Een Hub voor Evolutie – De Veelzijdigheid van Kunstmatige Intelligentie in de Schijnwerpers met Recente Prestaties

Innovaties in kunstmatige intelligentie vormen de toekomst van bedrijven in bijna alle sectoren. Van gezondheidszorg, productie, financiën, onderwijs, entertainment en juridisch tot media, klantenservice, transport en meer, praktisch geen enkele grote industrie is niet beïnvloed door AI.

Volgens een IBM-enquête uit 2023, had 42% van de ondervraagde grote ondernemingen AI al ingevoerd in hun bedrijfsvoering, terwijl nog eens 40% de mogelijkheden verkende.

Dit is logisch, aangezien AI het potentieel heeft om productiviteit te transformeren en daarmee het BBP-potentieel van een economie.

PwC schatte in een vooruitblik dat AI in 2030 tot 15,7 biljoen dollar aan de wereldeconomie zou kunnen bijdragen. Ongeveer 6,6 biljoen dollar daarvan werd toegeschreven aan productiviteitswinst. Productverbeteringen, waaronder maatwerk en ruimere keuze, zouden de vraag verder kunnen stimuleren. Dit zijn modelramingen, geen vaststaande uitkomsten.

AI wordt snel een belangrijke bron van disruptie en concurrentievoordeel, en fungeert als een centraal knooppunt voor de vooruitgang van bijna elke industrie. Dit enorme potentieel en de veelzijdigheid van AI zijn te zien in recente vooruitgangen die met behulp van deze technologie zijn behaald.

Thermische Eigenschappen Voorspellen

Een interessante toepassing van AI is het voorspellen van de thermische eigenschappen van materialen. Dit kan ingenieurs helpen snellere micro-elektronische apparaten en efficiëntere energieconversiesystemen te ontwerpen, terwijl afvalwarmte wordt verminderd.

Het begrijpen van de relatie tussen structuur en eigenschap is belangrijk bij het ontwerpen van materialen met specifieke eigenschappen. Er is al aanzienlijke vooruitgang geboekt in machine learning-methoden op dit gebied. Er blijven echter uitdagingen bestaan met betrekking tot de generaliseerbaarheid van modellen en de voorspelling van eigenschappen.

Dus presenteerde het nieuwste onderzoek een virtual node graph neural network (VGNN) om deze problemen aan te pakken. In hun virtual node-model konden de onderzoekers Γ-fonon spectra en volledige fonon-dispersievoorspelling realiseren alleen op basis van atomaire coördinaten. Door hun aanpak te combineren met ML-interatomische potentiëlen, bereikte het team een veel hogere efficiëntie met betere nauwkeurigheid.

Het vermogen om fononbandstructuren snel en nauwkeurig te berekenen is cruciaal omdat naar schatting 70% van de wereldwijd geproduceerde energie daadwerkelijk als afvalwarmte eindigt. Als wetenschappers kunnen voorspellen hoe warmte zich verplaatst door isolatoren en halfgeleiders, kunnen efficiëntere energieopwekkingssystemen worden ontworpen.

Het probleem hierbij is dat de thermische eigenschappen van materialen zeer moeilijk te modelleren zijn. Dit komt doordat fononen quanta van collectieve roostertrillingen zijn.

Deze quasideeltjes kunnen warmte transporteren. De fonondispersierelatie beschrijft hoe hun energie samenhangt met de golfvector in het kristal. Het is lastig om die relatie nauwkeurig te berekenen en in materiaalontwerp te gebruiken.

Volgens senior auteur Mingda Li, universitair hoofddocent nucleaire wetenschappen en engineering:

“Fononen zijn de schuldige voor thermisch verlies, maar het verkrijgen van hun eigenschappen is berucht moeilijk, zowel computationeel als experimenteel.”

Dit komt door hun extreem brede frequentiebereik waardoor warmte-dragende fononen zo moeilijk te voorspellen zijn. Bovendien reizen en interageren deze deeltjes met verschillende snelheden.

Onderzoekers proberen al jaren fonon-dispersierelaties via ML te schatten, maar de modellen blijven steken omdat ze veel hoog-precisie berekeningen vereisen. 

“Als je 100 CPU’s en een paar weken hebt, kun je waarschijnlijk de fonon-dispersierelatie voor één materiaal berekenen. De hele gemeenschap wil echt een efficiëntere manier om dit te doen.”

