Skrining Alzheimer, drone pemetaan hutan, pembelajaran mesin di luar angkasa, lebih banyak lagi – TechCrunch

Skrining Alzheimer, drone pemetaan hutan, pembelajaran mesin di luar angkasa, lebih banyak lagi - TechCrunch


Makalah penelitian datang terlalu cepat bagi siapa pun untuk membaca semuanya, terutama di bidang pembelajaran mesin, yang sekarang memengaruhi (dan memproduksi kertas) secara praktis di setiap industri dan perusahaan. Kolom ini bertujuan untuk mengumpulkan penemuan dan makalah terbaru yang paling relevan – terutama dalam tetapi tidak terbatas pada kecerdasan buatan – dan menjelaskan mengapa hal itu penting.

Minggu ini, sebuah perusahaan rintisan yang menggunakan drone UAV untuk memetakan hutan, melihat bagaimana pembelajaran mesin dapat memetakan jaringan media sosial dan memprediksi Alzheimer, meningkatkan penglihatan komputer untuk sensor berbasis ruang angkasa dan berita lain terkait kemajuan teknologi terkini.

Memprediksi Alzheimer melalui pola bicara

Alat pembelajaran mesin digunakan untuk membantu diagnosis dalam banyak hal, karena alat tersebut sensitif terhadap pola yang sulit dideteksi oleh manusia. Peneliti IBM berpotensi menemukan pola seperti itu dalam ucapan yang memprediksi pembicara mengembangkan penyakit Alzheimer.

Sistem hanya membutuhkan beberapa menit pidato biasa dalam pengaturan klinis. Tim tersebut menggunakan sekumpulan besar data (Framingham Heart Study) sejak tahun 1948, yang memungkinkan pola bicara diidentifikasi pada orang-orang yang nantinya akan mengembangkan Alzheimer. Tingkat akurasi sekitar 71% atau 0,74 area di bawah kurva bagi Anda yang lebih mengetahui secara statistik. Itu jauh dari hal yang pasti, tetapi tes dasar saat ini hampir tidak lebih baik daripada koin flip dalam memprediksi penyakit ini jauh sebelumnya.

Ini sangat penting karena semakin dini Alzheimer dapat dideteksi, semakin baik pula penanganannya. Tidak ada obatnya, tetapi ada perawatan dan praktik yang menjanjikan yang dapat menunda atau mengurangi gejala terburuk. Tes cepat dan non-invasif terhadap orang-orang baik seperti ini bisa menjadi alat skrining baru yang ampuh dan juga, tentu saja, merupakan demonstrasi yang sangat baik tentang kegunaan bidang teknologi ini.

(Jangan membaca koran berharap menemukan gejala yang tepat atau semacamnya – susunan fitur ucapan sebenarnya bukan jenis hal yang dapat Anda perhatikan dalam kehidupan sehari-hari.)

Jaringan so-cell

Memastikan jaringan deep learning Anda menggeneralisasi data di luar lingkungan pelatihannya adalah bagian penting dari penelitian ML yang serius. Tetapi hanya sedikit upaya untuk melepaskan model pada data yang benar-benar asing baginya. Mungkin mereka harus melakukannya!

Para peneliti dari Universitas Uppsala di Swedia mengambil model yang digunakan untuk mengidentifikasi kelompok dan koneksi di media sosial, dan menerapkannya (tentu saja tidak tanpa modifikasi) pada pemindaian jaringan. Jaringan tersebut telah dirawat sehingga gambar yang dihasilkan menghasilkan ribuan titik kecil yang mewakili mRNA.

Biasanya kelompok sel yang berbeda, yang mewakili tipe dan area jaringan, perlu diidentifikasi dan diberi label secara manual. Tetapi grafik jaringan saraf, yang dibuat untuk mengidentifikasi kelompok sosial berdasarkan kesamaan seperti minat yang sama di ruang virtual, membuktikannya dapat melakukan tugas serupa pada sel. (Lihat gambar di atas.)

“Kami menggunakan metode AI terbaru – khususnya, grafik jaringan saraf, yang dikembangkan untuk menganalisis jaringan sosial – dan mengadaptasinya untuk memahami pola biologis dan variasi berturut-turut dalam sampel jaringan. Sel-sel tersebut sebanding dengan pengelompokan sosial yang dapat ditentukan menurut aktivitas yang mereka bagikan di jejaring sosial mereka, ”kata Carolina Wählby dari Uppsala.

