Sztuczna inteligencja a codzienne życie
Sztuczna inteligencja (AI) zintegrowała się z codziennym życiem, umożliwiając rozpoznawanie twarzy przy odblokowywaniu telefonów oraz automatyczne uzupełnianie tekstów. Działania te bazują na sieciach neuronowych (NN), które wykorzystują rachunek różniczkowy, dużą ilość danych oraz znaczną moc obliczeniową, aby dostarczyć rozwiązania przypominające ludzką inteligencję.
Początki sieci neuronowych
Pierwsze sieci neuronowe, zaproponowane w latach 60., miały na celu odwzorowanie działania ludzkiego mózgu poprzez przetwarzanie bodźców wejściowych w wyniki. Przykładem jest rozpoznawanie twarzy, gdzie obraz twarzy użytkownika stanowi wejście, a wynik to decyzja o odblokowaniu urządzenia. Proces ten polega na analizie połączeń między sztucznymi neuronami, gdzie każdy neuron przekazuje sygnał dalej, w zależności od ustawienia specyficznego „pokrętła”.
Proces uczenia sieci neuronowej
W procesie uczenia sieci neuronowej zmienia się te „pokrętła”, aby maksymalnie zminimalizować błędy. W ten sposób sieć jest w stanie generować pożądane odpowiedzi na bazie danych treningowych i przetwarzać nowe dane, co stanowi kluczowy aspekt uczenia maszynowego.
Wyzwania i nieprzewidywalność AI
W laboratorium NETS (NEural TransmissionS) na Florida Tech bada się głęboko uczenie maszynowe i projektuje własne sieci neuronowe. Jednym z istotnych wyzwań jest nieprzewidywalność sieci neuronowych, które mogą popełniać błędy z niejasnych powodów. Dlatego analizuje się, dlaczego sieci czasem zawodzą, co ma szczególne znaczenie w zastosowaniach wysokiego ryzyka.
Wgląd w działanie sieci neuronowych
Zespół badawczy pod przewodnictwem doktorantki Mackenzie Meni opracował metodę PEEK, pozwalającą wglądać w sposób działania sieci neuronowych. Dzięki PEEK możliwe jest wizualizowanie, na czym koncentrują się sieci w podejmowaniu decyzji, co pozwala wykrywać i eliminować błędy oraz uprzedzenia w danych. Metoda ta umożliwia czasem identyfikację poprawnych wyników nawet przy błędnych decyzjach, co pozwala zastosować je jako mechanizm awaryjny.
Współpraca międzydyscyplinarna
Uniwersalność sieci neuronowych umożliwia współpracę z różnymi dziedzinami. Przykładowo, wraz z zespołem doktorantki Trupti Mahendrakar opracowano algorytmy nawigacyjne dla autonomicznych satelitów dla Laboratorium Badawczego Sił Powietrznych (AFRL). Inni doktoranci pracują nad algorytmami do śledzenia komponentów satelitarnych w czasie rzeczywistym oraz optymalizacją orbit inspekcyjnych dla satelitów badających inne obiekty w kosmosie.
Zastosowania medyczne sieci neuronowych
Laboratorium współpracuje również z laboratorium zajmującym się przepływem płynów w układzie sercowo-naczyniowym, aby opracować modele umożliwiające oszacowanie przepływu krwi w naczyniach krwionośnych w czasie rzeczywistym. Pozwoli to lekarzom na szybsze diagnozy i planowanie
leczenia pacjentów z chorobami układu krążenia.
Dążenie do bezpieczeństwa i innowacji
Działania zespołu NETS koncentrują się na zrozumieniu działania AI oraz projektowaniu rozwiązań przydatnych w zastosowaniach krytycznych dla zdrowia i bezpieczeństwa, takich jak medycyna i loty kosmiczne.
