Von autonomen Fahrzeugen bis hin zu Notruf-Robotern dringt maschinelles Lernen in die künstliche Intelligenz schnell in unser tägliches Leben ein.

AI entwickelt sich mit beeindruckenden Raten und hilft weiterhin bei der Verbesserung von Medizin, Technik, Robotik und Unterhaltung.

Jeden Tag entwickeln Wissenschaftler auf der ganzen Welt innovative neue Technologien - von flexiblen Robotern bis zu Algorithmen, die das Verhalten von Tieren erkennen können - und Frauen stehen oft an vorderster Front dieser Arbeit.

In diesem Artikel heben wir 11-Frauen hervor, die es in der KI "töten".

[Divider]

Dina Katabi

Andrew & Erna Viterbi Professor für Elektrotechnik und Informatik, MIT

In einem bahnbrechenden neuen Projekt Dina Katabi und ein Forscherteam am MIT hat ein computergestütztes System namens "RF-Pose" entwickelt benutzt KI, um Menschen durch Wände zu sehen.

RF-Pose arbeitet mit einem neuronalen Netzwerk, um Radiofrequenzen zu analysieren, die von den Körpern der Menschen widerhallen. Da AI am Beispiel lernt, haben die Forscher der Maschine beigebracht, bestimmte Funksignale mit bestimmten menschlichen Aktionen zu assoziieren.

Die Forscher sammelten tausende Bilder von Menschen in Aktivitäten wie Gehen, Sprechen, Stehen, Sitzen und Öffnen von Türen und Aufzügen und verwendeten die Bilder, um Strichmännchen zu erstellen, die auf die gleiche Weise posierten.

Sie passten diese Strichmännchenposen dann mit entsprechenden Radiosignalen zusammen und zeigten sie der KI. So konnte das System die Haltungen und Bewegungen von Personen in Echtzeit erkennen, sogar von hinter Mauern oder in der Dunkelheit.

Katabi glaubt, dass die Technologie für medizinische Zwecke verwendet werden kann, so dass Ärzte bei Parkinson, Multipler Sklerose und Muskeldystrophie das Fortschreiten der Krankheit beobachten können.

"Die Einschätzung der menschlichen Pose ist eine wichtige Aufgabe in der Computervision mit Anwendungen in Überwachung, Aktivitätserkennung, Spielen usw.", sagte Katabi gegenüber TUN.

[Divider]

Rebecca Kramer-Bottiglio

Assistenzprofessor für Maschinenbau und Materialwissenschaften an der Yale University

Stellen Sie sich einen flexiblen Roboter vor, der umprogrammiert werden kann, um unzählige Aufgaben zu erledigen. Besser noch, ein Gerät, mit dem man jedes alte nutzlose, unbelebte Objekt - zum Beispiel dein Lieblingstier - in einen voll funktionsfähigen Roboter verwandeln kann.

Obwohl es wie Science Fiction klingt, Rebecca Kramer-Bottiglio und eine Gruppe von Forschern der Yale University macht dies zur Realität.

Das Forscherteam hat ein programmierbares elastisches Material namens "OmniSkins" entwickelt, mit dem sich ein Mehrzweckroboter im laufenden Betrieb.

Diese "Robotikhäute" bestehen aus elastischen Schichten, die mit Sensoren und Aktuatoren eingebettet sind. Sie sind in verschiedenen Formen und Größen erhältlich und sind modular, was bedeutet, dass sie auf verschiedene Arten kombiniert und angeordnet werden können, um verschiedenen Objekten zu entsprechen und verschiedene Funktionen auszuführen.

Anstatt für eine bestimmte Aufgabe konzipiert zu sein, sind sie auf Vielseitigkeit ausgelegt. Die Idee ist, dass der Benutzer sie so umprogrammiert, dass sie alle Aufgaben ausführen kann, die zur Zeit erforderlich sind, wie zum Beispiel ein Schweizer Taschenmesser.

"Wir können Felle nehmen und sie um ein Objekt wickeln, um eine Aufgabe auszuführen - zum Beispiel Fortbewegung - und sie dann ablegen und auf ein anderes Objekt legen, um eine andere Aufgabe auszuführen, wie zum Beispiel das Ergreifen und Bewegen eines Objekts", Kramer- Bottiglio sagte in einer Erklärung.

