Isang Sentro ng Ebolusyon – Pagpapakita ng Kadalubhasaan ng Artipisyal na Intelihensiya sa mga Kamakailang Tagumpay

Ang mga inobasyon sa artipisyal na intelihensiya ay humuhubog sa kinabukasan ng mga negosyo sa halos lahat ng sektor. Mula sa pangangalagang pangkalusugan, pagmamanupaktura, pananalapi, edukasyon, libangan, at legal hanggang sa media, serbisyo sa customer, transportasyon, at iba pa, halos walang pangunahing industriya ang hindi naapektuhan ng AI.

Ayon sa isang pagsisiyasat ng IBM noong 2023, 42% ng mga negosyo sa antas ng enterprise ay nakapag-integrate na ng AI sa kanilang mga operasyon, habang karagdagang 40% ay pinag-iisipan ang teknolohiyang ito para sa kanilang mga organisasyon.

May katwiran ito, dahil may potensyal ang AI na baguhin ang produktibidad at, bilang resulta, ang potensyal ng GDP ng isang ekonomiya.

Ayon sa mga pagtataya ng PWC, maaaring mag-ambag ang AI ng $15.7 trilyon sa pandaigdigang ekonomiya pagsapit ng katapusan ng dekadang ito, kung saan 45% ng kabuuang pagtaas ng ekonomiya ay nagmumula sa mga pagpapabuti ng produkto na pinapagana ng AI tulad ng pagiging abot-kaya, kaakit-akit, pagkakaiba-iba, at mas pinataas na personalisasyon, na nagpapasigla sa demand ng mga mamimili. Samantala, $6.6 trilyon ng pagtaas ng GDP sa mga lokal na ekonomiya mula sa AI ay malamang na nagmumula sa pagtaas ng produktibidad, ayon sa PWC.

Ang AI ay mabilis na nagiging pangunahing pinagmumulan ng kaguluhan at kompetitibong kalamangan, na nagsisilbing sentro para sa pag-unlad ng halos lahat ng industriya. Ang napakalaking potensyal at kadalubhasaan ng AI ay makikita sa mga kamakailang pag-unlad na nagawa sa tulong ng teknolohiyang ito. 

Pagpapredict ng mga Thermal na Katangian

Isang kawili-wiling aplikasyon ng AI ay ang pag-predict ng mga thermal na katangian ng mga materyales. Makakatulong ito sa mga inhinyero na magdisenyo ng mas mabilis na microelectronic na mga aparato at mas epektibong mga sistemang nagko-convert ng enerhiya habang binabawasan ang nasasayang na init.

Ang pag-unawa sa relasyon sa pagitan ng estruktura at katangian ay mahalaga kapag nagdidisenyo ng mga materyales na may tiyak na katangian. Sa kasalukuyan, malalaking pag-unlad na ang nagawa sa mga pamamaraan ng machine learning ukol dito. Gayunpaman, may mga hamon pa rin pagdating sa pangkalahatang pagiging epektibo ng mga modelo at sa pag-predict ng mga katangian.

Kaya, ang pinakabagong pananaliksik ay nagpakita ng isang virtual node graph neural network (VGNN) upang harapin ang mga isyung ito. Sa kanilang virtual node na modelo, nagawang makuha ng mga mananaliksik ang Γ-phonon spectra at buong prediksyon ng phonon dispersion gamit lamang ang atomic coordinates. Sa pagsasama ng kanilang pamamaraan sa ML interatomic potentials, nakamit ng koponan ang mas mataas na kahusayan at mas mahusay na katumpakan.

Ang kakayahang mabilis at tumpak na kalkulahin ang phonon band structures ay kritikal dahil tinatayang 70% ng enerhiyang nalilikha sa buong mundo ay nauuwi bilang nasasayang na init. Kung maipapredict ng mga siyentipiko kung paano gumagalaw ang init sa mga insulator at semiconductor, maaaring magdisenyo ng mas epektibong mga sistema ng pagbuo ng enerhiya.

Ang problema sa lahat ng ito ay napakahirap i-modelo ang mga thermal na katangian ng mga materyales. Ito ay dahil sa mga phonon, isang quantum ng mekanikal na enerhiyang pag-ugong.