– Medehoofdauteur Ryotaro Okabe, promovendus in de scheikunde

Voor zulke berekeningen worden onder meer graafneurale netwerken (GNN’s) gebruikt. Zij zetten de atoomstructuur van een materiaal om in een kristalgraaf.

De kristalgraaf bestaat uit meerdere knopen die door verbindingen met elkaar zijn verbonden. De knopen stellen atomen voor, terwijl de verbindingen de bindingen tussen de atomen weergeven.

GNN’s hebben goed gepresteerd bij het berekenen van elektrische polarisatie en magnetisatie, naast andere grootheden. Echter, ze zijn simpelweg niet flexibel genoeg om de fonon-dispersierelatie nauwkeurig te voorspellen, wat een ongelooflijk hoog-dimensionale grootheid is.

Het modelleren van de momentumruimte van fononen met een vaste graafstructuur werkt niet omdat ze zich rond atomen op verschillende assen verplaatsen. Dit vraagt om flexibiliteit, die de onderzoekers introduceerden via virtuele knooppunten.

Hoewel graafknooppunten worden gebruikt om atomen weer te geven, kwam het team tot de conclusie dat “graafknooppunten alles kunnen zijn. En virtuele knooppunten zijn een zeer generieke aanpak die je kunt gebruiken om veel hoog-dimensionale grootheden te voorspellen.”

Door flexibele virtuele knooppunten toe te voegen aan de vaste kristalstructuur, creëerde het team een nieuw kader genaamd virtual node graph neural network (VGNN). Door de output van VGNN in grootte te laten variëren, wordt het niet beperkt door de vaste kristalstructuur.

De virtuele knopen ontvangen informatie van de echte knopen, maar sturen die niet terug. Ze veranderen daardoor niet de verwerking van de oorspronkelijke atoomknopen terwijl ze extra voorspellingen mogelijk maken.

Medehoofdauteur Abhijatmedhi Chotrattanapituk, promovendus in elektrotechniek en informatica, legt uit dat de echte knopen de virtuele knopen niet hoeven te verwerken:

“De manier waarop we dit doen is zeer efficiënt in code. Je genereert gewoon een paar extra knooppunten in je GNN.”

Door virtuele knooppunten fononen te laten vertegenwoordigen, hoeft het VGNN-model niet veel complexe berekeningen uit te voeren bij het voorspellen van de fonon-dispersierelatie, waardoor het efficiënter is dan GNN.

Het door MIT en partners ontwikkelde machinelearningmodel voorspelde fonondispersierelaties in de onderzochte vergelijkingen tot ongeveer duizend keer sneller dan andere AI-methoden. Ten opzichte van traditionele berekeningen kon het verschil oplopen tot een factor miljoen. Die versnelling hangt af van de taak en de vergelijkingsmethode.

Bij voorspellingen van de warmtecapaciteit was het model ook nauwkeuriger: in sommige gevallen waren de fouten twee ordes van grootte kleiner.

Volgens de onderzoekers kan het model fonon-dispersierelaties voor enkele duizenden materialen in slechts enkele seconden schatten met een persoonlijke computer. Dit maakt de verkenning van meer materialen met specifieke thermische eigenschappen mogelijk. Het kan zelfs worden gebruikt om fonon-dispersierelaties in legeringssystemen te berekenen, wat bijzonder uitdagend is voor traditionele modellen.

In de micro-elektronica, waar warmtebeheer een grote uitdaging is om ze sneller te maken, kan de nieuwe methode uiterst nuttig zijn en bijdragen aan de ontwikkeling van efficiëntere micro-elektronica. Bovendien kan de methode helpen bij het ontwerpen van energieopwekkingssystemen die meer vermogen en meer efficiëntie produceren.

Onderzoekers stellen drie versies van het nieuwe model voor, elk in staat fononen direct vanuit de atomaire coördinaten van het materiaal te schatten, maar met toenemende complexiteit.

De volgende bedrijven illustreren waar beter thermisch materiaalontwerp relevant kan zijn. De studie toont niet aan dat zij het model al commercieel gebruiken:

#1. Intel

Als toonaangevende fabrikant van microprocessoren is warmtebeheer cruciaal voor Intel (INTC ). Verbeterde AI-modellen kunnen helpen snellere, efficiëntere processors te ontwerpen met betere warmteafvoer, waardoor de productprestaties en levensduur toenemen en Intel concurrerender wordt.

