Kehityksen keskus – Tekoälyn monipuolisuus esillä viimeaikaisten saavutusten avulla

Tekoälyn innovaatiot muokkaavat yritysten tulevaisuutta lähes kaikilla aloilla. Terveydenhuollosta, valmistuksesta, rahoituksesta, koulutuksesta, viihteestä ja oikeudesta mediaan, asiakaspalveluun, liikenteeseen ja paljon muuhun, käytännössä mikään merkittävä toimiala ei ole jäänyt tekoälyn vaikutuksen ulkopuolelle.

IBM:n vuonna 2023 toteuttaman kyselyn mukaan 42 % yrityksistä, jotka toimivat yritystasolla, on jo integroinut tekoälyn toimintaansa, kun taas toinen 40 % harkitsee teknologian käyttöönottoa organisaatioissaan.

Tämä on järkevää, koska tekoälyllä on potentiaalia muuttaa tuottavuutta ja siten talouden BKT‑potentiaalia.

PwC:n arvioiden mukaan tekoäly voi mahdollisesti tuoda 15,7 triljoonaa dollaria globaaliin talouteen tämän vuosikymmenen loppuun mennessä, ja 45 % kokonaisvaltaisista taloudellisista hyödyistä tulee tekoälypohjaisista tuoteparannuksista, kuten edullisuudesta, houkuttelevuudesta, monipuolisuudesta ja lisääntyneestä personoinnista, mikä stimuloi kuluttajakysyntää. Samanaikaisesti PwC:n mukaan 6,6 triljoonaa dollaria BKT‑kasvusta paikallisissa talouksissa tulee todennäköisesti lisääntyneestä tuottavuudesta.

Tekoäly on nopeasti nousemassa keskeiseksi häiriötekijäksi ja kilpailuedun lähteeksi, toimien solmukohtana lähes jokaisen toimialan edistämisessä. Tämä valtava potentiaali ja monipuolisuus näkyvät viimeaikaisissa edistysaskeleissa, jotka on saavutettu tämän teknologian avulla.

Thermisten ominaisuuksien ennustaminen

Mielenkiintoinen tekoälyn sovellus on materiaalien lämpöominaisuuksien ennustaminen. Tämä voi auttaa insinöörejä suunnittelemaan nopeampia mikrosähköisiä laitteita ja tehokkaampia energianmuunnosjärjestelmiä samalla kun jätetään vähemmän hukkaenergiaa.

Rakenne‑ominaisuus‑suhteen ymmärtäminen on tärkeää, kun suunnitellaan materiaaleja tietyillä ominaisuuksilla. Merkittävää edistystä on jo saavutettu koneoppimismenetelmissä tällä saralla, mutta haasteita on edelleen mallien yleistettävyyden ja ominaisuuksien ennustamisen osalta.

Viimeisin tutkimus esitteli virtuaalisen solmun graafisen neuroverkon (VGNN) näiden ongelmien ratkaisemiseksi. Virtuaalisen solmumallinsa avulla tutkijat pystyivät ennustamaan Γ‑fononiskaalan ja koko fononijakauman pelkästään atomikoordinaateista. Yhdistämällä lähestymistapansa ML‑interatomisiin potentiaaleihin tiimi saavutti huomattavasti paremman tehokkuuden ja tarkkuuden.

Kyky laskea fononikaistarakenteet nopeasti ja tarkasti on kriittinen, koska arvioiden mukaan 70 % maailmanlaajuisesta tuotetusta energiasta muuttuu hukka‑lämmöksi. Jos tutkijat pystyvät ennustamaan, miten lämpö kulkeutuu eristeiden ja puolijohteiden läpi, voidaan suunnitella tehokkaampia energian tuotantojärjestelmiä.

Ongelma on, että materiaalien lämpöominaisuuksien mallintaminen voi olla erittäin vaikeaa. Tämä johtuu fononeista, jotka ovat kvantteja värähtelymekaanisesta energiasta.

