Nogle mener, at spredningen af kunstig intelligens og robotik sætter vores privatliv, vores job og endda vores sikkerhed i fare. Flere og flere opgaver går til siliciumbaserede hjerner. Men selv de mest vokale kritikere kan ikke undlade at anerkende de åbenlyse fordele, som AI og automatiserede systemer forbereder for menneskeheden. Som en del af Grand Challenges-projektet samlede BBC eksperter, der redegjorde for deres vision for fremtiden i nærværelse af maskiner og kunstig intelligens.
”Vi er nødt til at se AI ikke som noget, der konkurrerer med os, men som noget, der kan forbedre vores egne evner,” siger Takeo Kanade, professor i robotik ved Carnegie Mellon University. Fordi AI har en tolerance for kedsomhed og også er i stand til at identificere mønstre meget bedre og hurtigere end mennesker. Automation er allerede begyndt at afsløre verdens mest komplekse knob, fra sygdom til grusomhed.
Og det kan gøre vores liv mere sikkert i det 21. århundrede.
Bekæmpelse af infektionssygdomme
For milliarder af mennesker rundt om i verden kan det summende af myg nær deres ører betyde meget mere end en irriterende bid - det kan være en ildsmed for sygdom og endda død. En art, Aedes aegypti, har især spredt sig fra Afrika til næsten alle tropiske og subtropiske regioner, der bærer Dengue-feber, gul feber, Zika og chikungunya (en virus, der forårsager lammende ledssmerter). Dengue inficerer alene 390 millioner mennesker i 128 lande hvert år.
"Denne myg er en lille dæmon," siger Rainier Mallol, en computeringeniør i Den Dominikanske Republik, et varmt sted for Zika. Sammen med Desi Raja, en medicin fra Malaysia (et andet land, der risikerer at blive smittet med virussen), har parret udviklet AI-algoritmer, der forudsiger, hvor udbrud der mest sandsynligt vil forekomme.
Salgsfremmende video:
Microsofts projektforudsætning bruger droner til at finde patogener i Zika-hotspots
Deres kunstig intelligens i medicinsk epidemiologi (Aime) er et system, der kombinerer tid og placering af hver nye Dengue-sag rapporteret af lokale hospitaler med 274 andre variabler som vindretning, fugtighed, temperatur, befolkningstæthed, boligtype.”Dette er alle faktorer, der bestemmer spredningen af myg,” forklarer Mallall.
Test i Malaysia og Brasilien har vist, at de kan forudsige udbrud med en nøjagtighed på ca. 88% på tre måneder. Systemet hjælper også med at lokalisere episentret af et udbrud inden for 400 meter, hvilket gør det muligt for lokale lægemidler at gribe ind i tide med insekticider og bidbeskyttelse for lokale beboere.
Aime er også ved at udvikle sig for at forudsige Zika og Chikungunya udbrud. Kæmpe tech-virksomheder tager denne idé på deres egen måde: Microsofts Project Premonition bruger for eksempel autonome droner til at opdage myggelommer og bruger kuldioxid og lette fælder til at fange myg. Myggenes DNA og dyrene, de bider, analyseres derefter ved hjælp af maskinalgoritmer, der afdækker mønstre i gigantiske datamængder bedre og bedre hver gang - og finder patogener.
Våbenkamp
I løbet af det sidste år er 15.000 mennesker døde i USA på grund af skudvåben. Dette land har den højeste rate af våbenrelateret vold i hele den udviklede verden. For at tackle problemerne med vilkårlig skydning og pistolrelateret kriminalitet henvender sig nogle byer over hele landet til teknologi for at få hjælp.
Et automatiseret system, der hører skud fra en række sensorer, kan bruges til at lokalisere, hvor skud blev affyret og advare sikkerhedsstyrker inden for 45 sekunder efter, at udløseren blev trukket. ShotSpotter bruger 15-20 akustiske sensorer pr. Kvadratkilometer til at registrere det karakteristiske "pop" af et skud og lokalisere sin fødested med en nøjagtighed på 25 meter.
Maskinlæringsteknologier bruges til at bekræfte, at lyden var et skud, og tæller antallet af skud, der er affyret, for at indikere, om politiet vil beskæftige sig med en ensom pistolmand eller flere kriminelle, og om de bruger maskingevær eller ej.
Allerede 90 byer - hovedsagelig i USA, men også i Sydafrika og Sydamerika - bruger ShotSpotter. Der er også indsat små systemer på tværs af ni amerikanske campusser som reaktion på det nylige skudkampagne på campus.
Ralph Clarke, administrerende direktør for ShotSpotter, mener, at dette system i fremtiden kan bruges til mere end simpelt hændelsesrespons.
”Vi søger at forstå, hvordan vores data kan bruges til forudsigelse af politibetjente,” siger han. "Maskinlæring kan kombineres med vejr, trafik og mere for at informere politiets patruljer mere præcist."
Bekæmpelse af sult
Cirka 800 millioner mennesker verden over er afhængige af cassava (cassava) rødder som deres vigtigste kilde til kulhydrater. Denne stivelsesholdige yam-lignende grøntsag spises som en kartoffel; det kan også formales til mel til fremstilling af brød og bagværk. Den kan vokse, hvor andre afgrøder ikke kan, hvilket gør cassava til den sjette største fødevareanlæg i verden. Denne træagtige busk er imidlertid også sårbar over for sygdomme og skadedyr, som kan ødelægge hele grøntsagsmarker.