Ang mga subatomikong particle na ito ay nagdadala ng init, at ang ilang thermal na katangian ng isang materyal ay nakadepende sa phonon dispersion relation, na siyang relasyon sa pagitan ng enerhiya ng mga phonon at ng kanilang momentum sa crystal structure. Hindi lamang ito mahirap isama sa disenyo ng isang sistema, kundi ang pagkuha nito ay nagdudulot din ng malalaking hamon.

Ayon kay Senior Author Mingda Li, na associate professor ng nuclear science and engineering:

“Ang mga phonon ang salarin sa pagkawala ng init, subalit ang pagkuha ng kanilang mga katangian ay kilalang napakahirap, maging sa computational o sa experimental na paraan.”

Dahil sa napakalawak nilang saklaw ng frequency, napakahirap i-predict ang mga phonon na nagdadala ng init. Bukod pa rito, ang mga particle na ito ay naglalakbay at nakikipag-ugnayan sa iba’t ibang bilis.

Sinusubukan ng mga mananaliksik na tantiyahin ang phonon dispersion relations gamit ang ML sa loob ng maraming taon, ngunit natitigil ang mga modelo dahil kinabibilangan ito ng maraming high-precision na kalkulasyon. 

“Kung mayroon kang 100 CPUs at ilang linggo, marahil ay makakalkula mo ang phonon dispersion relation para sa isang materyal. Ang buong komunidad ay talagang naghahangad ng mas epektibong paraan upang gawin ito.”

– Co-lead author Ryotaro Okabe, isang mag-aaral ng kimika sa graduate school

Ang mga ML model na ginagamit para sa high-precision na kalkulasyon sa pagtatantiya ng phonon dispersion relations ay tinatawag na graph neural networks (GNN). Ang mga network na ito ay nagko-convert ng atomic structure ng isang materyal sa isang crystal graph.

Ang crystal graph ay binubuo ng maraming nodes na konektado ng mga edges. Ang mga nodes ay kumakatawan sa mga atom, habang ang mga edges ay nagsisilbing interatomic bonding sa pagitan ng mga atom.

Ang mga GNN ay mahusay sa pagkalkula ng electrical polarization at magnetization, kasama ang iba pang mga halaga. Gayunpaman, hindi sila sapat na flexible upang tumpak na i-predict ang phonon dispersion relation, na isang napakataas na dimensional na halaga.

Ang pagmomodelo ng momentum space ng mga phonon gamit ang isang fixed graph structure ay hindi sapat dahil naglalakbay ang mga ito sa paligid ng mga atom sa iba’t ibang axis. Ito ay nangangailangan ng flexibility, na dinala ng mga mananaliksik sa pamamagitan ng virtual nodes.

Habang ginagamit ang mga graph nodes upang ilarawan ang mga atom, sinuri ng koponan ang ideya at napag-alaman na “ang mga graph nodes ay maaaring maging anumang bagay. At ang mga virtual nodes ay isang napaka-generic na pamamaraan na maaaring gamitin upang i-predict ang maraming high-dimensional na halaga.”

Sa pamamagitan ng pagdaragdag ng flexible na virtual nodes sa fixed crystal structure, lumikha ang koponan ng bagong balangkas na tinatawag na virtual node graph neural network (VGNN). Sa pagpapahintulot na mag-iba ang laki ng output ng VGNN, hindi ito napipigilan ng fixed crystal structure.

Gayunpaman, ang mga virtual nodes ay kaya lamang tumanggap ng mensahe mula sa mga real nodes. Kaya, habang ina-update sila kasabay ng mga real nodes sa panahon ng computation, ang mga virtual nodes ay hindi nakakaapekto sa katumpakan ng modelo.

Ayon kay Abhijatmedhi Chotrattanapituk, isang graduate student sa electrical engineering at computer science, “Ang paraan ng paggawa namin nito ay napakaepektibo sa coding. Kailangan mo lang mag-generate ng ilang karagdagang nodes sa iyong GNN.”

