Contents
Bij het schrijven over de wereldberoemde gasten op de Intel on AI-podcast heb ik het vooral gehad over innovators buiten ons bedrijf. In deze blog wil ik echter graag de aandacht vestigen op het werk dat hier bij Intel plaatsvindt. In een recente aflevering van de Intel on AI-podcast met Abigail Hing Wen, de bestsellerauteur van de New York Times, kun je luisteren naar Lama Nachman, Intel Fellow en directeur van Anticipatory Computing Lab, en Hanlin Tang, voormalig senior directeur van de Intel AI Lab, praat over enkele van de levensveranderende projecten waar hun teams vandaag aan werken.
Lama runt een multidisciplinair onderzoekslaboratorium dat etnografisch ontwerp en technologie omvat, met de nadruk op het brengen van kunstmatige intelligentie (AI) in verschillende aspecten van mensenlevens. Hanlins lab is gericht op diepgaand leren vanuit een onderzoeks- en engineeringperspectief, inclusief het bouwen van populaire open source-bibliotheken zoals Distiller en NLP Architect.
In de podcast herhalen zowel Lama als Hanlin enkele van de ideeën waar UC Berkeley-roboticus Pieter Abbeel en MIT-professor Bernhardt Trout eerder over hebben gesproken, met name dat algemene machine-intelligentie meer vereist dan alleen zorgvuldig voorbereide problemen binnen een smal domein kunnen oplossen. De huidige AI-modellen lijken veel op de elektrische gereedschappen in de kleine werkplaats onder mijn kantoor: gereedschappen zoals mijn door een elektrische motor aangedreven cirkelzaag, boormachine en vlakschuurmachine zijn elk zeer krachtig en maken me veel productiever, maar ze zijn zeer gespecialiseerd in taken. In de afgelopen jaren zijn mijn kinderen groot genoeg geworden om bij mij aan de werkbank te zitten, met een veelzijdigheid die mijn gereedschap mist. Een enkel kind kan vrij zelfstandig zagen, hameren en schuren of me helpen bij het opzetten van klemmen voor een ingewikkelde lijmklus. Hoewel een beetje van hun kennis afkomstig is van instructie, hebben ze meestal geleerd door naar mij te kijken en zelf kleine taken uit te proberen zonder enige speciale inspanning van mijn kant om een trainingscurriculum te maken. Dit is iets wat mijn elektrisch gereedschap niet doet!
Dit leervermogen voor algemene doeleinden is zo gewoon dat als je niet met AI werkt, het volkomen onopvallend is. Als je in AI werkt, is het een wonder van intelligentie dat het bereik van elke huidige machine te boven gaat. Die timmerprojecten met de kinderen zijn een model voor waar we AI op een andere manier willen bereiken. AI gaat niet over het vervangen van mensen, net zomin als mijn elektrische gereedschappen er zijn om mij te vervangen, maar om te vergroten en te helpen.
“We proberen deze mensen niet te automatiseren uit de lus. We proberen ze in feite in staat te stellen tools te gebruiken waarmee hun stem naar buiten kan komen.”
-Lama Nachman
Werken met Stephen Hawking en Peter Scott Morgan
Een van de meest geliefde projecten hier bij Intel was de samenwerking met de wereldberoemde theoretisch natuurkundige Stephen Hawking. Zoals Lama in de podcast beschrijft, kan een persoon die zijn communicatiemachine kan besturen zijn wereld vormgeven, iets wat te veel van ons als vanzelfsprekend beschouwen. Het creëren van een systeem om iemand te helpen communiceren kan niet worden opgelost met een one-size-fits-all-aanpak. In het geval van Stephen Hawking kon een eenvoudig spraakherkenningssysteem niet werken, omdat een tracheotomie zijn spraakvermogen permanent verwijderde. Lama en haar team moesten een systeem bouwen dat volledig werd aangedreven door die ene spier waarover Hawking enige controle behield: een kleine spier in zijn wang.
Alle interacties op een machine aansturen vanuit een enkel signaal waarmee een persoon alles kan doen, van het schrijven van documenten tot surfen op het web tot het geven van lezingen, met het equivalent van het indrukken van één knop is geen geringe taak, en beperkte bandbreedte maakte spraak en typen pijnlijk traag . Toen Lama en haar team Stephen voor het eerst ontmoetten, kon hij met het prototypesysteem dat door zijn afgestudeerde assistent was gebouwd, ongeveer één woord per minuut schrijven. Lama introduceerde voorspellende taal in het systeem, waardoor Hawking veel sneller kon schrijven en spreken.
