Et knutepunkt for evolusjon – Kunstig intelligens sin allsidighet i fokus med nylige prestasjoner

Innovasjoner innen kunstig intelligens former fremtiden for bedrifter i nesten alle sektorer. Fra helsevesen, produksjon, finans, utdanning, underholdning og juridisk til media, kundeservice, transport og mer, har praktisk talt ingen stor industri unngått påvirkning fra AI.

Ifølge en IBM‑undersøkelse fra 2023, 42 % av store foretak har allerede integrert AI i driften sin, mens ytterligere 40 % vurderer teknologien for sine organisasjoner.

Dette gir mening, gitt at AI har potensial til å transformere produktiviteten og dermed et lands BNP‑potensial.

Ifølge anslag fra PWC, AI vil potensielt bidra med $15,7 billion til den globale økonomien innen slutten av dette tiåret, med 45 % av de totale økonomiske gevinstene som kommer fra AI‑drevne produktforbedringer i form av prisgunst, attraktivitet, variasjon og økt personalisering, som stimulerer forbrukernes etterspørsel. Samtidig vil $6,6 billion av BNP‑økningen i lokale økonomier fra AI sannsynligvis komme fra økt produktivitet, ifølge PWC.

AI blir raskt en nøkkel kilde til forstyrrelse og konkurransefortrinn, og fungerer som et sentralt knutepunkt for å fremme nesten alle bransjer. Dette enorme potensialet og allsidigheten til AI kan sees i de nylige fremskrittene som er gjort med hjelp av denne teknologien.

Forutsi termiske egenskaper

En interessant anvendelse av AI er å forutsi de termiske egenskapene til materialer. Dette kan hjelpe ingeniører med å designe raskere mikroelektroniske enheter og mer effektive energikonverteringssystemer samtidig som avfallsvarme reduseres.

Forståelsen av forholdet mellom struktur og egenskap er viktig når man designer materialer med spesifikke egenskaper. Allerede har betydelige fremskritt blitt gjort innen maskinlæringsmetoder på dette området. Imidlertid gjenstår utfordringer når det gjelder modellers generaliserbarhet og prediksjon av egenskaper.

Så, den nyeste forskningen presenterte et virtuelt node grafisk nevralt nettverk (VGNN) for å takle disse problemene. I deres virtuelle nodemodell klarte forskerne å oppnå Γ‑fononspektra og full fonon‑dispersjonsprediksjon kun fra atomkoordinater. Ved å kombinere tilnærmingen med ML‑interatomiske potensialer oppnådde teamet mye høyere effektivitet med bedre nøyaktighet.

Evnen til å beregne fononbåndstrukturer raskt og nøyaktig er kritisk fordi anslagsvis 70 % av den produserte energien globalt ender opp som avfallsvarme. Hvis forskere kan forutsi hvordan varme beveger seg gjennom isolatorer og halvledere, kan mer effektive kraftgenereringssystemer designes.

Problemet med alt dette er at de termiske egenskapene til materialer kan være svært vanskelige å modellere. Dette skyldes fononer, en kvante av vibrasjonsmekanisk energi.

Disse subatomære partiklene transporterer varme, og noen av et materiales termiske egenskaper avhenger av fonon‑dispersjonsrelasjonen, som er forholdet mellom fononenes energi og deres momentum i krystallstrukturen. Ikke bare er dette vanskelig å innlemme i et systems design, men innhentingen av dette medfører også betydelige utfordringer.

Ifølge seniorforfatter Mingda Li, som er førsteamanuensis i kjernefysikk og ingeniørfag:

“Fononer er årsaken til termisk tap, men å skaffe deres egenskaper er notorisk utfordrende, enten beregningsmessig eller eksperimentelt.”

Det er på grunn av deres ekstremt brede frekvensområde at varme‑bærende fononer er så vanskelige å forutsi. I tillegg beveger disse partiklene seg og interagerer med varierende hastigheter.

Forskere har i flere år forsøkt å estimere fonon‑dispersjonsrelasjoner gjennom ML, men modellene stopper opp fordi de involverer mange høypresisjonsberegninger.

“Hvis du har 100 CPU‑er og noen uker, kan du sannsynligvis beregne fonon‑dispersjonsrelasjonen for ett materiale. Hele fellesskapet ønsker virkelig en mer effektiv måte å gjøre dette på.”

