Digital Tlami Tank (TDT)

Artefarita inteligenteco montras, ke ni eble eĉ ne konas duonon de la strukturoj en niaj korpaj ĉeloj

Multaj el la malsanoj, kiuj tuŝas nin, rilatas al ĉela misfunkciado. Eble eblas trakti ilin pli efike, sed unue sciencistoj devas kompreni ĝuste kiel ĉeloj estas konstruitaj kaj funkcias. Per kombinado artefarita inteligento Uzante mikroskopajn kaj biokemiajn teknikojn, sciencistoj de la Universitato de Kalifornio ĉe San Diego Medical School (UCSD) faris gravan paŝon por kompreni la ĉelojn de la homa korpo.


kun Mikroskopoj ni povas vidi ĉelstrukturojn same malgrandajn kiel ununuraj mikrometroj. Kontraste, biokemiaj teknikoj, kiuj uzas individuajn proteinojn, ebligas studi strukturojn la grandecon de nanometroj, t.e. 1/1000-a de mikrometro. Tamen, grava problemo en la vivsciencoj kompletigas la scion pri kio estas ene de la ĉelo inter la mikro kaj nanoskala. Oni trovis, ke ĝi helpas kun ĉi tio artefarita inteligento eblas.

 Bildofonto: Pixabay / fonto

pli

Power Fx - Programado por Ne-Programistoj

microsoft havas la publikigon de Potenco Fx anoncis novan malaltkodan programlingvon bazitan sur popularaj Excel-formuloj. La kompanio metas la lingvon sub unu Malfermfonteca licenco disponebla kaj esperas helpi disvolvi sian Potencaj platformoj kiel Power Automate aŭ Power Virtual Agents kaj fine fariĝos normo por ĉi tiu tipo de aplikaĵoj.

pli

Artefarita inteligenteco plibonigas virusojn por genterapio

Dependovirusoj, aŭ parvovirusoj "asociitaj" kun adenovirusoj (AAV), estas tre utilaj iloj en Usono Gena terapio. Ĉi tio estas ĉar ili povas transdoni DNA en la ĉelon kaj estas sendanĝeraj por homoj. Tial ili estas uzataj kiel portantoj de la genetikaj informoj necesaj por batali malsanojn.

Bildfonto: Pixabay

pli

Facebook AI akcelas ekzamenojn pri MRI

Bildrekonstruo per artefarita inteligenteco (AI) mallongigas la tempon de Ekzamenoj pri magneta resono (MRI) signifa.

https://healthcare-in-europe.com/

La unua klinika studo por kompari AI-akcelitajn genuajn MRI-skanadojn kun konvenciaj skanadoj montras, ke la AI-skanadoj ne nur estas diagnoze interŝanĝeblaj kun la konvenciaj, sed ankaŭ provizas pli altkvalitajn bildojn. La rezultoj de ĉi tiu interŝanĝebla studo estas ŝlosila mejloŝtono en komuna iniciato lanĉita en 2018 de NYU Langone Health de Novjorko kaj la grupo Facebook Artificial Intelligence Research (FAIR) por akceli la esploradon de MRI.
La esplorado estis publikigita en la American Journal of Roentgenology.

pli

Sukcesa stokado de ciferecaj informoj en la ADN de viva organismo

Malmolaj diskoj kaj aliaj datumaj stokaj sistemoj stokas grandegajn informojn hodiaŭ. Tamen, same kiel magnetaj bendoj aŭ disketoj en la pasinteco, ĉi tiuj aparatoj malmoderniĝas laŭlonge de la tempo kaj ni perdos aliron al la datumoj, kiujn ni kolektas sur ili. Tial sciencistoj disvolvis metodon por konverti datumojn en la ADN registri vivantan organismon. Ĉi tia "Amasa stokado"probable ne kadukiĝos en antaŭvidebla estonteco.

Seth Shipman de la Universitato de Kalifornio en San-Francisko, kiu ne partoprenis la laboron, laŭdis la agadon de siaj kolegoj de Universitato Kolumbio, sed atentigas, ke pasos longa tempo antaŭ ol tiaj sistemoj trovos praktikan aplikon.