“Ang paraan ng paggawa namin nito ay napakaepektibo sa coding. Kailangan mo lang mag-generate ng ilang karagdagang nodes sa iyong GNN.”

Sa pamamagitan ng pagrepresenta ng mga phonon gamit ang virtual nodes, hindi na kailangang magsagawa ng maraming komplikadong kalkulasyon ang VGNN model kapag nag-predict ng phonon dispersion relation, na ginagawang mas epektibo ito kaysa sa GNN.

Ang bagong AML framework na nilikha ng mga mananaliksik mula sa MIT at iba pa ay napatunayang nakakapredict ng phonon dispersion relations nang hanggang 1 milyong beses na mas mabilis kaysa sa tradisyonal na mga paraan na hindi AI-based. Kahit kung ihahambing sa iba pang AI-based na teknik, ang bagong framework na ito ay 1,000 beses na mas mabilis na may katumbas o mas mahusay na katumpakan.

Sa pag-predict ng heat capacity ng isang materyal, natuklasan ng mananaliksik na ang modelo ay bahagyang mas tumpak, kung saan ang mga error sa prediksyon ay dalawang order ng magnitude na mas mababa gamit ang kanilang teknik sa ilang mga kaso.

Ayon sa mga mananaliksik, kayang i-estimate ng modelo ang phonon dispersion relations para sa ilang libong materyales sa loob lamang ng ilang segundo gamit ang isang personal na computer. Pinapayagan nito ang paggalugad ng mas maraming materyales na may tiyak na thermal na katangian. Maaari rin itong magamit upang kalkulahin ang phonon dispersion relations sa mga alloy system, na partikular na hamon para sa tradisyonal na mga modelo.

Sa microelectronics, kung saan ang pamamahala ng init ay malaking hamon upang mapabilis ang mga ito, ang bagong pamamaraan ay maaaring maging lubos na kapaki-pakinabang at makatulong sa pagbuo ng mas epektibong microelectronics. Higit pa rito, makatutulong ang pamamaraan sa disenyo ng mga sistemang nag-generate ng enerhiya na naglalabas ng mas maraming kapangyarihan at mas mataas na kahusayan.

Nagpanukala ang mga mananaliksik ng tatlong bersyon ng bagong modelo, bawat isa ay kayang mag-estimate ng mga phonon nang direkta mula sa atomic coordinates ng materyal ngunit may tumataas na komplikasyon.

Narito ang dalawang kumpanya na maaaring makinabang mula sa pag-unlad na ito ng AI sa pag-predict ng mga thermal na katangian ng mga materyales:

#1. Intel

Bilang nangungunang tagagawa ng microprocessor, napakahalaga ng pamamahala ng init para sa Intel (INTC ). Ang pinahusay na mga AI model ay makakatulong sa pagdisenyo ng mas mabilis at mas epektibong mga processor na may mas mahusay na heat dissipation, na nagpapataas ng performance at buhay ng produkto at ginagawang mas kompetitibo ang Intel.

#2. NVIDIA

Ang epektibong pamamahala ng init ay mahalaga para sa mga high-performance GPU ng NVIDIA (NVDA ) na ginagamit sa data centers, gaming, at AI applications. Ang pinahusay na mga AI model ay maaaring magdala ng mas magagandang cooling solution, na nagpapabuti sa performance at pagiging maaasahan ng produkto. Ito ay nagbubukas ng daan para sa pagdidisenyo ng mga energy-efficient na AI system, na nagpapatibay sa posisyon ng NVIDIA sa merkado.

Pagtiyak ng Pagkapantay-pantay

Samantala, isang hiwalay na papel ang nagpaunlad ng patas na pagtrato sa pamamagitan ng pagpapakilala ng structured randomness sa alokasyon ng limitadong mga mapagkukunan gamit ang AI. Pinapayagan nito ang mga prediksyon ng modelong batay sa ML na tugunan ang likas na hindi tiyak nang hindi isinasakripisyo ang kahusayan.

