Мы ежедневно читаем новости о том, как искусственный интеллект используется в бизнесе — в финансовом секторе, ритейле, обслуживании клиентов — сферах, для которых сами активно разрабатываем «умных» ботов. Но иногда хочется переключиться и посмотреть, на AI-технологии не с точки зрения рабочих задач, а по-другому: как они помогают людям познавать мир и улучшать жизнь в самом широком смысле. Делимся подборкой проектов с применением ИИ из разных сфер, которые показались интересными.
1. Начнём с самого необычного исследования — проекта по изучению поведения и общения китов некоммерческой организацией Project CETI (Cetacean Translation Initiative), объединившей экспертов по китообразным со всего мира. В этом проекте используются алгоритмы NLP для анализа больших наборов данных о звуках китов для выявления закономерностей, классификации различных типов криков и отслеживания отдельных животных. Алгоритмы машинного обучения тренируют распознавать специфические особенности вокализации китов, такие как частота, амплитуда и продолжительность, а затем использовать эту информацию для классификации и анализа звуков. Это может помочь исследователям лучше понять существующие у китов социальное поведение и структуру и их роль в морской экосистеме.
К примеру, существуют загадочные случаи самоубийств китов, когда они выбрасываются на берег. Учёные выдвигают разные гипотезы относительно причин такого поведения китообразных — от травмирования органов слуха сонарами (акустические системы обнаружения подводных объектов) до теории социальной сплочённости, когда по примеру одного выбросившегося на берег больного животного так поступают и остальные.
Если искусственный интеллект сможет распознать, какие звуки издают китообразные перед самоубийственным выбросом на берег, то, возможно, данная загадка будет разгадана, и человечество сможет принять превентивные меры или, по крайней мере, получить больше времени на подготовку к спасению животных.
2. Ещё один проект по исследованию фауны посвящён распознаванию индивидуальных особенностей птиц. Сотрудники британского экологического общества разработали процедуры обучение свёрточных нейронных сетей (CNN) на маркированных изображениях пернатых с целью распознавания отдельных птиц в диких популяциях на основе их особенностей и физических характеристик.
В данном проекте, в отличие от проекта по исследованию речи китов, нет трудности со сбором достаточного количества информации. Наибольшую сложность представляли процессы автоматизации самого сбора данных и создания наборов обучающих данных на основе тысяч изображений, каждое из которых необходимо было идентифицировать и снабдить индивидуальной отметкой.
На данный момент результатом проекта является распознавание алгоритмом птиц в диких популяциях с точностью 90%, что помогает орнитологам в классификации видов птиц, отслеживании их активности, охране редких и уязвимых видов.
Подробно о проекте можно почитать в статье — она не новая, 2020 года, но это именно научная публикация, где подробно описываются принципы работы учёных над проектом
3. От животных перейдём к изучению людей. Интересное исследование проведено учёными, опять же британскими, из Даремского университета. Это исследование внутриутробных вкусовых предпочтений детей.
Люди ощущают вкус через его сочетание с запахом. Учёные проверили гипотезу о том, что плод ощущает вкус при вдыхании и проглатывании амниотической жидкости. С помощью ультразвукового 4D-сканирования учёные наблюдали изменения мимики плода через 20 минут после того, как их матери проглатывали капсулу с ароматизатором капусты или моркови, а нейронная сеть использовалась для анализа мимики детей при ощущении ими различных вкусов.
Исследование позволило зафиксировать реакции плода на запах и вкус в утробе матери — до этого все подобные работы основывались на послеродовых экспериментах. Результат, по мнению авторов, является прямым доказательством наличия обонятельных и вкусовых ощущений у детей ещё до рождения. Соответственно, диета беременной женщины может влиять на пищевые предпочтения, которые будут у ребёнка после появления на свет.
4. Другого проект, в котором принимали участие и дети, и нейросети, реализовала исследовательская команда из Нью-Йоркского университета.
Данные проект интересен подходом: учёные решили провести эксперимент по обучению мультимодальной системы искусственного интеллекта не на миллионах слов и других данных, а на том объёме информации, который получает младенец с рождения эмпирическим путём — через глаза и уши. Целью исследования было понимание того, как происходит развитие и обучение ребёнка с шести месяцев до двух лет. В качестве учебного пособия использовались видеозаписи лёгкой налобной камеры, которую ежедневно закрепляли на голове ребёнка на 1% времени его бодрствования.
Оказалось, что нейронная сеть способна выучить значительное количество слов и понятий и научиться связываться слова с их визуальным представлением, используя ограниченные фрагменты опыта одного ребёнка. Данное исследование подтверждает факт, что дети успешно обучаются словам и коммуникации в естественных условиях окружения, которые играют более важную роль в обучении, чем специально разработанные эксперименты или заранее структурированные материалы.
Обучение нейронных сетей на основе естественных данных может быть полезно для дальнейшего изучения механизмов обучения у детей и разработки новых подходов к образованию и реабилитации.
5. А закончим обзор проектом команды Google Deep Mind, которая разработала глубокую нейронную сеть Ithaca, позволяющую восстанавливать древние тексты по фрагментам, определять их географическую и хронологическую атрибуцию.
Древние тексты в большинстве случаев бывают повреждены, пробелы или лакуны в них могут составлять несколько букв, а могут отсутствовать целые абзацы и главы. Специалистам, занимающимся расшифровкой таких текстов, невозможно знать и помнить всю накопленную человечеством информацию, чтобы угадать утраченный фрагмент текста, и нейросеть в данном случае становится хорошим помощником.
Ithaca базируется на модели машинного обучения, натренированной на 78 608 древнегреческих надписях. Для восстановления утраченных фрагментов текста нейросеть ищет регулярные структуры или паттерны в имеющемся массиве данных, кодирует эту информацию в сложные математические модели и на их основе предлагает возможные варианты полного текста, а также вероятное время создания надписи и её источник.
Создатели Ithaca указывают, что точность в реставрации фрагментов текстов составляет около 62%, точность определения географического источника надписи — около 71%, а время создания надписи определяется нейросетью с погрешностью в 30 лет. Ithaca является общедоступной, так что если вам посчастливится обнаружить где-то в пещере настоящую наскальную роспись, то не забудьте про неё!
Вот такой получился обзор — разнообразие идей по использованию технологий искусственного интеллекта поражает и вдохновляет. А ещё можно в очередной раз для себя отметить, что успех нейросети в решении конкретной задачи зависит от многих факторов, таких как качество данных, выбор подходящего типа сети, настройки параметров обучения и постоянного мониторинга результатов.