"Wir können dann die gleichen Häute von diesem Objekt nehmen und sie auf ein Shirt legen, um ein aktives tragbares Gerät zu machen."

[Divider]

Monica Emelko

Professor für Bau- und Umweltingenieurwesen an der University of Waterloo, Kanada

Jedes Jahr, aufgrund vieler Faktoren wie der steigenden Temperatur und der Übernutzung von landwirtschaftlichen Düngemitteln, werden die Wasserquellen im ganzen Land zunehmend von muffig grünen dicken Schichten giftiger Algen bedeckt, die Familien und Wildtiere bedrohen.

Aber mit Hilfe von Monica Emelko und ein Team von Forschern an der University of Waterloo, AI kann helfen, unser Wasser vor Giftstoffen zu schützen.

"Es ist wichtig, fließendes Wasser zu haben, auch wenn wir es kochen müssen, um die Hygiene zu gewährleisten", sagte Emelko in einer Erklärung. "Wenn du kein fließendes Wasser hast, werden die Leute krank."

Die Forscher entwickelten ein KI-System, das Software in Kombination mit einem Mikroskop verwendet, um Wasserproben für Algenzellen in ein bis zwei Stunden kostengünstig und automatisch zu analysieren, einschließlich der Bestätigung der Ergebnisse durch einen menschlichen Analytiker.

Anstelle der derzeitigen Methode, die nur einen kleinen Bereich mit nur ein paar Mikroorganismen gleichzeitig analysieren kann, identifiziert und zählt dieses System Millionen von Mikroorganismen aus größeren Wasserprobenvolumina in Sekundenschnelle unter Verwendung eines Standardmikroskops.

"Die Möglichkeit, dies alles automatisch in Sekundenschnelle zu tun, ermöglicht es den Wassereinrichtungen, Vor-Ort-Untersuchungen häufig und schnell vor Ort durchzuführen, um das Wasser sicher zu halten", Co-Autor Alexander Wong sagte TUN.

[Divider]

Sabrina Hoppe

Doktorand, Universität Stuttgart, Deutschland

&

Stephanie A. Morey

Doktorand, Flinders Universität, Australien

Sabrina Hoppe und Stephanie A. Morey, in Zusammenarbeit mit Forschern der University of South Australia, half bei der Schaffung eines Machine-Learning-Algorithmus, der kann Vorhersage menschlicher Persönlichkeitsmerkmale durch Verfolgung der Augenbewegung.

Die KI-Technologie kann die Augenbewegungen einer Person analysieren und vier der fünf großen Persönlichkeitsmerkmale erkennen: Neurotizismus, Extraversion, Verträglichkeit und Gewissenhaftigkeit.

Um den Algorithmus zu testen, rekrutierten die Forscher 42-Teilnehmer und statteten sie mit einem 60 Hz-Head-Mounted-Video-basierten Eye-Tracker aus, der Blickdaten und hochauflösendes Video aufzeichnete, während sie tägliche Aufgaben rund um einen Universitätscampus verrichteten.

Dann verglichen die Forscher die Blickdaten mit Persönlichkeitsmerkmalen, indem sie den Teilnehmern drei etablierte Selbstberichtsfragebögen gaben und fanden heraus, dass die Augenbewegungen der Menschen zeigen können, ob sie sozial, gewissenhaft oder neugierig sind.

Die Software eröffnet die Möglichkeit, eines Tages Roboter zu entwickeln, die den menschlichen Signalen und der Sozialisation entsprechen.

"Mensch-Maschine-Interaktionen sind derzeit unnatürlich. Der Geldautomat, der Computer, das Telefon passen sich nicht unserer Stimmung oder dem aktuellen situativen Kontext an. " Tobias Loetscher, ein leitender Dozent an der School of Psychology, Sozialarbeit und Sozialpolitik an der University of South Australia, sagte TUN.

"Es ist egal, ob ich glücklich bin, wütend, verwirrt, ironisch oder irritiert - der Computer ist nicht empathisch und passt sich meiner Situation nicht an. Wenn es uns gelingt, Computer mit der Fähigkeit auszustatten, menschliche soziale Signale wahrzunehmen und zu verstehen, werden die Interaktionen natürlicher und angenehmer. "

[Divider]

Shuting Han

Doktorand, Columbia University

Seit den Tagen von Aristoteles ist das Verhalten von Tieren Gegenstand wissenschaftlicher Forschung, aber bis jetzt waren Studien auf diesem Gebiet auf stundenlange sorgfältige Beobachtung und Notizen beschränkt.