Nämä alkeishiukkaset kuljettavat lämpöä, ja osa materiaalin lämpöominaisuuksista riippuu fononijakaumasta, joka kuvaa fononien energian ja niiden liikemäärän välistä suhdetta kiteisessä rakenteessa. Tämä on vaikeaa sisällyttää järjestelmän suunnitteluun, ja sen hankkiminen aiheuttaa merkittäviä haasteita.

Seniorikirjoittaja Mingda Li, ydin- ja tekniikan tiedekunnan apulaisprofessori, totesi:

“Fononit ovat syy lämpöhäviöön, mutta niiden ominaisuuksien hankkiminen on huomattavan haastavaa, joko laskennallisesti tai kokeellisesti.”

Lämpöä kantavien fononien erittäin laaja taajuusalue tekee niiden ennustamisesta vaikeaa. Lisäksi nämä hiukkaset liikkuvat ja vuorovaikuttavat eri nopeuksilla.

Tutkijat ovat vuosia yrittäneet arvioida fononijakaumia koneoppimisen avulla, mutta mallit juuttuvat, koska ne vaativat monia tarkkuuslaskelmia. 

“Jos sinulla on 100 prosessoria ja muutama viikko, voit todennäköisesti laskea fononijakauman yhdelle materiaalille. Koko yhteisö todella kaipaa tehokkaampaa tapaa tehdä tämä.”

– Yhteisjohtaja Ryotaro Okabe, kemian jatko-opiskelija

Korkean tarkkuuden laskelmia fononijakaumien arvioimiseksi käyttävät ML‑mallit tunnetaan graafisina neuroverkkoina (GNN). Nämä verkot muuntavat materiaalin atomirakenteen kiteiseksi graafiksi.

Kiteinen graafi koostuu useista solmuista, jotka on yhdistetty reunoilla. Solmut edustavat atomeja, kun taas reunat toimivat atomien välisten sidosten tavoin.

GNN‑verkkoja on käytetty menestyksekkäästi sähköisen polarisaation ja magnetisaation laskemiseen sekä muihin suureisiin. Ne eivät kuitenkaan ole riittävän joustavia ennustamaan fononijakaumaa tarkasti, koska kyseessä on äärimmäisen korkea‑dimensioinen suure.

Fononien liikemäärätilan mallintaminen kiinteällä graafirakenteella ei toimi, koska ne liikkuvat atomien ympärillä eri akselilla. Tämä vaatii joustavuutta, jonka tutkijat saivat virtuaalisista solmuista.

Kun graafisolmuja käytetään atomien esittämiseen, tiimi tarkasteli ajatusta ja totesi: “graafisolmut voivat olla mitä tahansa. Ja virtuaaliset solmut ovat hyvin geneerinen lähestymistapa, jonka avulla voidaan ennustaa monia korkea‑dimensioisia suureita.”

Lisäämällä joustavia virtuaalisia solmuja kiinteään kiteiseen rakenteeseen tiimi loi uuden viitekehyksen, jota kutsutaan virtuaalisen solmun graafiseksi neuroverkoksi (VGNN). Antamalla VGNN:n ulostulolle mahdollisuuden vaihdella koossa, se ei ole rajoittunut kiinteään kiteiseen rakenteeseen.

Kuitenkin nämä virtuaaliset solmut voivat vastaanottaa viestejä vain todellisilta solmuilta. Ne päivittyvät todellisten solmujen mukana laskennassa, mutta eivät vaikuta mallin tarkkuuteen.

Yhteisjohtaja Abhijatmedhi Chotrattanapituk, sähkötekniikan ja tietojenkäsittelytieteen jatko-opiskelija, selitti:

“Tapa, jolla teemme tämän, on erittäin tehokas koodauksessa. Lisäät vain muutaman solmun GNN:ssäsi.”