#2. NVIDIA

Efficiënt thermisch beheer is essentieel voor de high-performance GPU’s van NVIDIA (NVDA ) die worden gebruikt in datacenters, gaming en AI-toepassingen. Verbeterde AI-modellen kunnen leiden tot betere koelingsoplossingen, waardoor de productprestaties en betrouwbaarheid verbeteren. Dit maakt de ontwikkeling van energiezuinige AI-systemen mogelijk, wat de marktpositie van NVIDIA versterkt.

Eerlijkheid bij de Toewijzing van Schaarse Middelen

Een afzonderlijk artikel verbeterde ondertussen de eerlijkheid door gestructureerde willekeurigheid te introduceren bij de toewijzing van schaarse middelen met AI. Dit stelt ML-gebaseerde modelvoorspellingen in staat om inherente onzekerheden aan te pakken zonder de efficiëntie te compromitteren.

In het afgelopen jaar heeft de populariteit van generatieve AI zoals ChatGPT de technologie tot een integraal onderdeel van bedrijven gemaakt. Organisaties wenden zich steeds vaker tot ML-modellen om hun schaarse middelen, zoals sociale uitkeringen, toe te wijzen. Dit gebruik kan variëren van het screenen van cv’s tot het selecteren van kandidaten voor sollicitatiegesprekken tot zorgverleners die patiënten rangschikken voor de beperkte voorraad levensreddende medische middelen zoals beademingsapparaten of organen op basis van hun overlevingskans.

Bij het gebruik van AI-modellen streeft men ernaar eerlijke voorspellingen te bereiken door bias te verminderen. Dit wordt vaak gerealiseerd met technieken zoals het kalibreren van de gegenereerde scores of het aanpassen van de modelkenmerken om beslissingen te nemen.

Onderzoekers van Northeastern University en MIT betogen dat een eerlijke toewijzing van schaarse middelen soms randomisatie vereist. Dat kan relevant zijn wanneer voorspellingen onzeker zijn of vaste ranglijsten steeds dezelfde personen uitsluiten. Het is geen algemene regel dat elke beslissing willekeurig moet worden genomen.

De onderzoekers presenteerden een raamwerk om specifieke randomisatie in de beslissingen van het model te introduceren. De methode kan worden aangepast aan de onzekerheid en de specifieke situatie. Het doel is een betere afweging tussen eerlijke kansen en het nut van de toewijzing, niet een garantie op ongewijzigde nauwkeurigheid.

“Zelfs als je eerlijke voorspellingen zou kunnen maken, moet je dan deze sociale toewijzingen van schaarse middelen of kansen strikt op basis van scores of ranglijsten bepalen? Naarmate de schaal toeneemt en we steeds meer kansen zien die door deze algoritmen worden beslist, kunnen de inherente onzekerheden in deze scores worden versterkt. We tonen aan dat eerlijkheid mogelijk enige vorm van randomisatie vereist.”

– Hoofdauteur Shomik Jain, promovendus bij IDSS

Dit nieuwe onderzoek is gebaseerd op een eerder artikel dat de nadelen onderzocht van het gebruik van deterministische systemen op grote schaal en ontdekte dat het gebruik van ML-modellen voor deterministische toewijzing van middelen bestaande ongelijkheden versterkt en bias bevestigt. Volgens senior auteur Ashia Wilson, een hoofdonderzoeker bij LIDS:

“Randomisatie is een zeer nuttig concept in de statistiek, en tot onze vreugde voldoet het aan de eerlijkheidseisen vanuit zowel een systemisch als individueel perspectief.”

Door te onderzoeken wanneer randomisatie eerlijkheid kan verbeteren, heeft het nieuwste artikel het concept van de waarde van loterijen in het bereiken van eerlijkheid van filosoof John Broome overgenomen om de noodzaak van randomisatie in situaties met schaarse middelen te onderbouwen, zodat alle aanspraken worden geëerd door elke persoon een kans te geven. Jain zei:

“Als mensen verschillende aanspraken op schaarse middelen hebben, moeten we die aanspraken respecteren. Is het eerlijk om het middel altijd te geven aan degene met de sterkste voorspelde aanspraak?”

Een vaste rangorde kan systematische uitsluiting veroorzaken. Bovendien kunnen fouten in voorspellingen bij een deterministische aanpak steeds dezelfde personen benadelen.

Het artikel merkte op dat randomisatie kan helpen deze problemen te overwinnen. Echter, niet alle beslissingen moeten evenveel gerandomiseerd worden. Een minder zekere beslissing zou meer randomisatie moeten krijgen.

