Як штучний інтелект захищає нас від раку та зайвої жорстокості

Деякі вважають, що поширення штучного інтелекту і робототехніки ставить під загрозу наше особисте життя, нашу роботу і навіть нашу безпеку. Все більше і більше завдань йдуть на виконання мізкам на основі кремнію. Але навіть найгучніші критики не можуть не визнавати очевидні блага, які ІЇ та автоматизовані системи готують для людства. В рамках проекту Grand Challenges BBC зібрав експертів, які виклали своє бачення майбутнього в присутності машин і штучного інтелекту.

«Ми повинні розглядати ІЇ не як щось, з нами конкуруюче, а як щось, що може посилити наші власні здібності», говорить Такео Канаді, професор робототехніки в Університеті Карнегі — Меллона. Тому що ШІ має толерантністю до нудьги, а також вміє виявляти закономірності набагато краще і швидше, ніж люди. Автоматизація вже взялася за розплутування найскладніших вузлів нашого світу, від хвороб до жорстокості.

І вона може зробити наше життя безпечнішим в 21 столітті.

Бій з інфекційними захворюваннями

Для мільярдів людей по всьому світу дзижчання москітів поряд з вухом може означати набагато більше, ніж дратівливий укус – воно може бути передвісником хвороби і навіть смерть. Один вид – Aedes aegypti – особливо поширився з Африки в майже всіх тропічних і субтропічних регіонах, переносячи лихоманку Денге, жовту лихоманку, Зіка і чикунгунья (вірус, що викликає калічать болю в суглобах). Одна тільки Денге заражає 390 мільйонів чоловік в 128 країнах кожен рік.

«Цей москіт – крихітний демон», говорить Рейнір Маллол, комп'ютерний інженер з Домініканської Республіки, гарячої точки розповсюдження Зіку. Разом з Деси Раджа, медиком з Малайзії (іншої країни, схильною до ризику зараження вірусом), пара розробила алгоритми ШІ, які пророкують, де найімовірніше будуть відбуватися спалаху.

Project Premonition від Microsoft використовує безпілотні літальні апарати для пошуку патогенів в гарячих точках розповсюдження Зіку

Їх штучний інтелект в області медичної эпидемологии (Aime) – це система, яка об'єднує час та місце розташування кожного нового випадку Захворювання за звітами місцевих лікарень з 274 іншими змінними факторами, такими як напрям вітру, вологість, температура, щільність населення, тип житла. «Це всі фактори, що визначають поширення комарів», пояснює Маллол.

Випробування в Малайзії і Бразилії показали, що вони можуть прогнозувати спалаху з точністю близько 88% за три місяці. Система також допомагає визначити епіцентр спалаху з точністю до 400 метрів, дозволяючи місцевим медикам вчасно втрутитися з інсектицидами та захистом від укусів для місцевих жителів.

Aime також розвивається, щоб передбачати спалахи Зіка і чикунгунья. Величезні технологічні компанії по-своєму розвивають цю ідею: наприклад, Project Premonition від Microsoft використовує автономні безпілотники, щоб виявляти осередки поширення комарів, і використовують діоксид вуглецю і світлові пастки для упіймання цих комах. ДНК москітів і тварин, яких вони кусали, потім аналізується машинними алгоритмами, які виявляють закономірності в гігантських обсягах даних все краще й краще з кожним разом – і знаходять збудників.

Боротьба зі зброєю

За останній рік в США загинуло 15 000 чоловік з-за стрілянини. У цієї країни найвищий рівень пов'язаної зі зброєю жорстокості у всьому розвиненому світі. Щоб вирішити проблеми з безладною стріляниною і пов'язаними зі зброєю злочинами, в деяких містах країни звертаються до технологій за допомогою.

Автоматизована система, яка чує звуки пострілів за допомогою сенсорів, може використовуватися для визначення місця, де лунали постріли, і оповіщати органи безпеки протягом 45 секунд після того, як був спущений курок. ShotSpotter використовує 15-20 акустичних датчиків на квадратний кілометр для виявлення характерного «бавовни» пострілу, визначаючи його місце народження з точністю до 25 метрів.

Технології машинного навчання використовуються для підтвердження того, що звук був вогнепальною, і підраховують кількість пострілів, показуючи, буде поліція мати справу з одиноким стрільцем або кількома злочинцями, а також вони використовують автомати чи ні.

Вже 90 міст – здебільшого в США, але також в Південній Африці і Південній Америці – використовують ShotSpotter. Невеликі системи також були розгорнуті в дев'яти університетських містечках в США у відповідь на недавню стрілянину в кампусі.

Ральф Кларк, виконавчий директор ShotSpotter, вважає, що в майбутньому ця система може використовуватися не тільки для простого реагування на інциденти.

«Ми прагнемо зрозуміти, як наші дані можуть використовуватися для прогностичних можливостей поліцейських», говорить він. «Машинне навчання можна поєднати з погодою, дорожнім трафіком і іншим, щоб більш точно інформувати поліцейські патрулі».

Боротьба з голодом

Близько 800 мільйонів чоловік у всьому світі покладаються на корені кассави (маніоки) в якості основного джерела вуглеводів. Цей крахмалистый овоч, схожий на ямс, їдять як картопля; його також можна подрібнити в борошно для приготування хліба та випічки. Він може рости там, де не можуть інші культури, що зробило кассава шостим за величиною продовольчим рослиною в світі. Однак цей деревний чагарник також вразливим для хвороб і шкідників, що може призвести до спустошення цілих полів овочів.

