Περίληψη του άρθρου:

Ερευνητές στο Penn State ανέπτυξαν μια ηλεκτρονική γλώσσα που μπορεί να διακρίνει μεταξύ παρόμοιων υγρών, να ανιχνεύει αλλοιώσεις και να αξιολογεί την ασφάλεια των τροφίμων χρησιμοποιώντας τεχνητή νοημοσύνη. Αξιοποιώντας ένα νευρωνικό δίκτυο, η γλώσσα επιτυγχάνει ακρίβεια άνω του 95% στην αναγνώριση ουσιών όπως το γάλα και τα αναψυκτικά, όταν ερμηνεύει τα δικά της δεδομένα. Αυτή η τεχνολογία υπόσχεται πολλά για την ασφάλεια των τροφίμων και την ιατρική διάγνωση, προσφέροντας γνώσεις για τις διαδικασίες λήψης αποφάσεων με τεχνητή νοημοσύνη.

 

Κύρια σημεία του άρθρου:

•  Έρευνα με επικεφαλής το Penn State, με αποτελέσματα που δημοσιεύτηκαν στο Nature στις 9 Οκτωβρίου.
•  Η τεχνητή νοημοσύνη ενισχύει την ακρίβεια των αξιολογήσεων ερμηνεύοντας τα δεδομένα που παράγει η ηλεκτρονική γλώσσα.
•  Νευρωνικό δίκτυο μιμείται τον ανθρώπινο γευστικό φλοιό για την αξιολόγηση και κατανόηση δεδομένων γεύσης.
•  Η ηλεκτρονική γλώσσα χρησιμοποιεί έναν αισθητήρα με βάση το γραφένιο που συνδέεται με ένα τεχνητό νευρωνικό δίκτυο εκπαιδευμένο σε διάφορα σύνολα δεδομένων.
•  Επιτρέπει την ανίχνευση διαφορετικών ουσιών χωρίς να απαιτούνται ειδικοί αισθητήρες για κάθε χημική ουσία.
•  Πέτυχε πάνω από 80% ακρίβεια στην ανίχνευση δειγμάτων όπως το νερωμένο γάλα  σε περίπου ένα λεπτό.
•  Το νευρωνικό δίκτυο βελτίωσε την ακρίβεια εξαγωγής συμπερασμάτων σε ποσοστό άνω του 95% όταν όρισε τις δικές του παραμέτρους αξιολόγησης από τα ακατέργαστα δεδομένα αισθητήρων.
•  Επισημαίνει αποχρώσεις στην αντίληψη της γεύσης που μπορεί να είναι δύσκολο να διατυπωθούν από τους ανθρώπους.
•  Οι δυνητικές εφαρμογές επεκτείνονται πέρα από την αξιολόγηση των τροφίμων και στην ιατρική διάγνωση λόγω της ευρωστίας των αισθητήρων.
•  Η διαδικασία κατασκευής των αισθητήρων μπορεί να ανεχθεί διακυμάνσεις, καθιστώντας την πιο πρακτική και οικονομικά αποδοτική.
•   Υποστηρίχθηκε από την επιχορήγηση της NASA για τις ερευνητικές ευκαιρίες μεταπτυχιακών φοιτητών διαστημικής τεχνολογίας.

 

 

Αναλυτικά το άρθρο:

UNIVERSITY PARK, Pa. - Μια πρόσφατα ανεπτυγμένη ηλεκτρονική γλώσσα είναι ικανή να εντοπίζει διαφορές σε παρόμοια υγρά, όπως το γάλα με διαφορετική περιεκτικότητα σε νερό, σε ποικίλα προϊόντα, συμπεριλαμβανομένων των τύπων αναψυκτικών και των μειγμάτων καφέ, σε σημάδια αλλοίωσης σε χυμούς φρούτων και σε περιπτώσεις ανησυχιών για την ασφάλεια των τροφίμων.

 

Η ομάδα, με επικεφαλής ερευνητές του Penn State, διαπίστωσε επίσης ότι τα αποτελέσματα ήταν ακόμη πιο ακριβή όταν η τεχνητή νοημοσύνη (AI) χρησιμοποιούσε τις δικές της παραμέτρους αξιολόγησης για να ερμηνεύσει τα δεδομένα που παρήγαγε η ηλεκτρονική γλώσσα.