Sa nakaraang taon, ang kasikatan ng generative AI tulad ng ChatGPT ay nagpatunay na ang teknolohiyang ito ay mahalagang bahagi ng mga negosyo. Lalong dumadami ang mga organisasyon na gumagamit ng mga ML model upang mag-allocate ng kanilang limitadong mga mapagkukunan, tulad ng mga benepisyo sa kapakanan. Ang paggamit na ito ay maaaring mula sa pagsala ng mga resume hanggang sa pagpili ng mga kandidato para sa mga panayam sa trabaho, pati na rin sa pagraranggo ng mga pasyente ng mga tagapagbigay ng pangangalagang pangkalusugan para sa limitadong suplay ng mga life-saving na medikal na mapagkukunan tulad ng ventilator o organo batay sa kanilang survival rate.

Kapag gumagamit ng mga AI model, layunin na makamit ang patas na prediksyon sa pamamagitan ng pagbawas ng bias. Kadalasang ginagawa ito sa pamamagitan ng mga teknik tulad ng pag-calibrate ng mga score na nabuo o pag-aayos ng mga tampok ng modelo upang gumawa ng mga desisyon. 

Bagaman tradisyonal na pinaniniwalaan na patas ang mga algorithm, isang bagong papel mula sa mga mananaliksik ng Northeastern University at MIT ang nagsasabing ang pag-abot ng patas na resulta gamit ang ML ay madalas nangangailangan ng randomness. Natuklasan ng kanilang pagsusuri na ang randomization ay partikular na kapaki-pakinabang kapag ang mga desisyon ng modelo ay may kasamang hindi tiyak. Gayundin, kapag ang parehong grupo ay patuloy na nakakatanggap ng negatibong desisyon, kailangang ilapat ang randomization upang mapabuti ang patas na pagtrato.

Ipinakita ng mga mananaliksik ang isang balangkas upang magpakilala ng tiyak na randomization sa mga desisyon ng modelo. Ang pamamaraan ay maaaring iangkop sa mga indibidwal na sitwasyon upang mapabuti ang patas na pagtrato nang hindi sinisira ang katumpakan o nakakaapekto sa bisa ng modelo.

“Kahit na maaari kang makagawa ng patas na prediksyon, dapat mo bang ipasya ang mga sosyal na alokasyon ng limitadong mga mapagkukunan o oportunidad batay lamang sa mga score o ranggo? Habang lumalaki ang saklaw at nakikita natin na mas marami at mas maraming oportunidad ang pinapasya ng mga algorithm na ito, ang likas na hindi tiyak sa mga score ay maaaring mapalakas. Ipinapakita namin na ang patas na pagtrato ay maaaring mangailangan ng isang uri ng randomization.”

– Ang lead author, Shomik Jain, isang graduate student sa IDSS

Ang bagong pananaliksik na ito ay nakabatay sa isang nakaraang papel na nag-explore sa mga pinsala ng paggamit ng deterministic na mga sistema sa malawak na sukat at natuklasan na ang paggamit ng mga ML model sa deterministic na paglalaan ng mga mapagkukunan ay nagpapalakas ng umiiral na hindi pagkakapantay-pantay at nagpapatibay ng bias. Ayon kay senior author Ashia Wilson, isang principal investigator sa LIDS:

“Ang randomization ay isang napaka-kapaki-pakinabang na konsepto sa estadistika, at sa aming kasiyahan, natutugunan nito ang mga pangangailangan ng patas na pagtrato mula sa parehong sistemiko at indibidwal na pananaw.”

Sa pagsisiyasat kung kailan maaaring mapabuti ng randomization ang patas na pagtrato, inangkop ng pinakabagong papel ang konsepto ng halaga ng loterya sa pag-abot ng patas na pagtrato mula sa pilosopo na si John Broome upang ipagtanggol ang pangangailangan ng randomization sa mga sitwasyon ng limitadong mapagkukunan upang igalang ang lahat ng mga claim sa pamamagitan ng pagbibigay ng pagkakataon sa bawat tao. Sabi ni Jain:

“Kapag kinikilala mo na ang mga tao ay may iba’t ibang claim sa mga limitadong mapagkukunan, ang patas na pagtrato ay mangangailangan na igalang natin ang lahat ng claim ng mga indibidwal. Kung palagi nating ibinibigay ang mapagkukunan sa taong may mas malakas na claim, patas ba iyon?”