Дослідники з Університету Макерере у Кампалі, Уганда,об'єдналися з експертами з хвороб рослин, щоб розробити автоматизовану систему, спрямовану на боротьбу із захворюваннями маніоки. Проект Mcrops дозволяє місцевим фермерам фотографувати свої рослини на дешеві смартфони і використовувати комп'ютерне зір для виявлення ознак чотирьох основних захворювань, які призводять до спустошення посівів маніоки.

«Деякі з цих захворювань вкрай важко розпізнати, і вони вимагають різних дій», пояснює Ернест Мвебазе, дослідник комп'ютерних технологій, який очолює проект. «Ми даємо фермерам кишенькового експерта, щоб вони знали, запилювати урожай або ж знищити і посадити щось ще».

Ця система діагностує захворювання кассави з 88-відсотковою точністю. Зазвичай фермерам потрібно дзвонити урядовим експертам для відвідування ферм, щоб ті ідентифікували хвороби, на що йдуть дні й тижні, поки хвороба поширюється.

Mcrops також дозволяє завантажувати знімки в базу даних, на основі якої потім діагностуються епідемії. Мвебазе сподівається, що ця технологія дозволить автоматично визначати проблеми інших видів рослин, наприклад бананів.

Боротьба з раком і втратою зору

DeepMind від Google може допомогти лікарям з лікуванням раку, завдяки машинного навчання, яке допоможе йому ідентифікувати здорові ділянки тканин пацієнта

Рак приводить до більш ніж 8,8 мільйона смертей по всьому світу, і 14 мільйонів чоловік діагностуються з тією або іншою формою раку щорічно. Раннє виявлення раку може істотно підвищити шанси на виживання людини і знизити ризик рецидиву. Скринінг – один з ключових способів раннього виявлення раку, але розбиратися в сканах та інших результатах тестів дуже і дуже важко і довго.

DeepMind і IBM застосовують свої технології ІІ до цієї проблеми. DeepMind об'єдналася з британськими лікарями Національної служби охорони здоров'я в університетських коледжах Лондона, щоб навчити свою програму на основі ІЇ лікувати рак, відокремлюючи області здорової тканини від пухлин при скануванні голови і шиї. Вона також працює з Moorfields Eye Hospital в Лондоні, виявляючи ранні ознаки втрати зору при скануванні очей.

«Наші алгоритми здатні інтерпретувати візуальну інформацію при скануванні», говорить Домінік Кінг, головний клініками в DeepMind Health. «Система вчиться визначати потенційні проблеми і рекомендувати правильний курс дій лікаря. Поки рано коментувати результати, але вони вже дуже обнадіюють».

Кінг каже, що методи ШІ можуть допомогти лікарям визначати діагноз швидше, просіваючи скани і розставляючи пріоритети на тих, які рекомендуються до негайного розгляду.

IBM також нещодавно оголосила, що ШІ Watson може аналізувати зображення і оцінювати записи пацієнтів, точно визначаючи пухлина в 96% випадків. Зараз система проходить медичні випробування в 55 лікарнях по всьому світу, допомагаючи діагностувати рак молочної залози, легень, колоректального раку, раку шийки матки, яєчника, шлунка і передміхурової залози.

Не вимикаючи світло

На тлі розгляді суперечок про те, чи могло зміна клімату викликати два катастрофічних урагану в історичних масштабах, у США, як можна було б максимально ефективно спрямувати штучний інтелект на дослідження використання чистого, відновлюваної енергії для запобігання подальшого збитку, який призводить до проблем клімату?

Люди всього світу все більше покладаються на поновлювані джерела енергії для боротьби зі зміною клімату і забрудненням, викликаним викопним паливом, і завдання балансування енергетичних мереж з такими переривчастими джерелами стає все складніше. Поширення розумних лічильників – цифрових моніторів енергії, які автоматично записують споживання – також надасть багато даних про те, як і коли споживачі використовують енергію. Тільки в Євросоюзі планується установка 500 мільйонів розумних лічильників у будинках до 2020 року.

«Керування всіма цими активами неможливо для людини, оскільки час відповіді часто складає порядку декількох секунд», говорить Валентин Робу, доцент інтелектуальних систем в Університеті Херіот Ватт в Единбурзі. Він працює з англійською компанією Upside Energy, розробляючи нові способи управління електричними мережами.

Вони створюють алгоритми машинного навчання для моніторингу виробництва і попиту на енергію в реальному часі. Що це означає? Що енергія буде зберігатися в спокійні години і потім випускатися в години пік, наприклад з ранку, коли кожен хоче зробити собі кави. По мірі того, як електромобілі і домашні акумулятори стають все більш поширеними, технології можна використовувати для зберігання енергії і рівномірного розподілу поновлюваних потоків.

Робу також говорить, що ІЇ можна використовувати на ще більш базовому рівні, допомагаючи знизити наш попит на підключені пристрої. Наприклад, холодильниками ИИ може безпосередньо керувати, щоб вони включалися лише тоді, коли попит на електроенергію найнижчий в мережі.