 

Οι ερευνητές δημοσίευσαν τα αποτελέσματά τους  στο Nature.

Σύμφωνα με τους ερευνητές, η ηλεκτρονική γλώσσα μπορεί να είναι χρήσιμη για την ασφάλεια και την παραγωγή τροφίμων, καθώς και για την ιατρική διάγνωση.

 

Ο αισθητήρας και η τεχνητή νοημοσύνη του μπορούν να ανιχνεύουν και να ταξινομούν ευρέως διάφορες ουσίες, ενώ παράλληλα να αξιολογούν συλλογικά την αντίστοιχη ποιότητα, την αυθεντικότητα και τη φρεσκάδα τους. Η αξιολόγηση αυτή έδωσε επίσης στους ερευνητές μια εικόνα για το πώς η τεχνητή νοημοσύνη λαμβάνει αποφάσεις, η οποία θα μπορούσε να οδηγήσει σε καλύτερη ανάπτυξη και εφαρμογές, δήλωσαν.

 

«Προσπαθούμε να φτιάξουμε μια τεχνητή γλώσσα, αλλά η διαδικασία του πώς βιώνουμε τα διάφορα τρόφιμα περιλαμβάνει περισσότερα από τη γλώσσα», δήλωσε ο αντίστοιχος συγγραφέας Saptarshi Das, καθηγητής μηχανικής Ackley και καθηγητής μηχανικής επιστήμης και μηχανικής. «Έχουμε την ίδια τη γλώσσα, η οποία αποτελείται από υποδοχείς γεύσης που αλληλεπιδρούν με τα είδη τροφίμων και στέλνουν τις πληροφορίες τους στον γευστικό φλοιό - ένα βιολογικό νευρωνικό δίκτυο».

 

Ο γευστικός φλοιός είναι η περιοχή του εγκεφάλου που αντιλαμβάνεται και ερμηνεύει διάφορες γεύσεις πέρα από αυτές που μπορούν να αντιληφθούν οι γευστικοί υποδοχείς, οι οποίοι κατά κύριο λόγο κατηγοριοποιούν τα τρόφιμα μέσω των πέντε μεγάλων κατηγοριών γλυκό, ξινό, πικρό και αλμυρό. Καθώς ο εγκέφαλος μαθαίνει τις αποχρώσεις των γεύσεων, μπορεί να διακρίνει καλύτερα τη λεπτότητα των γεύσεων. Για να μιμηθούν τεχνητά τον γευστικό φλοιό, οι ερευνητές ανέπτυξαν ένα νευρωνικό δίκτυο, το οποίο είναι ένας αλγόριθμος μηχανικής μάθησης που μιμείται τον ανθρώπινο εγκέφαλο στην αξιολόγηση και κατανόηση δεδομένων.  

 

«Προηγουμένως, διερευνήσαμε πώς ο εγκέφαλος αντιδρά στις διαφορετικές γεύσεις και μιμηθήκαμε αυτή τη διαδικασία ενσωματώνοντας διαφορετικά 2D υλικά για να αναπτύξουμε ένα είδος σχεδίου ως προς το πώς η τεχνητή νοημοσύνη μπορεί να επεξεργαστεί τις πληροφορίες περισσότερο όπως ο άνθρωπος», δήλωσε ο συν-συγγραφέας Harikrishnan Ravichandran, διδακτορικός φοιτητής στην επιστήμη της μηχανικής  με σύμβουλο τον Das.

 

«Τώρα, σε αυτή την εργασία, εξετάζουμε διάφορες χημικές ουσίες για να δούμε αν οι αισθητήρες μπορούν να τις ανιχνεύσουν με ακρίβεια και επιπλέον, αν μπορούν να ανιχνεύσουν μικροσκοπικές διαφορές μεταξύ παρόμοιων τροφίμων και να διακρίνουν περιπτώσεις ανησυχιών για την ασφάλεια των τροφίμων».