Kun virtuaaliset solmut edustavat fononeja, VGNN‑mallin ei tarvitse suorittaa monia monimutkaisia laskelmia fononijakauman ennustamisessa, mikä tekee siitä tehokkaamman kuin perinteinen GNN.

Tutkijoiden luoma uusi AML‑viitekehys on todettu ennustavan fononijakaumia jopa miljoona kertaa nopeammin kuin perinteiset, ei‑tekoälypohjaiset menetelmät. Verrattuna muihin tekoälypohjaisiin tekniikoihin, tämä uusi viitekehys on 1 000‑kertaa nopeampi, säilyttäen tai jopa parantaen tarkkuutta.

Kun ennustettiin materiaalin lämpökapasiteettia, malli oli hieman tarkempi, ja ennustusvirheet olivat joissain tapauksissa kaksi suuruusluokkaa pienempiä kuin perinteisillä menetelmillä.

Tutkijoiden mukaan malli pystyy arvioimaan fononijakaumia muutamalle tuhannelle materiaalille vain muutamassa sekunnissa henkilökohtaisella tietokoneella. Tämä mahdollistaa useampien materiaalien tutkimisen, joilla on erityisiä lämpöominaisuuksia. Sitä voidaan jopa käyttää seosjärjestelmien fononijakaumien laskemiseen, mikä on erityisen haastavaa perinteisille malleille.

Mikroelektroniikassa, jossa lämmön hallinta on suuri haaste nopeampien laitteiden saavuttamiseksi, uusi menetelmä voi olla äärimmäisen hyödyllinen ja auttaa kehittämään tehokkaampia mikroelektroniikkalaitteita. Lisäksi menetelmä voi auttaa energian tuotantojärjestelmien suunnittelussa, jotka tuottavat enemmän tehoa ja tehokkuutta.

Tutkijat ehdottavat kolmea mallin versiota, joista jokainen pystyy arvioimaan fononeja suoraan materiaalin atomikoordinaateista, mutta monimutkaisuus kasvaa.

Tässä on kaksi yritystä, jotka voivat hyötyä tästä tekoälyyn liittyvästä kehityksestä materiaalien lämpöominaisuuksien ennustamisessa:

#1. Intel

Johtavana mikroprosessorivalmistajana lämmönhallinta on Intelille elintärkeää. Parannetut tekoälymallit voivat auttaa suunnittelemaan nopeampia, tehokkaampia prosessoreita, joilla on parempi lämmönhajotus, mikä nostaa tuotteen suorituskykyä ja käyttöikää sekä tekee Intelistä kilpailukykyisemmän.

#2. NVIDIA

Tehokas lämmönhallinta on olennaista NVIDIA (NVDA ):n suorituskykyisille GPU:ille, joita käytetään datakeskuksissa, pelaamisessa ja tekoälysovelluksissa. Parannetut tekoälymallit voivat johtaa parempiin jäähdytysratkaisuihin, parantaen tuotteiden suorituskykyä ja luotettavuutta. Tämä avaa mahdollisuuden suunnitella energiatehokkaita tekoälyjärjestelmiä, vahvistaen NVIDIA:n markkina-asemaa.

Pariteetin varmistaminen

Samanaikainen tutkimus paransi oikeudenmukaisuutta ottamalla käyttöön strukturoitua satunnaisuutta niukkojen resurssien kohdentamiseen tekoälyn avulla. Tämä mahdollistaa ML‑pohjaisten mallien ennusteiden käsittelemisen sisäisten epävarmuustekijöiden kanssa ilman tehokkuuden heikkenemistä.