Bij het toewijzen van een nier kan de voorspelde levensduur zeer onzeker zijn. Een voorspeld verschil van vijf jaar tussen twee patiënten hoeft daarom geen betrouwbare basis te vormen om de ene altijd voorrang te geven. Wilson zei:

“We willen dat niveau van onzekerheid benutten om de randomisatie op maat te maken.”

Om de mate van benodigde randomisatie in verschillende omstandigheden te bepalen, gebruikten de onderzoekers statistische methoden voor onzekerheidskwantificatie om aan te tonen dat gekalibreerde randomisatie eerlijkere uitkomsten kan opleveren zonder de effectiviteit of bruikbaarheid van het model aanzienlijk te beïnvloeden.

“Er moet een evenwicht worden gevonden tussen de algehele bruikbaarheid en het respecteren van de rechten van de individuen die een schaarse bron ontvangen, maar vaak is de afweging relatief klein.”

– Wilson

Hoewel randomisatie zeer nuttig kan zijn om eerlijkheid te verbeteren in gebieden zoals toelating tot universiteiten, merkte het onderzoek ook situaties op zoals strafrecht waar randomisatie van beslissingen individuen juist kan schaden in plaats van eerlijkheid te verbeteren.

De onderzoekers willen verdere toepassingen onderzoeken, inclusief effecten op prijzen en concurrentie. De volgende bedrijven zijn voorbeelden van organisaties waarvoor eerlijke toewijzing relevant kan zijn; hun toepassing van dit specifieke onderzoek is niet aangetoond:

#1. UnitedHealth Group 

Voor UnitedHealth (UNH ) Group Inc. kan onderzoek naar eerlijke verdeling van zorgmiddelen relevant zijn. Gestructureerde randomisatie is een mogelijke aanpak die per toepassing zorgvuldig moet worden beoordeeld; de studie bewijst niet dat het bedrijf hiermee gelijke toegang tot zorg garandeert.

Het rapporteerde een omzet van $98,9 miljard in het tweede kwartaal van 2024, wat een stijging van $6 miljard jaar-op-jaar weerspiegelt.

#2. Pfizer 

Voor Pfizer Inc. (PFE ) kan onderzoek naar eerlijke patiëntselectie relevant zijn. Het doel zou zijn gezondheidsongelijkheid te verminderen en bredere deelname te ondersteunen. Dit is een mogelijke toepassing, geen bewijs dat Pfizer deze methode gebruikt of dat randomisatie altijd passend is.

Wat de omzet betreft, rapporteerde Pfizer een jaarlijkse omzet van $58,5 miljard in 2023.

Gepersonaliseerde Taalleersystemen

Een andere interessante toepassing van AI wordt gerealiseerd in het genereren van gepersonaliseerde prentenboeken om kinderen te helpen bij taalverwerving. Door generatieve AI en thuis-IoT-technologie te gebruiken, streeft de nieuwste studie naar een effectieve en op maat gemaakte manier om kinderen beter te laten omgaan met spraak en communicatie.

Taalontwikkeling bij kinderen is van groot belang, aangezien het hun cognitieve en academische groei beïnvloedt. Gezien de rol die het speelt in de algehele sociale ontwikkeling van kinderen, moet taalvoortgang regelmatig worden geëvalueerd zodat tijdige taalinterventies kunnen worden geboden.

Gestandaardiseerde woordenlijsten en bestaand oefenmateriaal houden niet altijd voldoende rekening met de verschillende taalomgevingen waarin kinderen opgroeien. Dat kan invloed hebben op welke woorden zij vaak horen en leren.

Om de tekortkomingen van deze conventionele aanpak te overwinnen, ontwikkelde een team van onderzoekers een innovatief onderwijssysteem dat is afgestemd op de unieke omgeving van elk kind.

Dit gepersonaliseerde taalleersysteem heet “Open Sesame? Open Salami! (OSOS)”. Het combineert inzichten uit de logopedie met praktische expertise en past de selectie van oefenwoorden aan de taalomgeving van het kind aan.

Aangedreven door generatieve AI en alomtegenwoordige sensoren, profileert OSOS de taalomgeving van een kind, extraheert persoonlijk afgestemde prioriteitswoorden, en creëert aangepaste prentenboeken die die woorden natuurlijk bevatten. Het bestaat uit drie belangrijke modules:

1. Gepersonaliseerde Taalprofiler
2. Selectie van Doelwoorden
3. Generator van Gepersonaliseerd Oefenmateriaal

De Profiler zal thuis worden ingezet en ingebed in huishoudelijke apparaten of slimme luidsprekers om spraakmonsters te verzamelen. Ouders bepalen wanneer de opname start en stopt.