 

Η γλώσσα αποτελείται από ένα ιοντοευαίσθητο τρανζίστορ πεδίου-επιδράσεως με βάση το γραφένιο, ή μια αγώγιμη συσκευή που μπορεί να ανιχνεύσει χημικά ιόντα, συνδεδεμένη με ένα τεχνητό νευρωνικό δίκτυο, εκπαιδευμένο σε διάφορα σύνολα δεδομένων. Ο Das σημείωσε, ότι οι αισθητήρες είναι μη λειτουργικοί, πράγμα που σημαίνει ότι ένας αισθητήρας μπορεί να ανιχνεύσει διαφορετικούς τύπους χημικών ουσιών, αντί να υπάρχει ένας ειδικός αισθητήρας αφιερωμένος σε κάθε πιθανή χημική ουσία.

 

 Οι ερευνητές έδωσαν στο νευρωνικό δίκτυο 20 συγκεκριμένες παραμέτρους προς αξιολόγηση, οι οποίες σχετίζονται με τον τρόπο με τον οποίο ένα υγρό δείγμα αλληλεπιδρά με τις ηλεκτρικές ιδιότητες του αισθητήρα. Με βάση αυτές τις καθορισμένες από τους ερευνητές παραμέτρους, η τεχνητή νοημοσύνη μπόρεσε να ανιχνεύσει με ακρίβεια δείγματα - συμπεριλαμβανομένων αραιωμένων γαλάτων, διαφορετικών τύπων αναψυκτικών, χαρμάνια καφέ και πολλαπλών χυμών φρούτων σε διάφορα επίπεδα φρεσκάδας - και να αναφέρει το περιεχόμενό τους με ακρίβεια μεγαλύτερη από 80% σε περίπου ένα λεπτό.

 

«Αφού επιτύχαμε μια λογική ακρίβεια με παραμέτρους που επέλεξε ο άνθρωπος, αποφασίσαμε να αφήσουμε το νευρωνικό δίκτυο να ορίσει τα δικά του στοιχεία αξίας παρέχοντάς του τα ακατέργαστα δεδομένα του αισθητήρα. Διαπιστώσαμε ότι το νευρωνικό δίκτυο πέτυχε μια σχεδόν ιδανική ακρίβεια εξαγωγής συμπερασμάτων άνω του 95% όταν χρησιμοποιούσε τα στοιχεία αξίας που προέκυψαν από τη μηχανή και όχι αυτά που παρείχαν οι άνθρωποι», δήλωσε ο συν-συγγραφέας Andrew Pannone, διδακτορικός φοιτητής στην επιστήμη της μηχανικής  με σύμβουλο τον Das. «Έτσι, χρησιμοποιήσαμε μια μέθοδο που ονομάζεται προσθετικές εξηγήσεις Shapley, η οποία μας επιτρέπει να ρωτήσουμε το νευρωνικό δίκτυο τι σκεφτόταν αφού λάβει μια απόφαση».

 

Η προσέγγιση αυτή χρησιμοποιεί τη θεωρία παιγνίων, μια διαδικασία λήψης αποφάσεων που λαμβάνει υπόψη τις επιλογές των άλλων για να προβλέψει το αποτέλεσμα ενός μεμονωμένου συμμετέχοντα, για να αποδώσει τιμές στα υπό εξέταση δεδομένα.

 

Χάρη σε αυτές τις εξηγήσεις, οι ερευνητές θα μπορούσαν να κατανοήσουν με αντίστροφη μηχανική τον τρόπο με τον οποίο το νευρωνικό δίκτυο στάθμισε τα διάφορα στοιχεία του δείγματος για να καταλήξει σε έναν τελικό προσδιορισμό - δίνοντας στην ομάδα μια ματιά στη διαδικασία λήψης αποφάσεων του νευρωνικού δικτύου, η οποία έχει παραμείνει σε μεγάλο βαθμό αδιαφανής στον τομέα της τεχνητής νοημοσύνης, σύμφωνα με τους ερευνητές.

 

Διαπίστωσαν ότι, αντί να αξιολογεί απλώς μεμονωμένες παραμέτρους που είχαν οριστεί από τον άνθρωπο, το νευρωνικό δίκτυο εξέταζε τα δεδομένα που έκρινε ότι ήταν πιο σημαντικά μαζί, με τις προσθετικές εξηγήσεις Shapley να αποκαλύπτουν πόσο σημαντικό θεωρούσε το νευρωνικό δίκτυο κάθε δεδομένο εισόδου.

