1AIGoogle DeepMind
DeepMind дэлхийн ойг 10 метрийн хэсэг бүрээр ангилсан зураглал танилцуулав
Google DeepMind дэлхийн хуурай газрын 10 метрийн хэсэг бүрийг ойн төрлөөр ангилсан дэлхийн хэмжээний зураглал танилцууллаа. Зөвхөн модтой талбайг хэмжихээс гадна ямар төрлийн ой байгааг ялгах нь хамгаалалт, нөхөн сэргээлтийн төлөвлөлтөд илүү хэрэгтэй мэдээлэл өгнө.
Дэлгэрэнгүй унших
Модон бүрхэвчийн хэмжээ дангаараа ойн ялгааг бүрэн илэрхийлдэггүй. Ойн төрлийг ялгасан зураглал нь өөр өөр экосистемийг нэг үзүүлэлтээр дүгнэхээс зайлсхийж, тухайн газарт тохирсон арга хэмжээ сонгоход туслах боломжтой.
Монголын хувьд ийм өгөгдлийг ойн тооллого, түймрийн эрсдэл, нөхөн сэргээлтийн төлөвлөгөөтэй тулган ашиглах боломжийг судалж болно. Гэхдээ орон нутгийн хэмжилттэй хэр нийцэж байгаа, ангиллын алдаа болон шинэчлэгдэх давтамжийг эхлээд шалгах шаардлагатай.
Эх сурвалж: Beyond tree cover: mapping the world’s forest types2ScienceQuanta Magazine
AI-ийн квази-Риманы таамаглалын баталгааг мэргэжилтнүүд задлан шинжилжээ
Quanta Magazine-ийн мэдээлснээр AI квази-Риманы таамаглалыг баталж, хүний мэргэжилтнүүд уг баталгааг задлан шинжилжээ. Энэ нь Риманы үндсэн таамаглал батлагдсан гэсэн үг биш; харин AI-ийн гаргасан математик үр дүнг хүн ойлгож, шалгах боломж чухал болохыг харуулж байна.
Дэлгэрэнгүй унших
Математикт зөв хариу олох төдий хангалтгүй: яагаад зөв болохыг алхам бүрээр нь үндэслэх ёстой. Тиймээс AI-ийн баталгааг мэргэжилтнүүд тайлж ойлгосон нь зөвхөн бодлого шийдсэнээс тусдаа ач холбогдолтой.
Дараагийн анхаарах зүйл нь баталгааны санаа бусад бодлогод ашиглагдах эсэх, бие даасан шалгалтууд хэрхэн үргэлжлэх явдал юм. AI-ийн амжилтыг үнэлэхдээ таамаглалын яг нэр, хамрах хүрээ, баталгааны шалгалтыг ялгаж унших хэрэгтэй.
Эх сурвалж: AI Proved the Quasi-Riemann Hypothesis. What Happens Now?3AIMIT News AI
Ургийн хөдөлгөөнд тохируулан зураг авах AI оношилгоог найдвартай болгож магадгүй
MIT болон Boston Children’s Hospital-ийн судлаачдын загвар ургийн хөдөлгөөнийг дагаж, дүрс авах явцыг шууд тохируулдаг. Тэгш хэмийн ойлголт ашигласан энэ арга дүрсний чанарыг сайжруулж, дахин шинжилгээ хийлгэхээр эмнэлэгт очих хэрэгцээг бууруулах боломжтой.
Дэлгэрэнгүй унших
Ураг хөдөлбөл оношилгоонд шаардлагатай дүрсийг авахад хүндрэл үүсдэг. Судлаачдын арга нь авсан зургийг дараа нь боловсруулах төдий биш, шинжилгээ явагдаж байх үед тохируулга хийхэд чиглэж байна.
Давтан үзлэгийн ачааллыг бууруулах нь алслагдсан газраас эмнэлэг зорьдог гэр бүлүүдэд онцгой ач холбогдолтой байж болно. Гэхдээ бодит эмнэлзүйн нөхцөлд хэр найдвартай ажиллах, ямар төхөөрөмжтэй нийцэх, эмчийн үнэлгээнд хэрхэн туслахыг цааш шалгах шаардлагатай.
Эх сурвалж: Why teaching AI about symmetry could make prenatal diagnosis more reliable4BiotechMIT News Robotics
SanaHeal нойтон эдэд наалддаг мэс заслын цавуу бүтээжээ
MIT-ээс төрсөн SanaHeal стартап нойтон эдэд наалддаг, биологийн нийцтэй цавуу хөгжүүлжээ. Олон төрлийн мэс засалд эдийг холбох, битүүлэх ажлыг хялбарчлах зорилготой энэ материал нь уламжлалт оёдлын зарим хэрэглээнд өөр хувилбар болж магадгүй.
