværende bachelor Kiran Vodrahalli fra klassen 2016, arbejdet sammen med forskere ved Princeton Neuroscience Institute for at samle hjernescanninger ved hjælp af en metode til at finde fællestræk kaldet en "delt responsmodel". De kortlagde derefter hjerneaktivitet til dialogen i episoderne ved hjælp af en naturlig sprogbehandlingsteknik - som uddrager mening fra tale - udviklet af Sanjeev Arora, Princetons Charles C. Fitzmorris professor i datalogi, og hans hold.

Mens en typisk talegenkendelsesmetode kræver et stort antal eksempler, den nye metode er i stand til at hente betydning fra en relativt lille samling af ord, såsom de få hundrede, der findes i manuskriptet til tv-programmet. I et papir offentliggjort i tidsskriftet NeuroImage i juni 2017, forskerne viste, at de ved at se på fMRI-scanningerne kunne bestemme, hvilken scene der blev set med omkring 72 procent nøjagtighed.

Ind i den sorte boks

Maskinlæring har potentialet til at låse op for spørgsmål, som mennesker finder vanskelige eller umulige at besvare, især dem, der involverer store datasæt. For virkelig komplekse spørgsmål, forskere har udviklet en metode kaldet deep learning, inspireret af den menneskelige hjerne. Denne metode er afhængig af kunstige neurale netværk, samlinger af kunstige neuroner, som rigtige hjerneceller, kan modtage et signal, bearbejde det, og producere et output til at videregive til den næste neuron.

Mens deep learning har været en succes, forskere er stadig ved at finde ud af, hvilke opgaver den er bedst egnet til, sagde Arora, som for nylig grundlagde et program i teoretisk maskinlæring på det nærliggende Institute for Advanced Study. "Fagtet har fået meget brug af at behandle deep learning som en sort boks, " sagde han. "Spørgsmålet er, hvad vi vil se, når vi åbner den sorte boks."

Utilsigtede konsekvenser

Ud over brede etiske spørgsmål om brugen af ​​kunstig intelligens og implikationerne af intelligente maskiner i samfundet, Bekymringer på kort sigt om, at AI-systemer tager job fra folk, bliver mere almindelige. Indtast Ed Felten, der forsker i politikker for at dæmme op for de utilsigtede konsekvenser af AI.

Felten, Robert E. Kahn professor i datalogi og offentlige anliggender og direktør for Princeton's Center for Information Technology Policy, tjente som stedfortrædende amerikansk teknologichef i Obamas Hvide Hus, hvor han ledede føderale politiske initiativer om kunstig intelligens og maskinlæring.

Med forskere ved New York University, Felten har undersøgt, om bekymringer om AI's indvirkning på job og økonomi kan understøttes af data. Forskerne brugte standardbenchmarks udgivet af AI-forskere. For visuel genkendelse, for eksempel, holdet vurderede, hvor mange billeder en AI-algoritme korrekt kategoriserede. Felten og hans kolleger parrede dette skøn med datasæt leveret af Bureau of Labor Statistics.

Spørgsmålet er, om kunstig intelligens vil erstatte arbejdere, eller supplere deres indsats og føre til endnu større muligheder? Historien viser, at nye teknologier ofte viser sig gavnlige for arbejdere på lang sigt, men ikke uden kortvarige smerter for arbejdere erstattet af teknologi.

Mens nogle forskere mener, at job med lav kvalifikation vil opleve den største trussel fra kunstigt intelligente maskiner, Feltens tal tyder på noget andet. Flyselskabets piloter og advokater kan være mindst lige så truet af automatisering som personen bag skranken på det lokale 7-Eleven, han sagde.

"Ting som husrengøring er meget svære at automatisere, " sagde Felten. "Den person, der udfører det job, skal træffe en masse kontekstuelle beslutninger. Hvilke genstande på gulvet er affald, og hvilke genstande på gulvet er værdifulde genstande, der er faldet på gulvet?"

Felten og hans team planlægger at parre deres resultater med geografisk information, give et slags varmekort over, hvilke regioner af landet der vil blive mest berørt, at give virksomheder og regeringer mulighed for at forberede sig på de kommende ændringer.

"Jeg er optimist, fordi jeg tror, ​​der er enorme muligheder, " sagde Felten. "AI kommer til at føre til enorme fremskridt på en masse forskellige områder. Men det er forbundet med risici, og vi kunne sagtens gøre det dårligt«.