Bildfonto: Pixabay

Pliaj detaloj troveblas en naturo. (https://www.nature.com/articles/s41589-020-00711-4)

pli

AI helpas solvi unu el la plej grandaj nesolvitaj problemoj de fiziko

Esploristoj ĉe ETH Zuriko unuafoje sukcesis aŭtomatigi la modeladon de turbulado en likvaĵoj per kombina fluida meicsaniko kaj artefarita inteligenteco. Ilia aliro baziĝas sur la kombinaĵo de Plifortikigaj maŝinlernaj algoritmoj kun turbulaj Simulaĵoj de fluoefektivigita sur la superkomputilo Piz Daint de la Svisa Nacia Superkomputika Centro.

Laŭ priskribo de la esplorado ĵus publikigita en la revuo Natura Maŝino-Inteligenteco publikigita, la esploristoj disvolvis novajn algoritmojn de plifortiga maŝina lernado (RL) kaj kombinis ilin kun fizika aliro al modelado Turbulado.

Bildfonto: Pixabay

pli

Ili atakis robotan polvosuĉilon kaj aŭdis, kio okazis en la ĉambro, kie ĝi funkciis

Sciencistoj el Usono kaj Singapuro uzis robot-polvosuĉilon por aŭskulti la sonon en la ĉambroj kaj identigi televidajn programojn ludantajn en la ĉambro, kie troviĝis la polvosuĉilo. La agado estas eĉ pli impresa kiel la Sendependa polvosuĉilo ne estas ekipitaj per mikrofono. Ĉi tiu verko montras, ke iu ajn aparato kun lidara teknologio probable povas esti uzata por subaŭskulti.

Ni uzas ĉi tiajn aparatojn hejme sen multe pripensi ĝin. Ni montris, ke kvankam tiaj aparatoj ne havas mikrofonon, ni povas reskribi sian navigan sistemon por aŭskulti konversaciojn kaj malkaŝi konfidencajn informojn, diras profesoro Nirupam Roy de la Universitato de Marilando.

Ĉi tio en aŭtonomaj robotoj uzata Lidar-sistemo ekzamenas la medion helpe de laseroj. Ilia lumo speguliĝas de la areo ĉirkaŭ la polvosuĉilo kaj enmetas en la sensilojn de la polvosuĉilo por krei ĉambran mapon. Fakuloj spekulas de kelka tempo, ke la mapoj kreitaj de aŭtonomaj polvosuĉiloj, kiuj ofte estas stokitaj en la nubo, povas esti uzataj por reklamado.

Bildfonto: Pixabay

pli

Kiel superrugi artefaritan inteligentecon - homon kontraŭ maŝino.

AI-komputilaj sistemoj trovas sian vojon en multajn areojn de niaj vivoj kaj ofertas grandan potencialon, de memveturaj veturiloj ĝis helpado de kuracistoj kun diagnozoj kaj aŭtonomaj serĉaj kaj savaj robotoj.

Tamen, unu el la ĉefaj nesolvitaj problemoj, precipe kun la branĉo de AI konata kiel "neŭralaj retoj", estas ke sciencistoj ofte ne povas klarigi kial aferoj fuŝiĝas. Ĉi tio ŝuldiĝas al manko de kompreno pri la decidprocezo ene de AI-sistemoj. Ĉi tiu problemo estas konata kiel la problemo "nigra skatolo".

Kiu estas pli lerta?

Nova 15-monata esplorprojekto de la Universitato de Lancaster, en kiu ankaŭ partoprenas la Universitato de Liverpool, celas malŝlosi la sekretojn de la problemo pri nigra kesto kaj trovi novan manieron "Profunda Lernado"de AI-komputilaj modeloj, kiuj faras decidojn travideblaj kaj klarigeblaj.

La projekto "Al respondecaj kaj klarigeblaj aŭtonomaj robotaj lernaj sistemoj"disvolvos serion de sekurecaj kontrolaj kaj testaj proceduroj por disvolvi algoritmojn de artefarita inteligenteco. Ĉi tiuj helpos certigi, ke la decidoj faritaj de la sistemoj estas fortikaj kaj klarigeblaj.

Bildfonto: Pixabay

pli

  • 1
  • 2