– Medforfatter Ryotaro Okabe, en kjemi‑masterstudent

ML‑modellene som brukes til å utføre høypresisjonsberegninger for å estimere fonon‑dispersjonsrelasjoner kalles graf‑nevrale nettverk (GNN). Disse nettverkene konverterer et materiales atomstruktur til en krystallgraf.

Krystallgrafen består av flere noder koblet sammen med kanter. Nodene representerer atomer, mens kantene fungerer som de interatomiske bindingene mellom atomene.

GNN‑er har fungert bra for å beregne elektrisk polarisation og magnetisering, blant andre størrelser. Imidlertid er de rett og slett ikke fleksible nok til å forutsi fonon‑dispersjonsrelasjonen nøyaktig, noe som er en utrolig høy‑dimensjonal størrelse.

Modellering av fononenes momentumsrom med en fast grafstruktur løser ikke problemet fordi de beveger seg rundt atomene på ulike akser. Dette krever fleksibilitet, som forskerne introduserte gjennom virtuelle noder.

Mens graf‑noder brukes til å representere atomer, gjennomgikk teamet ideen og kom til at «graf‑noder kan være hva som helst. Og virtuelle noder er en svært generisk tilnærming du kan bruke til å forutsi mange høy‑dimensjonale størrelser.»

Ved å legge til fleksible virtuelle noder i den faste krystallstrukturen, skapte teamet et nytt rammeverk kalt virtuelt node‑graf‑nevralt nettverk (VGNN). Ved å gjøre det mulig for VGNN‑outputen å variere i størrelse, blir den ikke begrenset av den faste krystallstrukturen.

Imidlertid kan disse virtuelle nodene kun motta meldinger fra ekte noder. Så selv om de oppdateres sammen med de ekte nodene under beregning, påvirker de virtuelle nodene ikke modellens nøyaktighet.

Som medforfatter Abhijatmedhi Chotrattanapituk, som er masterstudent i elektroteknikk og datavitenskap, forklarte, har de ekte nodene ingen anelse om at virtuelle noder finnes. Han sa:

“Måten vi gjør dette på er svært effektiv i koding. Du genererer bare noen få ekstra noder i GNN‑en din.”

Ved å la virtuelle noder representere fononer, trenger ikke VGNN‑modellen å utføre mange komplekse beregninger når den forutsier fonon‑dispersjonsrelasjonen, noe som gjør den mer effektiv enn GNN.

Det nye AML‑rammeverket utviklet av forskere fra MIT og andre steder har faktisk vist seg å kunne forutsi fonon‑dispersjonsrelasjoner opptil 1 million ganger raskere enn tradisjonelle, ikke‑AI‑baserte metoder. Selv sammenlignet med andre AI‑baserte teknikker er dette nye rammeverket 1 000 ganger raskere med sammenlignbar eller enda bedre nøyaktighet.

Når de forutså et materiales varmekapasitet, fant forskerne at modellen var litt mer nøyaktig, med prediksjonsfeil som var to størrelsesordener lavere med deres teknikk i noen tilfeller.

Ifølge forskerne kan modellen estimere fonon‑dispersjonsrelasjoner for noen tusen materialer på bare noen sekunder ved bruk av en personlig datamaskin. Dette gjør det mulig å utforske flere materialer med spesifikke termiske egenskaper. Den kan til og med brukes til å beregne fonon‑dispersjonsrelasjoner i legeringssystemer, noe som er spesielt utfordrende for tradisjonelle modeller.

Innen mikroelektronikk, hvor håndtering av varme er en stor utfordring for å gjøre dem raskere, kan den nye metoden være ekstremt nyttig og bidra til å utvikle mer effektive mikroelektroniske enheter. Dessuten kan metoden hjelpe i design av energigenereringssystemer som produserer mer kraft og høyere effektivitet.

Forskere foreslår tre versjoner av den nye modellen, hver i stand til å estimere fononer direkte fra materialets atomkoordinater, men med økende kompleksitet.

Her er to selskaper som kan dra nytte av denne AI‑relaterte utviklingen i å forutsi termiske egenskaper til materialer:

#1. Intel

Som en ledende mikroprosessorprodusent er varmehåndtering avgjørende for Intel (INTC ). Forbedrede AI‑modeller kan hjelpe med å designe raskere, mer effektive prosessorer med bedre varmespredning, noe som øker produktytelse og levetid og gjør Intel mer konkurransedyktig.

