Αναρωτηθήκατε ποτέ αν αυτό το παλιό κουτί με χυμό φρούτων στο πίσω μέρος του ψυγείου σας είναι ακόμα ασφαλές για κατανάλωση; Μια νέα «ηλεκτρονική γλώσσα» θα μπορούσε να σας πει.
Το σύστημα, που τροφοδοτείται από τεχνητή νοημοσύνη (AI), μπορεί να εντοπίσει ζητήματα με την ασφάλεια και τη φρεσκάδα των τροφίμων. Προσφέρει επίσης μια ματιά στο πώς η τεχνητή νοημοσύνη λαμβάνει αποφάσεις, ανέφεραν οι ερευνητές στις 9 Οκτωβρίου στο περιοδικό Nature.
Για να φτιάξουν τη γλώσσα, οι ερευνητές χρησιμοποίησαν ένα ευαίσθητο στα ιόντα τρανζίστορ πεδίου - μια συσκευή που ανιχνεύει χημικά ιόντα. Ο αισθητήρας συλλέγει πληροφορίες σχετικά με τα ιόντα σε ένα υγρό και μετατρέπει αυτές τις πληροφορίες σε ηλεκτρικό σήμα που μπορεί να ερμηνευτεί από έναν υπολογιστή, αναφέρει το Live Science.
«Προσπαθούμε να φτιάξουμε μια τεχνητή γλώσσα, αλλά η διαδικασία του τρόπου με τον οποίο βιώνουμε διαφορετικά τρόφιμα περιλαμβάνει περισσότερα από τη γλώσσα», δήλωσε ο συν-συγγραφέας της μελέτης Saptarshi Das , μηχανικός στο Πανεπιστήμιο Penn State.
«Έχουμε την ίδια τη γλώσσα, που αποτελείται από υποδοχείς γεύσης που αλληλεπιδρούν με είδη τροφίμων και στέλνουν τις πληροφορίες τους στον γευστικό φλοιό - ένα βιολογικό νευρωνικό δίκτυο».
Στο νέο σύστημα, ο αισθητήρας λειτουργεί ως γλώσσα, ενώ η τεχνητή νοημοσύνη παίζει το ρόλο του γευστικού φλοιού, της περιοχής του εγκεφάλου που είναι υπεύθυνη για την αντίληψη της γεύσης.
Η ομάδα συνέδεσε τον αισθητήρα με ένα τεχνητό νευρωνικό δίκτυο, ένα πρόγραμμα μηχανικής μάθησης που μιμείται τον τρόπο με τον οποίο ο ανθρώπινος εγκέφαλος επεξεργάζεται τις πληροφορίες, για να επεξεργαστεί και να ερμηνεύσει τα δεδομένα που συνέλεξε ο αισθητήρας.
Αρχικά, ο Das και οι συνεργάτες του έδωσαν στο νευρωνικό δίκτυο λίγες παραμέτρους για να χρησιμοποιήσει για να ανακαλύψει πόσο όξινο ήταν ένα συγκεκριμένο υγρό. Χρησιμοποιώντας αυτές τις παραμέτρους, το νευρωνικό δίκτυο προσδιόρισε την οξύτητα με περίπου 91% ακρίβεια. Όταν άφησαν το νευρωνικό δίκτυο να καθορίσει τις δικές του παραμέτρους για την ανάλυση οξύτητας, η ακρίβειά του βελτιώθηκε σε περισσότερο από 95%.
Στη συνέχεια δοκίμασαν τη γλώσσα σε ποτά του πραγματικού κόσμου. Το σύστημα θα μπορούσε να διακρίνει μεταξύ παρόμοιων αναψυκτικών ή μιγμάτων καφέ, να αξιολογήσει εάν το γάλα έχει πέσει, να εντοπίσει πότε ο χυμός φρούτων έχει χαλάσει και να ανιχνεύσει επιβλαβείς ουσίες ανά και πολυφθοροαλκυλίου (PFAS) στο νερό, βρήκαν.
Χρησιμοποιώντας μια μέθοδο ανάλυσης που ονομάζεται Shapley Additive Explanations, οι ερευνητές θα μπορούσαν να προσδιορίσουν ποιες παραμέτρους το νευρωνικό δίκτυο κατέταξε πιο σημαντικές για να καταλήξουν στα συμπεράσματά του.
Αυτή η μέθοδος θα μπορούσε να βοηθήσει τους επιστήμονες να κατανοήσουν πώς τα νευρωνικά δίκτυα παίρνουν αποφάσεις, κάτι που παραμένει ανοιχτό ερώτημα στην έρευνα της τεχνητής νοημοσύνης, σύμφωνα με την ομάδα.
Η δυνατότητα προσαρμογής για αυτές τις παραλλαγές θα μπορούσε να βοηθήσει να γίνει ο αισθητήρας πιο ισχυρός σε άλλες εφαρμογές. Μέσω της διαδικασίας λήψης αποφάσεων, το νευρωνικό δίκτυο λαμβάνει υπόψη τις παραλλαγές που καθιστούν επί του παρόντος τα τρανζίστορ φαινομένου πεδίου ευαίσθητα σε ιόντα αναξιόπιστα σε ορισμένες περιπτώσεις.
«Καταλάβαμε ότι μπορούμε να ζήσουμε με την ατέλεια», είπε ο Ντας στη δήλωση. «Και αυτό είναι η φύση – είναι γεμάτη ατέλειες, αλλά μπορεί ακόμα να πάρει στιβαρές αποφάσεις, όπως και η ηλεκτρονική μας γλώσσα».