IoT-apparaten verzamelden spraak uit de dagelijkse thuisomgeving. Sprekerscheiding hielp de verschillende stemmen uit elkaar te houden, terwijl morfologische analyse woorden en hun betekenisdragende onderdelen onderzocht.

De Extractor analyseert de uitingen en extraheert een selecteerbare, geprioriteerde lijst van woorden die aan te bevelen zijn voor het kind. Elk woord wordt geanalyseerd door scores te berekenen op basis van factoren uit de logopedie.

De Generator biedt ondertussen interventie in de vorm van prentenboeken, een gangbare klinische praktijk en onderdeel van de natuurlijke routines van de meeste kinderen. Om gepersonaliseerd materiaal te creëren, gebruikte het team geavanceerde generatieve AI-technologieën, waaronder GPT-4 en Stable Diffusion. Deze oplossingen stelden hen in staat op maat gemaakte boeken te produceren die naadloos elk doelvocabulaire van het kind integreren.

Het team testte het systeem vier weken bij negen gezinnen. De resultaten gaven aanwijzingen dat de kinderen de geselecteerde woorden leerden en dat de aanpak thuis uitvoerbaar was. Deze kleine proef is geen bewijs voor algemene klinische effectiviteit.

“Ons doel is AI te benutten om aangepaste gidsen te creëren die zijn afgestemd op de verschillende niveaus en behoeften van individuen.”

– Hoofdauteur Jungeun Lee van POSTECH

De volgende bedrijven bieden technologie die in vergelijkbare toepassingen bruikbaar zou kunnen zijn; deelname aan OSOS is niet aangetoond:

#1. Amazon

Amazon (AMZN ) ontwikkelt AI en slimme thuisapparaten zoals Alexa. Zulke technologie zou voor gepersonaliseerd taalmateriaal kunnen worden onderzocht, maar de studie toont geen integratie met Alexa of deelname van Amazon aan.

In 2023 groeide de totale omzet van Amazon met 12% tot $575 miljard, waarbij de segmenten Noord-Amerika, Internationaal en AWS aanzienlijk bijdroegen.

De Noord-Amerikaanse omzet steeg naar ongeveer 353 miljard dollar, de internationale omzet naar 131 miljard en AWS naar 91 miljard. De operationele winst nam toe van 12,2 miljard dollar in 2022 tot 36,9 miljard in 2023. De vrije kasstroom verbeterde van min 11,6 miljard tot plus 36,8 miljard dollar.

#2. Alphabet Inc. (Google)

Google ontwikkelt AI en slimme thuisapparaten via Google Home en Nest. Dat kan aanknopingspunten bieden voor toekomstig taalonderwijs, maar de studie bewijst geen OSOS-integratie met die apparaten of deelname van Google.

Alphabet Inc. (GOOG ) rapporteerde in 2023 ongeveer 307,4 miljard dollar omzet, tegenover 282,8 miljard in 2022. Google Services bracht 272,5 miljard dollar omzet op en Google Cloud 33,1 miljard. De operationele winst van de groep bedroeg 84,3 miljard dollar; Google Cloud verbeterde van een operationeel verlies van 1,9 miljard tot een winst van 1,7 miljard. De totale activa bedroegen 402,4 miljard dollar. De circa 110,9 miljard dollar aan liquide middelen omvatte ook verhandelbare effecten.

Conclusie

Zoals we hebben gezien met deze recente prestaties, heeft AI diverse toepassingsgebieden, variërend van het helpen van kinderen bij taalontwikkeling tot het ontwerpen van efficiëntere energieconversiesystemen en high-performance micro-elektronische apparaten. Dit toont aan hoe krachtig de veelzijdigheid van AI is.

AI’s vermogen om grote hoeveelheden data te verwerken, repetitieve taken efficiënt uit te voeren, van data te leren en in de loop van de tijd te verbeteren, maakt het een werkelijk disruptieve kracht voor een breed scala aan industrieën die innoveren, hun efficiëntie en productiviteit verbeteren, kosten verlagen en besluitvorming verbeteren. Tegen deze achtergrond vertoont AI een enorm potentieel, dat mogelijk verder reikt dan onze huidige schattingen, om industrieën te transformeren en daarmee ons leven.

Klik hier om alles te leren over investeren in kunstmatige intelligentie.