Ang deterministic na alokasyon kung saan palaging nakukuha ng mas malakas na claim ang mapagkukunan ay maaaring magdulot ng sistemikong eksklusyon o magpalala ng kawalan ng katarungan. Ang mga machine-learning na modelo ay maaari ring magkamali, na inuulit kapag gumagamit ng deterministic na pamamaraan.

Binanggit ng papel na ang randomization ay makakatulong upang malampasan ang mga problemang ito. Gayunpaman, hindi lahat ng desisyon ay dapat pantay-pantay na randomize. Ang mas hindi tiyak na desisyon ay dapat magkaroon ng mas maraming randomization.

Halimbawa, ang alokasyon ng kidney ay kinabibilangan ng pagtatantiya ng haba ng buhay, na lubhang hindi tiyak, at kapag may dalawang pasyente na limang taon lamang ang agwat, nagiging mas mahirap sukatin. Sabi ni Wilson:

“Nais naming gamitin ang antas ng hindi tiyak na ito upang iangkop ang randomization.”

Upang matukoy ang lawak ng kinakailangang randomization sa iba’t ibang kondisyon, gumamit ang mga mananaliksik ng mga metodong statistical uncertainty quantification upang ipakita na ang calibrated na randomization ay maaaring maghatid ng mas patas na resulta nang hindi gaanong naaapektuhan ang bisa o gamit ng modelo.

“Mayroong balanse na dapat makamit sa pagitan ng pangkalahatang utilidad at paggalang sa mga karapatan ng mga indibidwal na tumatanggap ng limitadong mapagkukunan, ngunit kadalasan ang tradeoff ay medyo maliit.”

– Wilson

Bagaman ang randomization ay maaaring talagang kapaki-pakinabang sa pagpapabuti ng patas na pagtrato sa mga larangan tulad ng college admissions, binanggit din ng pananaliksik ang mga sitwasyon tulad ng criminal justice kung saan ang randomizing ng mga desisyon ay maaaring makapinsala sa mga indibidwal sa halip na magpabuti ng patas na pagtrato.

Sa hinaharap, plano ng mga mananaliksik na pag-aralan ang iba pang mga kaso ng paggamit at siyasatin ang epekto ng randomization sa iba pang mga salik, tulad ng presyo at kompetisyon, at kung paano ito maaaring magamit upang mapabuti ang katatagan ng mga ML Model. Ngayon, titingnan natin ang dalawang kumpanya na maaaring makinabang nang malaki mula sa pag-unlad na ito:

#1. UnitedHealth Group 

Ang UnitedHealth (UNH ) Group Inc. ay maaaring mapabuti ang patas na pamamahala ng pangangalaga sa pasyente at pamamahagi ng mga mapagkukunan sa pamamagitan ng pagsasama ng structured randomness sa mga AI model. Ang pamamaraan na ito ay nagbabawas ng bias at nagsisiguro ng patas na pag-access sa mga paggamot, na naaayon sa pangako ng UnitedHealth na magbigay ng mataas na kalidad at abot-kayang pangangalaga.

Iniulat nito ang kita para sa ikalawang quarter ng 2024 na $98.9 bilyon, na nagpapakita ng pagtaas na $6 bilyon kumpara sa nakaraang taon.

#2. Pfizer 

Ang Pfizer Inc. (PFE ) ay maaaring gumamit ng structured randomness sa AI upang matiyak ang patas na pagpili ng mga pasyente sa mga clinical trial at patas na alokasyon ng mga experimental na paggamot. Ang pamamaraan na ito ay susuportahan ang misyon ng Pfizer na itaguyod ang health equity at makinabang ang mas malawak na populasyon.

Sa usapin ng kita, iniulat ng Pfizer ang taunang kita na $58.5 bilyon noong 2023.

Mga Personalized na Sistema ng Pagtuturo ng Wika

Isa pang kawili-wiling aplikasyon ng AI ay ang paglikha ng mga personalized na storybook upang matulungan ang mga bata sa pag-aaral ng wika. Sa pamamagitan ng paggamit ng generative AI at home IoT technology, layunin ng pinakabagong pag-aaral na magbigay ng epektibo at customized na paraan upang matulungan ang mga bata na mas mapabuti ang pagproseso ng pagsasalita at komunikasyon. 