Ini adalah ilustrasi yang menarik tidak hanya tentang fleksibilitas jaringan saraf, tetapi juga tentang bagaimana struktur dan arsitektur berulang di semua skala dan dalam semua konteks. Seperti di luar, begitu juga di dalam, jika Anda mau.

Drone di alam

Hutan yang luas di taman nasional dan perkebunan kayu kita memiliki pohon yang tak terhitung jumlahnya, tetapi Anda tidak dapat menuliskan “tak terhitung banyaknya” pada dokumen. Seseorang harus membuat perkiraan sebenarnya tentang seberapa baik berbagai daerah tumbuh, kepadatan dan jenis pohon, kisaran penyakit atau kebakaran hutan, dan sebagainya. Proses ini hanya sebagian otomatis, karena foto udara dan pemindaian hanya mengungkapkan begitu banyak, sementara pengamatan di lapangan sangat detail tetapi sangat lambat dan terbatas.

Treeswift bertujuan untuk mengambil jalan tengah dengan melengkapi drone dengan sensor yang mereka butuhkan untuk menavigasi dan mengukur hutan secara akurat. Dengan terbang jauh lebih cepat daripada orang yang berjalan kaki, mereka dapat menghitung pohon, mengamati masalah, dan umumnya mengumpulkan banyak data berguna. Perusahaan ini masih dalam tahap yang sangat awal, setelah keluar dari University of Pennsylvania dan memperoleh hibah SBIR dari NSF.

“Perusahaan semakin mencari sumber daya hutan untuk memerangi perubahan iklim tetapi Anda tidak memiliki persediaan orang yang tumbuh untuk memenuhi kebutuhan itu,” Steven Chen, salah satu pendiri dan CEO Treeswift dan mahasiswa doktoral di Komputer dan Ilmu Informasi (CIS) di Penn Engineering mengatakan dalam sebuah berita Penn. “Saya ingin membantu setiap ahli kehutanan melakukan apa yang mereka lakukan dengan efisiensi yang lebih tinggi. Robot ini tidak akan menggantikan pekerjaan manusia. Sebaliknya, mereka memberikan alat baru kepada orang-orang yang memiliki wawasan dan hasrat untuk mengelola hutan kami. ”

Area lain di mana drone membuat banyak gerakan menarik adalah di bawah air. Kapal selam otonom Oceangoing membantu memetakan dasar laut, melacak rak es, dan mengikuti paus. Tapi mereka semua memiliki sedikit kelemahan di mana mereka perlu secara berkala diambil, diisi dan data mereka diambil.

Profesor teknik Purdue Nina Mahmoudian telah menciptakan sistem docking dimana kapal selam dapat dengan mudah dan otomatis terhubung untuk daya dan pertukaran data.

Robot laut kuning (kiri, bawah air) menemukan jalan ke stasiun dok seluler untuk mengisi ulang dan mengunggah data sebelum melanjutkan tugas. (Foto Universitas Purdue / Jared Pike)

Pesawat itu membutuhkan nosecone khusus, yang dapat menemukan dan dihubungkan ke stasiun yang membuat sambungan aman. Stasiun bisa menjadi perahu otonom itu sendiri, atau fitur permanen di suatu tempat – yang penting adalah bahwa kapal yang lebih kecil dapat berhenti sejenak untuk mengisi ulang dan menjelaskan sebelum melanjutkan. Jika hilang (bahaya nyata di laut), datanya tidak akan hilang bersamanya.

Anda dapat melihat penyiapan beraksi di bawah ini:

https://youtu.be/kS0-qc_r0

Suara dalam teori

Drone mungkin akan segera menjadi perlengkapan kehidupan kota juga, meskipun kami mungkin beberapa cara dari helikopter pribadi otomatis beberapa orang tampaknya berpikir sudah dekat. Tapi tinggal di bawah jalan raya drone berarti kebisingan konstan – jadi orang selalu mencari cara untuk mengurangi turbulensi dan suara yang dihasilkan dari sayap dan baling-baling.

Model komputer dari sebuah pesawat dengan simulasi turbulensi di sekitarnya.

Sepertinya sedang terbakar, tapi itu turbulensi.