Aber mit Hilfe von Shuting Han und ihr Team an der Columbia University, AI kann nun verwendet werden, um das Verhalten von Tieren zu untersuchen beides schnell und effektiv.

Die Forscher haben einen innovativen Algorithmus entwickelt, mit dem sich Videomaterial stundenlang erfolgreich analysieren lässt Hydra, ein winziger Süßwasser wirbellosen, und verstehen Sie seine ganze Palette von Verhaltensweisen.

Durch das Ausfiltern von Spam-Informationen kann der Algorithmus Tendenzen im Verhalten des Tieres erkennen.

Der Algorithmus arbeitet als "Bag-of-words" -Algorithmus, der häufig beim Filtern von E-Mail-Spam verwendet wird. Er lernt verschiedene visuelle Muster - Formen und Bewegungen - in Videos von Hydra zu klassifizieren und repetitive Bewegungen auszuwählen.

Auf diese Weise identifiziert die Technologie die verschiedenen Verhaltensmuster des Tieres.

"Obwohl wir unseren Ansatz zur Erstellung der vollständigen Verhaltenskarte von Hydra verwendet haben, bietet unsere Methode auch einen allgemeinen Rahmen für die Verhaltenserkennung verformbarer Tiere und ist potenziell für alle Tierarten anwendbar", sagte Han gegenüber TUN.

"In Kombination mit der vollständigen neuralen Aktivitätskarte eines Tieres eröffnet unsere Studie die Möglichkeit, den neuronalen Code für alle Verhaltensweisen eines Tieres zu entschlüsseln und potenzielle Durchbrüche in den Bereichen Neurowissenschaften, Evolutionsbiologie, künstliche Intelligenz und maschinelles Lernen zu ermöglichen."

[Divider]

Joni Holmes

Leiter des Zentrums für Aufmerksamkeitslernen und Gedächtnis (CALM), Abteilung für Kognitions- und Hirnforschung des Medical Research Council, Universität Cambridge, UK

Joni Holmeszusammen mit Forscherkollegen an der Universität von Cambridge, verwendete AI, um Cluster von Lernschwierigkeiten zu identifizieren in Kindern.

Die Forscher verwendeten Daten von Hunderten von Kindern mit Lernschwierigkeiten, bei denen zuvor Lernstörungen diagnostiziert wurden - wie Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS), Autismus und Dyslexie - und fanden heraus, dass viele der gemeldeten Lernschwierigkeiten nicht mit einer allgemeinen Diagnose übereinstimmten.

Sie entdeckten dies, indem sie einen Computeralgorithmus mit kognitiven Testdaten von 550-Kindern lieferten, die Messungen von Hörfähigkeiten, räumlichem Denken, Problemlösung, Wortschatz und Gedächtnis umfassten.

Nach der Analyse der Daten schlug der Algorithmus vor, dass die Kinder am besten in vier Gruppen von Schwierigkeiten passen würden, die mit anderen Bildungsdaten und Elternberichten übereinstimmen, aber nicht mit vorheriger Diagnose.

Durch die Einbeziehung von Kindern mit allen Schwierigkeiten, unabhängig von der Diagnose, kann der Algorithmus den Bereich der Schwierigkeiten, die innerhalb der diagnostischen Kategorien liegen, besser erfassen.

Dies ermöglicht den Forschern zu verstehen, dass eine allgemeine Diagnose nicht für jeden Schüler gleich ist. Zum Beispiel kann ein Schüler mit ADHS das Lernen auf eine völlig andere Art erfahren als ein anderer Schüler mit ADHS.

"Unsere Arbeit legt nahe, dass Kinder, die die gleichen Themen schwer finden, aus sehr unterschiedlichen Gründen kämpfen könnten, was wichtige Konsequenzen für die Auswahl geeigneter Interventionen hat", sagte Holmes in einer Erklärung.

[Divider]

Miyuki Hino, Elinor Benami und Nina Brooks

Doktoranden, Emmett Interdisziplinäres Programm für Umwelt und Ressourcen, Stanford University

Staatliche Umweltbehörden sind oft überlastet und unterfinanziert, was dazu führt, dass jedes Jahr massive Umweltgefahren unentdeckt bleiben.