Viimeisen vuoden aikana generatiivisen tekoälyn, kuten ChatGPT:n, suosio on tehnyt teknologiasta olennainen osa yrityksiä. Organisaatiot ovat yhä enemmän turvautuneet ML‑malleihin niukkojen resurssien, kuten sosiaalietuuksien, kohdentamiseen. Tämä käyttö voi vaihdella ansioluetteloiden seulonnasta työhaastatteluihin valittavien ehdokkaiden valintaan, tai terveydenhuollon tarjoajien potilaiden priorisointiin elintärkeitä, kuten hengityskoneita tai elinsiirtoja, koskevien resurssien rajoitetun saatavuuden perusteella.

Kun käytetään tekoälymalleja, pyritään saavuttamaan oikeudenmukaisia ennusteita vähentämällä harhaanjohtavuutta. Tämä toteutetaan usein tekniikoilla, kuten ennusteiden kalibroinnilla tai mallin ominaisuuksien säätämisellä päätöksenteon parantamiseksi. 

Vaikka perinteisesti oletetaan, että algoritmit ovat oikeudenmukaisia, uusi Northeastern Universityn ja MIT:n tutkijoiden paperi väittää, että oikeudenmukaisuuden saavuttaminen ML:n avulla vaatii usein satunnaisuutta. Heidän analyysinsä osoitti, että satunnaistaminen on erityisen hyödyllistä, kun mallin päätökset sisältävät epävarmuutta. Lisäksi, kun sama ryhmä saa jatkuvasti kielteisiä päätöksiä, satunnaistamista on sovellettava oikeudenmukaisuuden parantamiseksi.

Tutkijat esittelivät viitekehyksen, jonka avulla mallin päätöksiin voidaan sisällyttää tietty satunnaisuus. Menetelmää voidaan räätälöidä yksilöllisiin tilanteisiin parantamaan oikeudenmukaisuutta vahingoittamatta tarkkuutta tai mallin tehokkuutta.

“Vaikka pystyisit tekemään oikeudenmukaisia ennusteita, pitäisikö sinun päättää näitä niukkojen resurssien tai mahdollisuuksien sosiaalisia kohdentamisia pelkästään pisteiden tai rankingien perusteella? Kun asiat laajenevat ja näemme yhä enemmän mahdollisuuksia, jotka päätetään näiden algoritmien avulla, näiden pisteiden sisäiset epävarmuustekijät voivat vahvistua. Osoitamme, että oikeudenmukaisuus saattaa vaatia jonkinlaista satunnaistamista.”

– Johtava kirjoittaja, Shomik Jain, IDSS‑opiskelija

Tämä uusi tutkimus rakentuu aikaisempaan paperiin, jossa tutkittiin determinististen järjestelmien haittoja mittakaavassa ja havaittiin, että ML‑mallien käyttö deterministiseen resurssien kohdentamiseen vahvistaa olemassa olevia epätasa-arvoja ja lisää harhaanjohtavuutta. Seniorikirjoittaja Ashia Wilson, LIDS‑pääasiallinen tutkija, totesi:

“Satunnaistaminen on erittäin hyödyllinen käsite tilastotieteessä, ja ilokseni se täyttää oikeudenmukaisuuden vaatimukset sekä systeemisestä että yksilöllisestä näkökulmasta.”

Tutkimalla, milloin satunnaistaminen voi parantaa oikeudenmukaisuutta, uusin paperi omaksui filosofi John Broomen ajatuksen loton arvon merkityksestä oikeudenmukaisuuden saavuttamisessa, väittäen satunnaistamisen tarpeen niukkojen resurssien tilanteissa, jotta kaikki väitteet kunnioitettaisiin antamalla jokaiselle mahdollisuus. Jain totesi:

“Kun tunnustat, että ihmisillä on erilaiset väitteet näihin niukkoihin resursseihin, oikeudenmukaisuus vaatii, että kunnioitamme kaikkien yksilöiden väitteitä. Jos aina annamme vahvemman väitteen omaavalle resurssin, onko se oikeudenmukaista?”

Deterministinen kohdentaminen, jossa vahvempi väite saa aina resurssin, voi aiheuttaa systeemistä poissulkemista tai pahentaa epäoikeudenmukaisuutta. Koneoppimismallit voivat myös tehdä virheitä, jotka toistuvat deterministisen lähestymistavan myötä.

