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, 42% van ondernemingsgrote bedrijven heeft al AI geïntegreerd in hun operaties, terwijl nog eens 40% de technologie overwegen voor hun organisaties.

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

Volgens schattingen van PWC zal AI tegen het einde van dit decennium mogelijk $15,7 biljoen bijdragen aan de wereldeconomie, waarbij 45% van de totale economische winst voortkomt uit AI-gedreven productverbeteringen in de vorm van betaalbaarheid, aantrekkelijkheid, variëteit en verhoogde personalisatie, wat de consumentenvraag stimuleert. Ondertussen zal $6,6 biljoen van de BBP-stijging in lokale economieën naar verwachting voortkomen uit verhoogde productiviteit, aldus PWC.

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 door fononen, een kwantum van vibrerende mechanische energie.

Deze subatomaire deeltjes dragen warmte, en sommige thermische eigenschappen van een materiaal hangen af van de fonon-dispersierelatie, die de relatie beschrijft tussen de energie van fononen en hun impuls in de kristalstructuur. Het is niet alleen moeilijk om dit in een systeemontwerp op te nemen, maar het verkrijgen ervan brengt ook aanzienlijke uitdagingen met zich mee.

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.”

– Co-lead author Ryotaro Okabe, a chemistry graduate student

De ML-modellen die worden gebruikt voor hoog-precisie berekeningen om fonon-dispersierelaties te schatten, worden graph neural networks (GNN) genoemd. Deze netwerken zetten de atomaire structuur van een materiaal om in een kristalgrafiek.

The crystal graph comprises multiple nodes connected by edges. The nodes represent atoms, while the edges act as the interatomic bonding between atoms.

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.

Echter, deze virtuele knooppunten kunnen alleen berichten ontvangen van echte knooppunten. Dus terwijl ze tijdens de berekening samen met de echte knooppunten worden bijgewerkt, beïnvloeden de virtuele knooppunten de nauwkeurigheid van het model niet.

Zoals co-lead auteur Abhijatmedhi Chotrattanapituk, een graduate student elektrotechniek en informatica, uitlegt, de echte knooppunten hebben geen idee dat er virtuele aanwezig zijn. Hij zei:

“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 nieuwe AML-framework, ontwikkeld door onderzoekers van MIT en anderen, blijkt fonon-dispersierelaties tot wel 1 miljoen keer sneller te voorspellen dan traditionele, niet-AI gebaseerde benaderingen. Zelfs vergeleken met andere AI-technieken is dit nieuwe framework 1.000 keer sneller met vergelijkbare of zelfs betere nauwkeurigheid.

Bij het voorspellen van de warmtecapaciteit van een materiaal vond de onderzoeker het model iets nauwkeuriger, met voorspellingsfouten die in sommige gevallen twee orde van grootte lager waren.

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.

Hier zijn twee bedrijven die kunnen profiteren van deze AI-gerelateerde ontwikkeling bij het voorspellen van de thermische eigenschappen van materialen:

#1. Intel

Als toonaangevende fabrikant van microprocessoren is warmtebeheer cruciaal voor Intel. 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 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.

Gelijkheid Waarborgen

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.

Hoewel traditioneel wordt aangenomen dat algoritmen eerlijk zijn, betoogt een nieuw artikel van onderzoekers van Northeastern University en MIT dat het bereiken van eerlijkheid met ML vaak willekeurigheid vereist. Hun analyse toonde aan dat randomisatie bijzonder nuttig is wanneer de beslissingen van een model onzekerheid bevatten. Ook, wanneer dezelfde groep consequent negatieve beslissingen ontvangt, moet randomisatie worden toegepast om eerlijkheid te verbeteren.

De onderzoekers presenteerden een raamwerk om specifieke randomisatie in de beslissingen van het model te introduceren. De methode kan worden aangepast aan individuele situaties om eerlijkheid te verbeteren zonder de nauwkeurigheid te schaden of de effectiviteit van een model te verminderen.

“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.”

– De hoofd auteur, Shomik Jain, een graduate student in 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:

“Wanneer je erkent dat mensen verschillende aanspraken hebben op deze schaarse middelen, zal eerlijkheid vereisen dat we alle aanspraken van individuen respecteren. Als we altijd iemand met een sterkere claim de bron geven, is dat dan eerlijk?”

Een deterministische toewijzing waarbij een sterkere claim altijd de bron krijgt, kan systemische uitsluiting veroorzaken of leiden tot oplopende onrechtvaardigheid. Machine-learning-modellen kunnen ook fouten maken, die worden herhaald bij een deterministische aanpak.

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.