Deze voorspellende tekstfunctie is geëvolueerd in het systeem dat is gemaakt voor roboticus Peter Scott Morgan, zodat in plaats van een volledig antwoord te typen, het op AI gebaseerde programma een reeks antwoorden biedt die kunnen worden geselecteerd om snel te communiceren. De hoop is dat het AI-systeem op een dag, met behulp van modellen zoals GPT-3, in realtime naar het hele gesprek kan luisteren en de gebruiker gepersonaliseerde antwoorden kan geven. Dit is, zoals je zou kunnen raden, gemakkelijker voor te stellen dan te implementeren; subtiele problemen komen voort uit de combinatie van interactieontwerp en actief leren. Als een gebruiker bijvoorbeeld een onvolmaakt antwoord selecteert omwille van opportuniteit, zal de AI zichzelf een virtuele beloning geven en dezelfde enigszins verkeerde suggestie doen de volgende keer dat hij een vergelijkbare context tegenkomt, net als een gastheer die beleefdheid aanziet voor enthousiasme, hun onfortuinlijke gast bij elk volgend bezoek hetzelfde “traktatie” serveren.
“Hoe nemen we natuurlijke taal, het meest populaire en expressieve communicatiemedium waar mensen in uitblinken, en formatteren we deze in iets dat verteerbaar is voor AI-systemen en waarover AI-systemen kunnen redeneren?”
– Hanlin Tang
Samenwerking met DARPA, Brown University en Rhode Island Hospital
Hersen-machine-interfaces hebben de klank van science-fiction, maar dit is precies waar onderzoekers aan werken om het vermogen van patiënten met dwarslaesie om weer te lopen te herstellen. Zoals Hanlin uitlegt, implanteren chirurgen van het Rhode Island Hospital elektroden rond een plaats van een dwarslaesie en gebruiken ze machine learning om de bedoeling van het hersensignaal te decoderen. Het systeem leert dan hoe het de plaats na de blessure kan stimuleren om de juiste spieren te activeren. Net als in de systemen die door Hawking en Morgan worden gebruikt, zijn er aanzienlijke obstakels om dit probleem op te lossen, op sensorniveau in termen van rekenkracht (lopen is een realtime activiteit en milliseconden zijn belangrijk) en in termen van betrouwbaarheid en algoritmische verificatie. Hoe test je uitgebreid wanneer huizen, voetpaden en werkplekken zo'n verscheidenheid aan texturen, gradiënten en onderbrekingen vertonen?
Terwijl het team van Intel zich richt op het oplossen van computeruitdagingen, werkt het team van Thomas Serre's Lab aan de Brown University aan de gepersonaliseerde algoritmische uitdagingen. Elke patiënt heeft unieke verwondingen aan verschillende delen van het ruggenmerg met hun eigen gespecialiseerde neurale structuur voor het uitzenden van een commando. Dit onderzoek bevindt zich nog in de beginfase en zal pas bij mensen worden geïmplementeerd als een lange lijst van mogelijke veiligheidsproblemen is opgelost. Zo werken onderzoekers samen met het Partnership aan AI op gebieden als anomaliedetectie. Nu ik heb gezien hoe neurologische aandoeningen het vermogen om te lopen van mijn beide ouders stelen, is het buitengewoon hartverwarmend om de energie en vastberadenheid van deze onderzoekers te zien.
De toekomst van samenwerking tussen mens en AI
Zowel Lama als Hanlin zijn optimistisch over de toekomst van AI, die in staat is om problemen rond enorme datasets, snelheid en nauwkeurigheid aan te pakken, en geleidelijk de routinematige sleur uit ons leven te halen. (Ik zal mijn strijkplank vrolijk overgeven aan de robots) Beiden waarschuwen echter ook dat het simpelweg niet de oplossing is om hele grote diepe neurale netwerken naar elk probleem te gooien. In plaats daarvan zien ze gebieden als interoperabiliteit (machines werken soepel met mensen) en verklaarbaarheid (mensen duidelijk inzicht geven in machinebeslissingen) als de sleutel tot de toekomst van het veld. In traditionele software, hoewel onvoorziene interacties tussen modules of systemen gebruikelijk zijn, zorgen tools zoals loganalysatoren, profilers en debuggers ervoor dat defecten meestal extreem transparant zijn, vooral met een hoge geautomatiseerde testdekking die een recentere trend wordt. AI is precies het tegenovergestelde: het begint met geautomatiseerde tests en we staan nog in de kinderschoenen om het equivalent van debuggers en profilers te ontwikkelen.
Mijn blog is slechts een schaduw van deze aflevering, en je zou echt moeten luisteren naar het hele ding: met elk ongeveer een half uur, heb ik Abigail en haar gasten als geweldig gezelschap ervaren tijdens eenzame lockdown-runs en -cycli. Je kunt deze aflevering en meer dan een dozijn andere met wereldberoemde gasten beluisteren op: intel.com/aipodcast
Ga voor meer informatie over Intel's onderzoek op verschillende gebieden naar: https://intel.com/labs
Edward Dixon
Data Scientist, Intel