Ang pag-unlad ng wika sa mga bata ay napakahalaga, dahil ito ay nakakaapekto sa kanilang kognitibo at akademikong paglago. Dahil sa papel na ginagampanan nito sa pangkalahatang sosyal na pag-unlad ng mga bata, ang pag-usad ng wika ay dapat regular na sinusuri upang maibigay ang napapanahong mga interbensyon sa wika. 

Tradisyonal na ginagamit ang one-size-fits-all na pamamaraan sa pamamagitan ng mga standardized na listahan ng bokabularyo at mga pre-made na materyales para sa pagsusuri ng kasanayan sa wika at mga interbensyon. Ito ay sa kabila ng katotohanang natututo ang mga bata ng wika sa pamamagitan ng pakikipag-ugnayan sa kanilang kapaligiran, at dahil lumalaki sila sa iba’t ibang kapaligiran, nagdudulot ito ng pagkakaiba-iba sa exposure sa bokabularyo.

Upang mapagtagumpayan ang mga kahinaan ng tradisyunal na pamamaraan, isang pangkat ng mga mananaliksik ang nag-develop ng isang makabagong sistemang pang-edukasyon na iniangkop sa natatanging kapaligiran ng bawat bata. 

Ang personalized na sistemang ito sa pagkatuto ng wika ay tinatawag na “Open Sesame? Open Salami! (OSOS).” Pinagsasama nito ang teorya ng speech pathology sa praktikal na karanasan at inaangkop ang mga pagkakaiba sa pag-unlad ng wika ng mga bata sa pamamagitan ng indibidwal na pag-weight ng mga salik at flexible na mga pamantayan sa pagpili ng bokabularyo. 

Gamit ang generative AI at pervasive sensing, sinusuri ng OSOS ang kapaligiran ng wika ng isang bata, kumukuha ng mga personal na inangkop na priority na salita, at lumilikha ng mga custom na storybook na natural na kasama ang mga salitang iyon. Binubuo ito ng tatlong pangunahing module:

1. Personalized Language Profiler
2. Target Vocabulary Extractor
3. Personalized Intervention Aid Generator

Ang Profiler ay ilalagay sa tahanan at i-embed sa mga home appliance o smart speaker upang mangolekta ng mga speech sample. Ang mga magulang ang magkokontrol kung kailan sisimulan at ititigil ang pagre-record.

Para sa layuning ito, ginamit ang mga home IoT device upang i-capture at subaybayan ang pang-araw-araw na kapaligiran at exposure sa wika ng mga bata. Ang bokabularyo ng mga bata ay sinuri gamit ang speaker separation, na tumutukoy at nag-i-isolate ng iba’t ibang speaker, at mga teknik ng morphological analysis upang tasahin ang pinakamaliit na semantikong yunit ng wika.

Ang Extractor ay nag-aanalisa ng mga pagbigkas at kumukuha ng isang napipiling listahan ng mga salitang may prayoridad na inirerekomenda para sa bata. Ang bawat salita ay sinusuri sa pamamagitan ng pagkalkula ng mga score batay sa mahahalagang salik na may kaugnayan sa speech pathology.

Samantala, ang Generator ay nagbibigay ng interbensyon sa anyo ng mga storybook, isang karaniwang klinikal na praktis at bahagi ng natural na routine ng karamihan sa mga bata. Upang lumikha ng mga personalized na materyales, gumamit ang koponan ng mga advanced na generative AI technology, kabilang ang GPT-4 at Stable Diffusion. Pinahintulutan ng mga solusyong ito na makagawa sila ng mga bespoke na libro na walang putol na isinasama ang target na bokabularyo ng bawat bata. 

Sinubukan ng koponan ang personalized na sistema ng pagkatuto ng wika kasama ang siyam na pamilya sa loob ng apat na linggo. Ipinakita ng mga resulta ang pagiging angkop ng sistema sa pang-araw-araw na setting at epektibong ipinakita ang pagkatuto ng mga bata sa target na bokabularyo.