Paperi totesi, että satunnaistaminen voi auttaa voittamaan nämä ongelmat. Kuitenkin kaikkia päätöksiä ei tulisi satunnaistaa tasaisesti. Vähemmän varma päätös tulisi satunnaistaa enemmän.

Esimerkiksi munuaisten kohdentaminen edellyttää eliniän ennustamista, mikä on erittäin epävarmaa, ja kun kaksi potilasta eroavat vain viidellä vuodella, mittaaminen on entistä vaikeampaa. Wilson sanoi:

“Haluamme hyödyntää tätä epävarmuuden tasoa räätälöidäksemme satunnaistamisen.”

Määrittääkseen, kuinka paljon satunnaistamista tarvitaan eri olosuhteissa, tutkijat käyttivät tilastollisia epävarmuuden kvantifiointimenetelmiä osoittaakseen, että kalibroitu satunnaistaminen voi tuottaa oikeudenmukaisempia tuloksia vaikuttamatta merkittävästi mallin tehokkuuteen tai hyödyllisyyteen.

“On tasapaino, joka on löydettävä kokonais‑hyötyjen ja niukkoja resursseja saavien yksilöiden oikeuksien kunnioittamisen välillä, mutta usein kompromissi on melko pieni.”

– Wilson

Vaikka satunnaistaminen voi olla todella hyödyllistä oikeudenmukaisuuden parantamisessa esimerkiksi yliopistojen pääsykokeissa, tutkimus huomautti myös tilanteita, kuten rikosoikeus, joissa päätösten satunnaistaminen voisi itse asiassa vahingoittaa yksilöitä sen sijaan, että se parantaisi oikeudenmukaisuutta. 

Tulevaisuudessa tutkijat aikovat tutkia muita käyttötapauksia ja selvittää satunnaistamisen vaikutusta muihin tekijöihin, kuten hintoihin ja kilpailuun, ja miten sitä voidaan käyttää parantamaan ML‑mallien kestävyyttä. Nyt tarkastelemme kahta yritystä, jotka voivat hyötyä merkittävästi tästä kehityksestä:

#1. UnitedHealth Group 

UnitedHealth (UNH ) Group Inc. voi parantaa oikeudenmukaisuutta potilaiden hoidon hallinnassa ja resurssien jakamisessa sisällyttämällä strukturoitua satunnaisuutta AI‑malleihin. Tämä lähestymistapa vähentää harhaanjohtavuutta ja varmistaa tasapuolisen pääsyn hoitoihin, mikä sopii UnitedHealthin sitoutumiseen korkealaatuiseen, edulliseen hoitoon.

Se raportoi vuoden 2024 toisen neljänneksen liikevaihdoksi 98,9 miljardia dollaria, mikä edustaa 6 miljardia dollaria kasvua edellisvuoteen verrattuna.

#2. Pfizer 

Pfizer Inc. (PFE ) voi käyttää strukturoitua satunnaisuutta tekoälyssä varmistaakseen oikeudenmukaisen potilaiden valinnan kliinisissä kokeissa ja tasapuolisen kokeellisten hoitojen jakelun. Tämä lähestymistapa tukee Pfizerin missiota edistää terveyden tasa-arvoa ja hyödyttää laajempaa väestöä.

Liikevaihdon osalta Pfizer raportoi vuodelle 2023 kokonaisliikevaihdoksi 58,5 miljardia dollaria.

Personoidut kieltenoppimisjärjestelmät

Toinen mielenkiintoinen tekoälyn sovellus on toteutunut personoitujen satukirjojen luomisessa, jotka auttavat lapsia kielen oppimisessa. Hyödyntämällä generatiivista tekoälyä ja kotitalouden IoT‑teknologiaa, viimeisin tutkimus pyrkii tarjoamaan tehokkaan ja räätälöidyn tavan auttaa lapsia parantamaan puheen ja viestinnän prosessointia.