 

Οι ερευνητές εξήγησαν ότι αυτή η αξιολόγηση θα μπορούσε να συγκριθεί με δύο ανθρώπους που πίνουν γάλα. Μπορούν και οι δύο να αναγνωρίσουν ότι πρόκειται για γάλα, αλλά το ένα άτομο μπορεί να πιστεύει ότι είναι αποβουτυρωμένο που έχει χαλάσει, ενώ το άλλο πιστεύει ότι είναι 2% που είναι ακόμα φρέσκο.

 

«Διαπιστώσαμε ότι το δίκτυο εξέταζε πιο λεπτά χαρακτηριστικά στα δεδομένα - πράγματα που εμείς, ως άνθρωποι, δυσκολευόμαστε να ορίσουμε σωστά», δήλωσε ο Das. «Και επειδή το νευρωνικό δίκτυο εξετάζει τα χαρακτηριστικά του αισθητήρα ολιστικά, μετριάζει τις διακυμάνσεις που μπορεί να εμφανίζονται καθημερινά. Όσον αφορά το γάλα, το νευρωνικό δίκτυο μπορεί να προσδιορίσει τη μεταβαλλόμενη περιεκτικότητα του γάλακτος σε νερό και, σε αυτό το πλαίσιο, να καθορίσει αν τυχόν δείκτες υποβάθμισης είναι αρκετά σημαντικοί ώστε να θεωρηθούν ζήτημα ασφάλειας τροφίμων».

 

Σύμφωνα με τον Das, οι δυνατότητες της γλώσσας περιορίζονται μόνο από τα δεδομένα στα οποία εκπαιδεύεται, πράγμα που σημαίνει ότι, ενώ η εστίαση της παρούσας μελέτης ήταν στην αξιολόγηση των τροφίμων, θα μπορούσε να εφαρμοστεί και στην ιατρική διάγνωση. Και ενώ η ευαισθησία είναι σημαντική, ανεξάρτητα από το πού εφαρμόζεται ο αισθητήρας, η ευρωστία των αισθητήρων τους παρέχει μια πορεία προς τα εμπρός για ευρεία εφαρμογή σε διάφορες βιομηχανίες, δήλωσαν οι ερευνητές.

 

Ο Das εξήγησε ότι οι αισθητήρες δεν χρειάζεται να είναι ακριβώς πανομοιότυποι, επειδή οι αλγόριθμοι μηχανικής μάθησης μπορούν να εξετάσουν όλες τις πληροφορίες μαζί και να παράγουν ακόμα τη σωστή απάντηση. Αυτό καθιστά μια πιο πρακτική - και λιγότερο δαπανηρή - διαδικασία κατασκευής.

 

«Καταλάβαμε ότι μπορούμε να ζήσουμε με την ατέλεια», δήλωσε ο Das. «Και αυτό είναι και η φύση - είναι γεμάτη ατέλειες, αλλά μπορεί ακόμα να λαμβάνει στιβαρές αποφάσεις, όπως ακριβώς και η ηλεκτρονική μας γλώσσα».

 

Ο Das συνεργάζεται επίσης με το Ινστιτούτο Έρευνας Υλικών και τα Τμήματα Ηλεκτρολόγων Μηχανικών και Επιστήμης και Μηχανικής Υλικών. Άλλοι συνεργάτες από το Τμήμα Επιστήμης Μηχανικής και Μηχανικής του Penn State είναι ο Aditya Raj, ερευνητής τεχνολόγος κατά τη διάρκεια της έρευνας, ο Sarbashis Das, μεταπτυχιακός φοιτητής κατά τη διάρκεια της έρευνας, ο οποίος απέκτησε το διδακτορικό του στην ηλεκτρολογία τον Μάιο, ο Ziheng Chen, μεταπτυχιακός φοιτητής στην επιστήμη της μηχανικής , και ο Collin A. Price, μεταπτυχιακός φοιτητής που απέκτησε το πτυχίο του στην επιστήμη της μηχανικής  τον Μάιο. Η Mahmooda Sultana, από το Κέντρο Διαστημικών Πτήσεων Goddard της NASA, συνέβαλε επίσης.

 

Η εργασία αυτή υποστηρίχθηκε από την επιχορήγηση της NASA για τις ερευνητικές ευκαιρίες μεταπτυχιακών φοιτητών διαστημικής τεχνολογίας.

 

Πηγή: A matter of taste: Electronic tongue reveals AI inner thoughts