“Ang aming layunin ay gamitin ang AI upang lumikha ng mga customized na gabay na iniangkop sa iba’t ibang antas at pangangailangan ng mga indibidwal.”

– Lead author Jungeun Lee mula sa POSTECH

Ang dalawang kumpanya sa ibaba ay maaaring makinabang mula sa AI-powered na personalized na mga sistema ng pagkatuto ng wika:

#1. Amazon

Ang Amazon (AMZN ), sa pamamagitan ng malawak nitong kakayahan sa AI at IoT, ay maaaring i-integrate ang mga personalized na sistema ng pagkatuto ng wika sa mga smart home device nito tulad ng Alexa. Ito ay magbibigay-daan sa mga magulang na gamitin ang Alexa upang i-capture at suriin ang pag-unlad ng wika ng kanilang mga anak nang real-time, na nag-aalok ng mga iniangkop na karanasan sa pagkatuto.

Noong 2023, ang kabuuang kita ng Amazon ay tumaas ng 12% sa $575 bilyon, kung saan ang mga segment ng North America, International, at AWS ay malaki ang ambag. 

Ang kita sa North America ay tumaas ng 12% sa $353 bilyon, ang kita sa International ay tumaas ng 11% sa $131 bilyon, at ang kita ng AWS ay tumaas ng 13% sa $91 bilyon. Ang operating income nito ay tumaas mula $12.2 bilyon noong 2022 hanggang $36.9 bilyon noong 2023, habang ang free cash flow ay nagbago mula sa negatibong $11.6 bilyon noong 2022 patungong positibong $36.8 bilyon.

#2. Alphabet Inc. (Google)

Maaaring i-deploy ng Google ang mga personalized na sistema ng pagkatuto ng wika gamit ang mga Google Home at Nest device nito. Sa paggamit ng kadalubhasaan ng AI ng Google, ang mga device na ito ay maaaring magbigay ng customized na nilalaman sa pagkatuto at subaybayan ang pag-unlad ng wika, na tumutulong sa mas epektibong interbensyon sa wika para sa mga bata.

Noong 2023, ang kabuuang kita ng Alphabet Inc. (GOOG ) ay tumaas sa $307.4 bilyon, mula $282.8 bilyon noong 2022. Ang Google Services, kabilang ang Google Search at YouTube ads, ay nag-generate ng $272.5 bilyon, habang ang Google Cloud ay kumita ng $33.1 bilyon. Ang operating income ay tumaas sa $84.3 bilyon, kung saan ang Google Cloud ay nagbago mula sa pagkawala na $1.9 bilyon noong 2022 tungo sa kita na $1.7 bilyon. Ang kabuuang assets ay umabot sa $402.4 bilyon, kasama ang $110.9 bilyon na cash.

Konklusyon

Tulad ng ating nakita sa mga kamakailang tagumpay na ito, ang AI ay may iba’t ibang gamit mula sa pagtulong sa mga bata sa pag-unlad ng wika hanggang sa pagdidisenyo ng mas epektibong mga sistemang nagko-convert ng enerhiya at mga high-performance na microelectronic device. Ipinapakita nito kung gaano kalakas ang kadalubhasaan ng AI.

Ang kakayahan ng AI na humawak ng malaking dami ng data, magsagawa ng paulit-ulit na gawain nang epektibo, matuto mula sa data, at mag-improve sa paglipas ng panahon ay ginagawa itong tunay na mapang-istorbo na puwersa para sa malawak na hanay ng mga industriya na nag-iinnovate, nagpapabuti ng kanilang kahusayan at produktibidad, nagbabawas ng gastos, at nagpapahusay ng paggawa ng desisyon. Sa kontekstong ito, ipinapakita ng AI ang napakalawak na potensyal, na maaaring lumampas pa sa ating kasalukuyang pagtatantiya, upang baguhin ang mga industriya at, sa huli, ang ating mga buhay.

I-click dito upang matutunan ang lahat tungkol sa pamumuhunan sa artipisyal na intelihensiya.