Дэлгэрэнгүй унших
Эмнэлгийн цавуунд наалдах хүчнээс гадна чийгтэй орчинд ажиллах, эдтэй нийцэх чадвар чухал. SanaHeal-ийн шийдэл эдгээр шаардлагыг хангаж, мэс заслын тодорхой алхмуудыг хялбарчлахад чиглэж байна.
Гэхдээ бүх оёдлыг орлоно гэж ойлгож болохгүй. Ямар эд, ямар ажилбарт тохирох, хэр удаан битүүмжлэх, аюулгүй байдал болон зохицуулалтын үнэлгээ нь ямар шатанд байгааг дараагийн мэдээллээс анхаарах хэрэгтэй.
Эх сурвалж: MIT spinout makes surgical stitching more like applying a sticky note5ProductsMIT News AI
Мэдрэгчээ дотроо агуулсан эд зүйлсийг загварчилж, 3D хэвлэнэ
MIT-ийн X-Hinges программ гэрэл, бээлий зэрэг эд зүйлсэд мэдрэгчийг загварчлах үеэс нь суулгаж, 3D хэвлэхэд тусалдаг. Ингэснээр хүний хүрэлцэх үйлдлийг мэдэрч, түүнд тохируулан хариу үзүүлэх эд зүйлс бүтээх боломжийг хялбарчилж байна.
Дэлгэрэнгүй унших
Энгийн биетийг интерактив төхөөрөмж болгоход гаднаас нь мэдрэгч нэмж угсрах шаардлага гардаг. X-Hinges энэ ажлын нэг хэсгийг загварчлалтай нэгтгэж, биетийн бүтэц болон мэдрэх чадварыг хамтад нь төлөвлөхөд чиглэжээ.
Ийм арга бүтээгдэхүүний анхны загвар, туслах хэрэгсэл, хүнтэй харилцах төхөөрөмж хөгжүүлэхэд ашигтай байж болно. Туршилтын загвараас өдөр тутмын хэрэглээнд шилжихэд мэдрэгчийн нарийвчлал, элэгдэл даах чадвар, засварлах боломжийг шалгах нь чухал.
Эх сурвалж: This design software reimagines everyday objects as self-aware devices6ScienceScienceDaily Technology
Лазер ашигласан шинэ микроскоп жижиг уургийг илүү тод харуулна
Судлаачид хүчтэй лазер ашиглан эсийн жижиг бүтцийн дүрсийг илүү тод болгох микроскоп хөгжүүлжээ. ScienceDaily-ийн мэдээлснээр уг технологи ердийн электрон микроскопоор дүрслэхэд хүндрэлтэй жижиг уургуудыг судлахад туслах боломжтой.
Дэлгэрэнгүй унших
Эсийн үйл ажиллагааг ойлгохын тулд жижиг молекулын бүтцийг ялгаж харах шаардлагатай. Дүрсний тодрол сайжрах нь эдгээр бүтцийг судлах боломжийг тэлэх ч эс доторх бүх харилцан үйлчлэлийг шууд хардаг болсон гэсэн үг биш.
Цаашид ямар төрлийн дээж дээр ажиллах, дээж бэлтгэхэд хэр төвөгтэй, бусад лаборатори үр дүнг давтаж чадах эсэх нь чухал. Судалгааны зориулалтын шинэ багажийг эмнэлгийн оношилгоонд бэлэн технологиос ялгаж ойлгох хэрэгтэй.
Эх сурвалж: A revolutionary new microscope could reveal the hidden machinery of life7AIIEEE Spectrum
AI-аар хийсэн загвар ажилладаг системтэй адил биш
IEEE Spectrum-ийн нийтлэл AI-аар хурдан хийсэн үзүүлэн загварыг инженерийн багийн бүрэн ажлын оронд тооцох эрсдэлийг хөнджээ. Ажиллаж байгаа мэт харагдах апп нь цаадах төвөгтэй асуудлуудыг далдалж, удирдлагад хөгжүүлэлтийн хугацаа, хүний оролцооны талаар буруу хүлээлт төрүүлж болно.
Дэлгэрэнгүй унших
Программ нэг удаа ажиллах болон олон хэрэглэгчтэй, найдвартай үйлчилгээ болох нь өөр шаардлагатай. Аюулгүй байдал, алдааны засвар, өгөгдлийн хамгаалалт, урт хугацааны арчилгаа нь богино үзүүлэнгээс тэр бүр харагддаггүй инженерийн ажил юм.
AI нэвтрүүлж буй багууд амжилтаа зөвхөн бичсэн кодын хэмжээ, бэлэн болсон загварын хурдаар хэмжихгүй байх нь зүйтэй. Бодит хэрэглээнд гарах хүртэлх хугацаа, доголдол, засварын зардлыг хамтад нь үнэлж, эцсийн хариуцлагыг тодорхой үлдээх хэрэгтэй.
Эх сурвалж: Why AI Can’t Replace Engineering Teams