#2. NVIDIA

Effektiv termisk styring er essensiell for NVIDIAs høyytelses‑GPU‑er som brukes i datasentre, spill og AI‑applikasjoner. Forbedrede AI‑modeller kan føre til bedre kjøleløsninger, som forbedrer produktytelse og pålitelighet. Dette baner vei for å designe energieffektive AI‑systemer, og styrker NVIDIAs markedsposisjon.

Sikre likhet

Et separat papir forbedret samtidig rettferdighet ved å introdusere strukturert tilfeldighet i tildeling av knappe ressurser med AI. Dette gjør at ML‑baserte modellprediksjoner kan håndtere iboende usikkerheter uten å gå på bekostning av effektivitet.

I løpet av det siste året har populariteten til generativ AI som ChatGPT gjort teknologien til en integrert del av virksomheter. Organisasjoner har i økende grad tatt i bruk ML‑modeller for å fordele sine knappe ressurser, som velferdsytelser. Denne bruken kan variere fra å screene CV‑er til å velge kandidater til jobbintervjuer, til at helsepersonell rangerer pasienter for den begrensede tilgangen på livredende medisinske ressurser som respiratorer eller organer basert på overlevelsesrate.

Når man bruker AI‑modeller, er målet å oppnå rettferdige prediksjoner ved å redusere skjevhet. Dette oppnås ofte med teknikker som kalibrering av de genererte poengsummene eller justering av modellens funksjoner for å ta beslutninger.

Selv om det tradisjonelt antas at algoritmer er rettferdige, argumenterer et nytt papir av forskere fra Northeastern University og MIT for at oppnå rettferdighet ved bruk av ML ofte krever tilfeldighet. Analysen deres viste at randomisering er spesielt gunstig når en modells beslutninger involverer usikkerhet. Dessuten, når den samme gruppen konsekvent får negative beslutninger, må randomisering brukes for å forbedre rettferdigheten.

Forskerne presenterte et rammeverk for å innføre spesifikk randomisering i modellens beslutninger. Metoden kan tilpasses individuelle situasjoner for å forbedre rettferdighet uten å skade nøyaktigheten eller redusere modellens effektivitet.

“Selv om du kunne lage rettferdige prediksjoner, bør du bestemme disse sosiale tildelingene av knappe ressurser eller muligheter kun basert på poeng eller rangeringer? Etter hvert som ting skalerer og vi ser flere og flere muligheter bli bestemt av disse algoritmene, kan de iboende usikkerhetene i poengene forsterkes. Vi viser at rettferdighet kan kreve en form for randomisering.”

– Hovedforfatter, Shomik Jain, en masterstudent i IDSS

Denne nye forskningen er bygget på et tidligere papir som undersøkte skadene ved å bruke deterministiske systemer i stor skala og fant at bruk av ML‑modeller for deterministisk tildeling av ressurser forsterker eksisterende ulikheter og forsterker skjevhet. Ifølge seniorforfatter Ashia Wilson, en hovedforsker i LIDS:

“Randomisering er et svært nyttig konsept i statistikk, og til vår glede oppfyller det kravene til rettferdighet både fra et systemisk og individuelt perspektiv.”

Ved å utforske når randomisering kan forbedre rettferdighet, tok det siste papiret i bruk konseptet om lotteriers verdi i å oppnå rettferdighet fra filosofen John Broome for å argumentere for behovet for randomisering i situasjoner med knappe ressurser for å ære alle krav ved å gi hver person en sjanse. Jain sa:

“Når du erkjenner at folk har ulike krav på disse knappe ressursene, vil rettferdighet kreve at vi respekterer alle individers krav. Hvis vi alltid gir noen med et sterkere krav ressursen, er det rettferdig?”

En deterministisk tildeling der et sterkere krav alltid får ressursen kan forårsake systemisk ekskludering eller føre til forsterket urettferdighet. Maskinlæringsmodeller kan også gjøre feil, som gjentas ved bruk av en deterministisk tilnærming.

Papiret bemerket at randomisering kan bidra til å overvinne disse problemene. Imidlertid bør ikke alle beslutninger randomiseres likt. En mindre sikker beslutning bør ha mer randomisering.