Kielen kehitys lapsilla on äärimmäisen tärkeää, sillä se vaikuttaa heidän kognitiiviseen ja akateemiseen kasvuunsa. Koska kieli on olennainen osa lapsen sosiaalista kehitystä, kielen edistymistä on säännöllisesti arvioitava, jotta aikaiset kielen interventiot voidaan tarjota.

Perinteisesti yksi‑koko‑sopii‑kaikille -lähestymistapaa käytetään standardoitujen sanastolistojen ja ennalta valmistettujen materiaalien avulla kielen taitojen arviointiin ja interventioihin. Tämä on huolimatta siitä, että lapset oppivat kieltä vuorovaikutuksessa ympäristönsä kanssa, ja koska he kasvavat moninaisissa ympäristöissä, syntyy vaihtelua sanaston altistuksessa.

Ylittääkseen perinteisen lähestymistavan puutteet, tutkijaryhmä kehitti innovatiivisen opetusjärjestelmän, joka on räätälöity kunkin lapsen ainutlaatuiseen ympäristöön.

Tätä personoitua kieltenoppimisjärjestelmää kutsutaan ”Open Sesame? Open Salami! (OSOS).” Se yhdistää puhepatologian teorian käytännön asiantuntemukseen ja mukautuu lasten kielenkehityksen vaihteluihin yksilöllisen painotuksen ja joustavan sanaston valintakriteerin avulla.

Generatiivisen tekoälyn ja laajamittaisen tunnistuksen avulla OSOS profiloi lapsen kieliympäristön, poimii henkilökohtaisesti räätälöidyt prioriteettisanat ja luo mukautettuja satukirjoja, jotka sisältävät nämä sanat luonnollisesti. Järjestelmä koostuu kolmesta päämoduulista:

1. Personoitu kieliprofiloija
2. Kohdesanaston poimija
3. Personoidun interventioavustajan generaattori

Profiler on tarkoitus ottaa käyttöön kotona ja upottaa kodinkoneisiin tai älykaiuttimiin puhenäytteiden keräämiseksi. Vanhemmat hallitsevat, milloin tallennus aloitetaan ja lopetetaan.

Tätä tarkoitusta varten kotitalouden IoT‑laitteita hyödynnettiin lapsen päivittäisen ympäristön ja kielen altistuksen tallentamiseen ja seurantaan. Lapsen sanastoa tarkasteltiin sitten puheentunnistuksen avulla, joka erottaa ja eristää eri puhujat, sekä morfologisen analyysin menetelmiä kielen pienimpien semanttisten yksiköiden arvioimiseksi.

Poimija analysoi puheenvuorot ja poimii valittavan priorisoidun sanalistan, joka on suositeltavaa lapselle. Jokainen sana analysoidaan laskemalla niille pisteet kriittisten puhepatologian tekijöiden perusteella.

Samaan aikaan generaattori tarjoaa interventiota satukirjojen muodossa, mikä on yleinen kliininen käytäntö ja osa useimpien lasten luonnollisia rutiineja. Personoitujen materiaalien luomiseksi tiimi käytti kehittyneitä generatiivisen tekoälyn teknologioita, mukaan lukien GPT‑4 ja Stable Diffusion. Nämä ratkaisut mahdollistivat räätälöityjen kirjojen tuottamisen, jotka integroituvat saumattomasti kunkin lapsen kohdesanastoon.

Tiimi testasi personoitua kieltenoppimisjärjestelmää yhdeksän perheen kanssa neljän viikon ajan. Tulokset osoittivat järjestelmän soveltuvuuden arkipäiväisiin tilanteisiin ja tehokkaasti osoittivat lasten oppivan kohdesanaston.