Das ist ein großes Problem, Studenten der Stanford University Miyuki Hino, Elinor Benami und Nina Brooks wandte sich an Machine-Learning-Technologie um Hilfe.

Angeführt von Hino konzentrierte sich das Studententeam auf den Clean Water Act und ausgebildete Computer, um Muster automatisch zu erkennen in Daten unter Verwendung von Informationen aus früheren Inspektionen von Wasserwerken.

Sie setzten eine Reihe von Modellen ein, um die Wahrscheinlichkeit eines Versagens einer Inspektion auf der Grundlage von Anlagenmerkmalen wie Standort, Branche und Inspektionsverlauf vorherzusagen. Die Computer erzeugten dann für jede Einrichtung einen Risiko-Score, der angibt, wie wahrscheinlich es ist, dass eine Inspektion fehlschlägt.

Dadurch können Umweltbehörden gefährliche Verstöße priorisieren und vorhersagen.

"Gerade in Zeiten knapper werdender Budgets ist es wichtig, kosteneffiziente Wege zum Schutz der öffentlichen Gesundheit und der Umwelt zu finden", sagte Benami in einer Stellungnahme.

Hino stellte fest, dass maschinelles Lernen seine Nachteile hat.

"Algorithmen sind unvollkommen, sie können die Voreingenommenheit zuweilen aufrecht erhalten und sie können gespielt werden", sagte sie in einer Erklärung.

Das Team schlug jedoch Abhilfemaßnahmen für diese Einschränkungen und Methoden vor, um maschinelles Lernen in die Durchsetzung zu integrieren.

"Dieses Modell ist ein Ausgangspunkt, der durch detailliertere Informationen über die Kosten und den Nutzen verschiedener Inspektionen, Verstöße und Durchsetzungsreaktionen erweitert werden könnte", sagte Brooks in einer Erklärung.

[Divider]

Narges Razavian

Assistant Professor in den Abteilungen für Radiologie und Bevölkerungsgesundheit, NYU School of Medicine

Die Identifizierung von Lungenkrebsarten kann selbst für erfahrene Pathologen schwierig sein, aber mit Hilfe von Narges Razavian und ein maschinelles Lernprogramm, Genauigkeit innerhalb des Feldes kann verbessert werden.

Razavian und ihr Forscherteam entwickelte ein AI-Programm das kann mit 97 Prozent Genauigkeit zwischen Adenokarzinom und Plattenepithelkarzinom unterscheiden - zwei der schwierigeren Krebsarten ohne Bestätigungstests zu identifizieren.

Das Programm kann auch bestimmen, ob abnormale Versionen von sechs Genen, die mit Lungenkrebs in Verbindung stehen - einschließlich EGFR, KRAS und TP53 - in Zellen vorhanden sind, mit einer Genauigkeit, die zwischen 73 und 86 liegt, abhängig vom Gen-Typ.

Solche genetischen Mutationen werden oft mit einem abnormalen Wachstum oder visuellen Hinweisen für eine automatisierte Analyse in Verbindung gebracht. Leider können aktuelle Genetik-Tests, die das Vorhandensein von Mutationen bestätigen, Wochen brauchen, um zurückzukehren.

Mit diesem neuen KI-Ansatz können Ärzte den Krebs-Subtyp und den Mutationsstatus sofort bestimmen, um Patienten schneller mit der Therapie zu beginnen.

"In unserer Studie haben wir uns darauf gefreut, die Genauigkeit auf Pathologenebene zu verbessern und zu zeigen, dass die KI in den sichtbaren Merkmalen der Krebszellen und der sie umgebenden Gewebe bisher unbekannte Muster entdecken kann", sagte Razavian in einer Stellungnahme.

"Die Synergie zwischen Daten und Rechenleistung schafft ungeahnte Möglichkeiten, sowohl die Praxis als auch die Wissenschaft der Medizin zu verbessern."

[Divider]

Zusammenfassung

Obwohl AI Entwicklungen fühlen sich oft wie Science-Fiction, in der Realität, so unglaubliche Durchbrüche in noch nie da gewesenen passieren, und oft unvorstellbar, Raten.

AI unterstützt unsere Welt in fast allen Bereichen der Wissenschaft, und jede dieser Frauen hat bedeutende Arbeit in unserer zunehmend technologischen Welt geleistet.