Bijvoorbeeld, toewijzing van nieren omvat het projecteren van de levensduur, wat zeer onzeker is, en wanneer er twee patiënten zijn die slechts vijf jaar van elkaar verschillen, wordt het nog moeilijker te meten. 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.

In de toekomst plannen de onderzoekers andere use-cases te bestuderen en de impact van randomisatie op andere factoren, zoals prijzen en concurrentie, te onderzoeken, en hoe dat kan worden gebruikt om de robuustheid van ML-modellen te verbeteren. Nu bekijken we twee bedrijven die aanzienlijk kunnen profiteren van deze ontwikkeling:

#1. UnitedHealth Group 

UnitedHealth Group Inc. kan de eerlijkheid in patiëntenzorgbeheer en resourceverdeling verbeteren door gestructureerde willekeurigheid in AI-modellen op te nemen. Deze aanpak vermindert bias en zorgt voor gelijke toegang tot behandelingen, in lijn met UnitedHealth’s inzet voor hoogwaardige, betaalbare zorg.

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 

Pfizer Inc. kan gestructureerde willekeurigheid in AI gebruiken om eerlijke patiëntselectie in klinische proeven en gelijke toewijzing van experimentele behandelingen te waarborgen. Deze aanpak ondersteunt Pfizer’s missie om gezondheidsongelijkheid te bevorderen en een bredere populatie te laten profiteren.

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.

Traditioneel wordt een one-size-fits-all benadering gebruikt via gestandaardiseerde vocabulairelijsten en kant-en-klare materialen voor taalvaardigheidstests en interventies. Dit gebeurt ondanks het feit dat kinderen taal leren door interactie met hun omgeving, en omdat ze opgroeien in diverse omgevingen, leidt dit tot variatie in vocabulaire-exposure.

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 spraakpathologie theorie met praktische expertise en houdt rekening met variaties in de taalontwikkeling van kinderen door een geïndividualiseerde weging van factoren en flexibele vocabulaire-selectiecriteria.

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. Doelvocabulaire Extractor
3. Gepersonaliseerde Interventie Hulp Generator

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.

Voor dit doel werden thuis-IoT-apparaten gebruikt om de dagelijkse omgeving en taalblootstelling van kinderen vast te leggen en te monitoren. De vocabulaire van de kinderen werd vervolgens onderzocht met behulp van sprekersscheiding, die verschillende sprekers identificeert en isoleert, en morfologische analysetechnieken om de kleinste semantische eenheden van taal te beoordelen.

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 cruciale factoren gerelateerd aan spraakpathologie.

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 gepersonaliseerde taalleersysteem met negen gezinnen gedurende een periode van vier weken. De resultaten toonden de toepasbaarheid van het systeem in alledaagse omgevingen en lieten duidelijk zien dat kinderen de doelvocabulaire leerden.

“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 twee onderstaande bedrijven kunnen profiteren van AI-aangedreven gepersonaliseerde taalleersystemen:

#1. Amazon

Amazon, met zijn uitgebreide AI- en IoT-mogelijkheden, kan gepersonaliseerde taalleersystemen integreren in zijn slimme thuisapparaten zoals Alexa. Dit zou ouders in staat stellen Alexa te gebruiken om de taalontwikkeling van hun kinderen in realtime vast te leggen en te analyseren, en zo op maat gemaakte leerervaringen te bieden.

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

De omzet in Noord-Amerika steeg met 12% naar $353 miljard, de internationale omzet steeg met 11% naar $131 miljard, en de AWS-omzet groeide met 13% naar $91 miljard. Het operationele inkomen steeg van $12,2 miljard in 2022 naar $36,9 miljard in 2023, terwijl de vrije cashflow veranderde van -$11,6 miljard in 2022 naar +$36,8 miljard.

#2. Alphabet Inc. (Google)

Google kan gepersonaliseerde taalleersystemen inzetten via zijn Google Home- en Nest-apparaten. Door gebruik te maken van Google’s AI-expertise kunnen deze apparaten gepersonaliseerde leerinhoud bieden en de taalontwikkeling volgen, wat bijdraagt aan effectievere taalinterventies voor kinderen.

In 2023 groeide de totale omzet van Alphabet Inc. tot $307,4 miljard, een stijging ten opzichte van $282,8 miljard in 2022. Google Services, inclusief Google Search en YouTube-advertenties, genereerden $272,5 miljard, terwijl Google Cloud $33,1 miljard verdiende. Het operationele inkomen steeg naar $84,3 miljard, waarbij Google Cloud van een verlies van $1,9 miljard in 2022 naar een winst van $1,7 miljard ging. De totale activa bereikten $402,4 miljard, inclusief $110,9 miljard aan contanten.

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.