For eksempel innebærer nyreallokering å projisere levetid, noe som er svært usikkert, og når det er to pasienter som kun er fem år fra hverandre, blir det enda vanskeligere å måle. Wilson sa:

“Vi ønsker å utnytte dette nivået av usikkerhet for å skreddersy randomiseringen.”

For å fastslå omfanget av nødvendig randomisering under ulike forhold, brukte forskerne metoder for statistisk usikkerhetskvantifisering for å vise at kalibrert randomisering kan gi rettferdigere resultater uten å påvirke modellens effektivitet eller nytte vesentlig.

“Det er en balanse mellom samlet nytte og respekt for rettighetene til individene som mottar en knapp ressurs, men ofte er kompromisset relativt lite.”

– Wilson

Selv om randomisering kan være svært gunstig for å forbedre rettferdighet i områder som college‑opptak, bemerket forskningen også situasjoner som strafferett hvor randomisering av beslutninger faktisk kan skade individer i stedet for å forbedre rettferdigheten.

I fremtiden planlegger forskerne å studere andre bruksområder og undersøke effekten av randomisering på andre faktorer, som priser og konkurranse, og hvordan dette kan brukes til å forbedre ML‑modellenes robusthet. Nå vil vi se på to selskaper som kan dra betydelig nytte av denne utviklingen:

#1. UnitedHealth Group 

UnitedHealth (UNH ) Group Inc. kan forbedre rettferdighet i pasientbehandlingsstyring og ressursfordeling ved å innlemme strukturert tilfeldighet i AI‑modeller. Denne tilnærmingen reduserer skjevheter og sikrer lik tilgang til behandlinger, i tråd med UnitedHealths forpliktelse til å tilby høy‑kvalitets, rimelig omsorg.

Den rapporterte inntekter på $98,9 milliarder i andre kvartal 2024, noe som reflekterer en økning på $6 milliarder år‑over‑år.

#2. Pfizer 

Pfizer Inc. (PFE ) kan bruke strukturert tilfeldighet i AI for å sikre rettferdig pasientutvelgelse i kliniske studier og lik fordeling av eksperimentelle behandlinger. Denne tilnærmingen vil støtte Pharmas oppdrag om å fremme helselikhet og gagne en bredere befolkning.

Når det gjelder inntekter, rapporterte Pfizer en årlig omsetning på $58,5 milliarder i 2023.

Personlige språklæringssystemer

En annen interessant anvendelse av AI realiseres i å generere personlige eventyrbøker for å hjelpe barn med språklæring. Ved å bruke generativ AI og hjemme‑IoT‑teknologi, har den nyeste studien som mål å tilby en effektiv og tilpasset måte å hjelpe barn med å bli bedre i å behandle tale og kommunikasjon.

Språkutvikling hos barn er av stor betydning, da den påvirker deres kognitive og akademiske vekst. Gitt den rollen den spiller i barns generelle sosiale utvikling, må språkoppsvingning evalueres jevnlig slik at rettidige språktiltak kan gis.

Tradisjonelt brukes en én‑størrelse‑passer‑alle‑tilnærming via standardiserte ordlisteler og forhåndslagde materialer for språkferdighetsvurderinger og -intervensjoner. Dette til tross for at barn lærer språk ved å interagere med sine omgivelser, og fordi de vokser opp i ulike miljøer, fører det til variasjon i ordforrådseksponering.

For å overvinne svakhetene ved denne konvensjonelle tilnærmingen utviklet et forskerteam et innovativt utdanningssystem som er skreddersydd til hvert barns unike miljø.

Dette personlige språklæringssystemet heter «Open Sesame? Open Salami! (OSOS)». Det kombinerer talepatologiteori med praktisk ekspertise og tilpasser variasjoner i barns språkutvikling gjennom individuell vektlegging av faktorer og fleksible kriterier for valg av ordforråd.

Drevet av generativ AI og omfattende sensorteknologi, profilerer OSOS et barns språkmiljø, trekker ut personlig tilpassede prioriterte ord, og lager tilpassede eventyrbøker som naturlig inkluderer disse ordene. Det består av tre hovedmoduler:

1. Personlig språkprofilerer
2. Mål‑ordforrådsuttrekker
3. Personlig intervensjons‑hjelpemiddel‑generator

Profilereren skal distribueres i hjemmet og integreres i husholdningsapparater eller smarthøyttalere for å samle taleprøver. Foreldre vil kontrollere når opptak skal startes og stoppes.