Forskere ved Makerere University i Kampala, Uganda har slået sig sammen med plantesygdommexperter for at udvikle et automatiseret system, der sigter mod at bekæmpe cassava sygdom. Mcrops-projektet giver lokale landmænd mulighed for at fotografere deres planter med billige smartphones og bruge computervision til at opdage tegn på fire større sygdomme, der er ødelæggende cassavaafgrøder.
”Nogle af disse sygdomme er ekstremt vanskelige at genkende og kræver forskellige handlinger,” forklarer Ernest Mwebase, en datalogi, der leder projektet. "Vi giver landmænd en lommeekspert, så de ved, om de skal bestøve deres afgrøder eller ødelægge og plante noget andet."
Dette system diagnosticerer cassavasygdomme med 88 procents nøjagtighed. Landmænd er typisk nødt til at kalde regeringseksperter for at besøge gårde for at identificere sygdomme, hvilket tager dage og uger for sygdommen at sprede sig.
Mcrops giver dig også mulighed for at uploade snapshots til en database, som derefter bruges til at diagnosticere udbrud. Mwebaze håber, at teknologien også automatisk opdager problemer med andre plantearter, såsom bananer.
Bekæmpelse af kræft og synstab
Kræft forårsager mere end 8,8 millioner dødsfald verden over, og 14 millioner mennesker diagnosticeres med en eller anden form for kræft hvert år. Tidlig påvisning af kræft kan øge en persons chancer for overlevelse markant og reducere risikoen for gentagelse. Screening er en af de vigtigste måder at registrere kræft tidligt, men forståelse af scanninger og andre testresultater er meget, meget vanskeligt og tidskrævende.
Googles DeepMind kan hjælpe læger med kræftbehandling med maskinlæring til at hjælpe det med at identificere sunde områder i en patients væv
DeepMind og IBM anvender deres AI-teknologier til dette problem. DeepMind har slået sig sammen med britiske NHS-læger ved University Colleges i London for at træne sit AI-baserede program til behandling af kræft ved at adskille områder af sundt væv fra svulster i hoved- og nakkescanninger. Hun arbejder også med Moorfields Eye Hospital i London, og registrerer tidlige tegn på synstab på øjescanninger.
”Vores algoritmer er i stand til at fortolke visuel information fra scanninger,” siger Dominic King, klinisk chef hos DeepMind Health.”Systemet lærer at identificere potentielle problemer og anbefaler det rigtige handlingsforløb til lægen. Det er for tidligt at kommentere resultaterne, men de er allerede meget opmuntrende."
King siger, at AI-teknikker kan hjælpe læger med at stille diagnoser hurtigere ved at sile gennem scanninger og prioritere dem, der anbefales til øjeblikkelig overvejelse.
IBM annoncerede også for nylig, at Watsons AI kan analysere billeder og evaluere patientjournaler ved at identificere en tumor 96% af tiden. Systemet gennemgår i øjeblikket medicinske forsøg i 55 hospitaler i hele verden, hvilket hjælper med at diagnosticere bryst-, lunge-, kolorektal-, livmoderhals-, æggestokk-, mave- og prostatacancer.
Uden at slukke for lyset
Midt i den opvarmede debat om, hvorvidt klimaændringer kunne have forårsaget to katastrofale orkaner i historisk skala i USA, hvordan kunne kunstig intelligens maksimeres til at undersøge brugen af ren, vedvarende energi for at forhindre yderligere skader, der forårsager klimaproblemer?
Folk overalt i verden er i stigende grad afhængige af vedvarende energikilder for at bekæmpe klimaændringer og forurening forårsaget af fossile brændstoffer, og opgaven med at afbalancere energinet med sådanne intermitterende kilder bliver stadig vanskeligere. Spredningen af smarte målere - digitale energimonitorer, der automatisk registrerer forbruget - vil også give en masse data om, hvordan og hvornår forbrugerne bruger energi. Den Europæiske Union planlægger alene at installere 500 millioner smarte meter i hjem inden 2020.
”Det er umuligt for mennesker at administrere alle disse aktiver, da responstider ofte er i størrelsesordenen nogle få sekunder,” siger Valentin Robu, assisterende professor i intelligente systemer ved Heriot Watt University i Edinburgh. Han samarbejder med det britiske selskab Upside Energy for at udvikle nye måder at styre elnet.
De opretter maskinlæringsalgoritmer til at overvåge produktion og energibehov i realtid. Hvad betyder det? Denne energi lagres i stille timer og frigives derefter i spidsbelastningstider, for eksempel om morgenen, når alle vil lave deres egen kaffe. Efterhånden som elektriske køretøjer og hjemmebatterier bliver mere udbredt, kan teknologi bruges til at lagre energi og jævnt fordele vedvarende strømme.
Robu siger også, at AI kan bruges på et endnu mere grundlæggende niveau, hvilket hjælper med at reducere vores behov for tilsluttede enheder. F.eks. Kan køleskabe styres direkte af AI, så de kun tændes, når efterspørgslen efter elektricitet er som det laveste på nettet.
Ilya Khel