“Tavoitteemme on hyödyntää tekoälyä luodaksemme räätälöityjä oppaita, jotka on sovitettu eri yksilöiden tasoihin ja tarpeisiin.”

– Johtava kirjoittaja Jungeun Lee, POSTECH

Kaksi alla olevaa yritystä voivat hyötyä AI‑pohjaisista personoiduista kieltenoppimisjärjestelmistä:

#1. Amazon

Amazon (AMZN ), laajojen AI‑ ja IoT‑kykyjensä ansiosta, voi integroida personoidut kieltenoppimisjärjestelmät älylaitteisiinsa, kuten Alexa‑laitteisiin. Tämä mahdollistaisi vanhempien käyttää Alexa‑laitteita lapsensa kielenkehityksen tallentamiseen ja analysointiin reaaliaikaisesti, tarjoten räätälöityjä oppimiskokemuksia.

Vuonna 2023 Amazonin kokonaisliikevaihto kasvoi 12 % 575 miljardiin dollariin, ja merkittävästi vaikuttivat Pohjois‑Amerikka, kansainväliset markkinat ja AWS‑segmentit.

Pohjois‑Amerikan liikevaihto nousi 12 % 353 miljardiin dollariin, kansainvälinen liikevaihto kasvoi 11 % 131 miljardiin dollariin, ja AWS‑liikevaihto nousi 13 % 91 miljardiin dollariin. Sen liiketulos nousi 12,2 miljardia dollaria vuonna 2022 36,9 miljardiin dollariin vuonna 2023, kun taas vapaa kassavirta kääntyi negatiivisesta 11,6 miljardia dollaria vuonna 2022 positiiviseksi 36,8 miljardia dollaria.

#2. Alphabet Inc. (Google)

Google voi ottaa käyttöön personoituja kieltenoppimisjärjestelmiä Google Home‑ ja Nest‑laitteidensa avulla. Hyödyntäen Googlen AI‑asiantuntemusta, nämä laitteet voivat tarjota räätälöityä oppimissisältöä ja seurata kielenkehitystä, mikä auttaa tehokkaampien kieleninterventioiden toteuttamisessa lapsille.

Vuonna 2023 Alphabet Inc. (GOOG ):n kokonaisliikevaihto kasvoi 307,4 miljardiin dollariin, mikä on nousu 282,8 miljardiin dollariin vuonna 2022. Google‑palvelut, mukaan lukien Google‑haku ja YouTube‑mainokset, tuottivat 272,5 miljardia dollaria, kun taas Google Cloud ansaitsi 33,1 miljardia dollaria. Liiketulos nousi 84,3 miljardiin dollariin, ja Google Cloud kääntyi 1,9 miljardia dollaria tappiosta 1,7 miljardia dollaria voitoksi. Kokonaisvarat olivat 402,4 miljardia dollaria, joista 110,9 miljardia dollaria käteisvaroja.

Johtopäätös

Kuten olemme nähneet näiden viimeaikaisten saavutusten kautta, tekoälyllä on monipuolisia käyttötapauksia lapsen kielenkehityksen tukemisesta energianmuunnosjärjestelmien ja suorituskykyisten mikrosähköisten laitteiden suunnitteluun. Tämä osoittaa, kuinka voimakas tekoälyn monipuolisuus on.

Tekoälyn kyky käsitellä suuria tietomääriä, suorittaa toistuvia tehtäviä tehokkaasti, oppia datasta ja parantua ajan myötä tekee siitä todellisen mullistavan voiman monille toimialoille, jotka innovoivat, parantavat tehokkuuttaan ja tuottavuuttaan, vähentävät kustannuksia ja tehostavat päätöksentekoa. Tässä taustassa tekoäly osoittaa valtavan potentiaalin, joka voi hyvin ylittää nykyiset arviomme, muuttaen toimialoja ja siten elämäämme.

Klikkaa tästä oppiaksesi kaiken tekoälyyn sijoittamisesta.