Para peneliti di Universitas Sains dan Teknologi King Abdullah menemukan cara baru yang lebih efisien untuk mensimulasikan aliran udara dalam situasi ini; dinamika fluida pada dasarnya serumit yang Anda buat, jadi triknya adalah menerapkan daya komputasi Anda ke bagian yang benar dari soal. Mereka hanya dapat membuat aliran di dekat permukaan pesawat teoritis dalam resolusi tinggi, menemukan melewati jarak tertentu, tidak ada gunanya mengetahui dengan tepat apa yang terjadi. Perbaikan model realitas tidak selalu harus lebih baik dalam segala hal – bagaimanapun, hasilnya adalah yang terpenting.

Pembelajaran mesin di luar angkasa

Algoritme visi komputer telah berkembang pesat, dan seiring dengan peningkatan efisiensinya, algoritme tersebut mulai diterapkan di edge daripada di pusat data. Faktanya, objek yang membawa kamera seperti ponsel dan perangkat IoT menjadi sangat umum untuk melakukan beberapa pekerjaan ML lokal pada gambar. Tapi di luar angkasa itu cerita lain.

Kredit Gambar: Kosinus

Melakukan pekerjaan ML di luar angkasa sampai baru-baru ini terlalu mahal untuk dipertimbangkan. Kekuatan itulah yang dapat digunakan untuk menangkap gambar lain, mengirimkan data ke permukaan, dll. HyperScout 2 sedang menjajaki kemungkinan kerja ML di luar angkasa, dan satelitnya telah mulai menerapkan teknik visi komputer segera ke gambar yang dikumpulkannya sebelum mengirimnya. turun. (“Ini awan – inilah Portugal – inilah gunung berapi…”)

Untuk saat ini, ada sedikit manfaat praktis, tetapi deteksi objek dapat digabungkan dengan fungsi lain dengan mudah untuk membuat kasus penggunaan baru, mulai dari menghemat daya saat tidak ada objek menarik, hingga meneruskan metadata ke alat lain yang mungkin berfungsi lebih baik jika diinformasikan.

Masuk dengan yang lama, keluar dengan yang baru

Model pembelajaran mesin sangat bagus dalam membuat tebakan yang cerdas, dan dalam disiplin ilmu di mana ada banyak simpanan data yang tidak disortir atau didokumentasikan dengan baik, akan sangat berguna untuk membiarkan AI melakukan langkah pertama sehingga mahasiswa pascasarjana dapat menggunakan waktu mereka dengan lebih produktif. Library of Congress melakukannya dengan surat kabar lama, dan sekarang perpustakaan Universitas Carnegie Mellon mulai bersemangat.

Arsip foto jutaan item CMU sedang dalam proses digitalisasi, tetapi untuk membuatnya berguna bagi sejarawan dan peramban yang penasaran, perlu diatur dan diberi tag – jadi algoritme visi komputer sedang digunakan untuk mengelompokkan gambar yang serupa, mengidentifikasi objek dan lokasi, dan melakukan tugas katalog dasar berharga lainnya.

“Bahkan proyek yang sebagian berhasil akan sangat meningkatkan metadata koleksi, dan dapat memberikan solusi yang mungkin untuk pembuatan metadata jika arsip pernah didanai untuk mendigitalkan seluruh koleksi,” kata Matt Lincoln dari CMU.

Sebuah proyek yang sangat berbeda, namun yang tampaknya entah bagaimana terhubung, adalah karya seorang siswa di Escola Politécnica da Universidade de Pernambuco di Brasil, yang memiliki ide cemerlang untuk mencoba merapikan beberapa peta lama dengan pembelajaran mesin.

Alat yang mereka gunakan mengambil peta penggambaran garis lama dan mencoba membuat semacam citra satelit berdasarkan peta tersebut menggunakan Generative Adversarial Network; GAN pada dasarnya mencoba menipu diri sendiri untuk membuat konten yang tidak dapat mereka bedakan dari aslinya.

Kredit Gambar: Sekolah Politeknik Universitas Pernambuco

Ya, hasilnya tidak seperti yang Anda sebut benar-benar meyakinkan, tetapi tetap menjanjikan. Peta semacam itu jarang akurat tetapi itu tidak berarti peta itu sepenuhnya abstrak – membuat ulang peta tersebut dalam konteks teknik pemetaan modern adalah ide menyenangkan yang mungkin membantu lokasi ini tampak tidak terlalu jauh.

Posted By : Togel Hongkong

About: sevastopol