Til dette formålet ble hjemme‑IoT‑enheter brukt til å fange og overvåke barnas daglige miljø og språkeksponering. Barnas ordforråd ble deretter undersøkt ved hjelp av taler‑separasjon, som identifiserer og isolerer ulike talere, samt morfologiske analyseteknikker for å vurdere de minste semantiske enhetene i språket.

Uttrekkeren analyserer ytringene og trekker ut en valgbar prioritert liste over ord som anbefales for barnet. Hvert ord analyseres ved å beregne poeng basert på viktige faktorer knyttet til talepatologi.

Generatoren gir derimot intervensjon i form av eventyrbøker, en vanlig klinisk praksis og del av de fleste barns naturlige rutiner. For å lage personlig tilpasset materiale brukte teamet avanserte generative AI‑teknologier, inkludert GPT‑4 og Stable Diffusion. Disse løsningene gjorde det mulig å produsere skreddersydde bøker som sømløst integrerer hvert barns mål‑ordforråd.

Teamet testet det personlige språklæringssystemet med ni familier over en fire‑ukers periode. Resultatene viste systemets anvendelighet i hverdagsmiljøer og demonstrerte effektivt barnas læring av mål‑ordforrådet.

“Vårt mål er å utnytte AI for å lage tilpassede guider skreddersydd til ulike individers nivåer og behov.”

– Hovedforfatter Jungeun Lee fra POSTECH

De to selskapene nedenfor kan dra nytte av AI‑drevne personlige språklæringssystemer:

#1. Amazon

Amazon (AMZN ), med sine omfattende AI‑ og IoT‑kapasiteter, kan integrere personlige språklæringssystemer i sine smarthjem‑enheter som Alexa. Dette vil tillate foreldre å bruke Alexa til å fange og analysere barnas språkutvikling i sanntid, og tilby skreddersydde læringsopplevelser.

I 2023 økte Amazons totale inntekter med 12 % til $575 milliarder, med Nord‑Amerika, Internasjonale og AWS‑segmentene som bidro betydelig.

Nord‑amerikanske inntekter steg 12 % til $353 milliarder, internasjonale inntekter økte 11 % til $131 milliarder, og AWS‑inntekter steg 13 % til $91 milliarder. Driftsresultatet økte fra $12,2 milliarder i 2022 til $36,9 milliarder i 2023, mens fri kontantstrøm gikk fra -$11,6 milliarder i 2022 til +$36,8 milliarder.

#2. Alphabet Inc. (Google)

Google kan distribuere personlige språklæringssystemer ved hjelp av sine Google Home‑ og Nest‑enheter. Ved å utnytte Googles AI‑ekspertise kan disse enhetene tilby tilpasset læringsinnhold og spore språkutvikling, noe som hjelper til med mer effektive språktiltak for barn.

I 2023 vokste Alphabet Inc. (GOOG ) s totale inntekter til $307,4 milliarder, opp fra $282,8 milliarder i 2022. Google‑tjenester, inkludert Google‑Søk og YouTube‑annonser, genererte $272,5 milliarder, mens Google Cloud tjente $33,1 milliarder. Driftsresultatet steg til $84,3 milliarder, med Google Cloud som gikk fra et tap på $1,9 milliarder i 2022 til en gevinst på $1,7 milliarder. Totale eiendeler nådde $402,4 milliarder, inkludert $110,9 milliarder i kontanter.

Konklusjon

Som vi har sett med disse nylige prestasjonene, har AI ulike bruksområder fra å hjelpe barn med språkutvikling til å designe mer effektive energikonverteringssystemer og høy‑ytelses mikroelektroniske enheter. Dette viser hvor kraftig AI‑allsidigheten er.

AIs evne til å håndtere store datamengder, utføre repeterende oppgaver effektivt, lære fra data og forbedre seg over tid gjør den til en virkelig forstyrrende kraft for et bredt spekter av industrier som innoverer, forbedrer sin effektivitet og produktivitet, reduserer kostnader og forbedrer beslutningstaking. På dette bakteppet viser AI et enormt potensial, som sannsynligvis kan overstige våre nåværende estimater, for å transformere industrier og dermed våre liv.

Klikk her for å lære alt om investering i kunstig intelligens.