Insamling av personuppgifter, maskininlärning och artificiell intelligens gör intrång i våra liv i en takt som många av oss tycker är oroande, om inte direkt skrämmande. För att inte tala om att många av oss inte kan se skillnad på vad dessa termer betyder.

Purdues Dan Goldwasser arbetar med att utveckla verktyg som utnyttjar dessa kraftfulla nya teknologier så att de kan förbättra individers liv – och kanske förbättra samhället, för.

Även om du kanske tänker på artificiell intelligens som en teknik för Jetsons långt borta framtid, vi interagerar med det varje dag, ofta utan att märka det, säger Goldwasser, en biträdande professor i datavetenskap.

"Det brukade vara när man skrev på en dator eller en smartphone, det skulle peka ut felstavade ord, vilket är ganska enkelt för konventionella datorer att göra, " säger han. "Nu, om du skriver "om" när det du menade var "väder, ' appen kommer att meddela dig, 'ja, det är ett ord, men det är inte ordet du tänkt dig.' Detta kräver en förståelse av meningens syntax och sammanhanget, och detta görs genom artificiell intelligens."

Goldwassers forskning handlar om artificiell intelligens, med fokus på maskininlärning och naturlig språkbehandling. Han säger att folk ofta blandar ihop de tre teknikerna eller helt enkelt inte vet vad någon av dessa termer betyder.

"Artificiell intelligens, som får mycket surr och uppmärksamhet nuförtiden, är en uppsättning metoder, system eller tillvägagångssätt för datorer som försöker efterlikna mänskliga bedömningar och mänskligt beslutsfattande, " säger han. "Machine learning är en uppsättning metoder som använder data för att utföra en uppgift."

Om din uppgift kan begränsas till en enkel mappning från input till output, då kan maskininlärning hjälpa dig med det.

Till exempel, förutsäga oddsen att Purdue vinner nästa lördag:En maskininlärningsalgoritm kan använda information från de tidigare spelen, motståndarens rekord för vunna-förluster och om matchen är en hemmamatch, kör insamlad data genom en algoritm, och ge dig ett svar

Men, om du vill att systemet ska gå utöver det och räkna ut oddsen, till exempel, baserat på spelarnas humör genom att skanna sociala medier, det kommer att behöva väga in många andra variabler och resonera om deras relation till lördagens match. Till exempel, ett inlägg som indikerar att en av spelarna kommer att delta i sin systers bröllop på lördag skulle kräva att systemet drar slutsatsen att spelaren inte skulle kunna närvara vid matchen, ändra oddsen att vinna.

Det är en process som kräver artificiell intelligens, säger Goldwasser.

En vanlig plats där människor möter grundläggande AI och maskininlärning är med personliga assistenter, som Amazons Alexa, Googles Google Home, Apples Siri, och Microsofts Cortana, som alla använder den tredje tekniken Goldwasser forskar om – naturlig språkbehandling – som han förklarar är området för artificiell intelligens som specifikt fokuserar på att replikera mänskliga bedömningar till mänskligt språk.

Överväga, till exempel, vad som verkar vara en enkel fråga du kan ställa till en medarbetare:"Hej, vann Giants i går kväll?"

För en dator, frågan är oerhört komplex.

"Vi drar många slutsatser när vi samtalar med någon, och dessa genvägar som kommer väldigt naturligt för oss utan att tänka, men när du måste göra dem tydliga, du förstår att det finns komplexa resonemang bakom dem, " säger Goldwasser. "Så, vann Giants? Tänk på utrymmet för möjliga världar som systemet måste utforska. Det finns fotbollen New York Giants och San Francisco baseball Giants. Systemet måste veta detta och resonera om det är basebollsäsong eller fotbollssäsong, och har de haft ett spel under de senaste 24 timmarna. Men du kan också föreställa dig att det finns någon militär grupp som folk kallar jättarna, och slogs de bara någon strid? Du kan grunda betydelsen av det ordet på många olika sätt."

Även om du tar bort tvetydigheten i frågan och vet att du frågar om ett basebolllag, systemet står fortfarande inför ett komplext problem, säger Goldwasser. Systemet måste veta vad det betyder "att vinna, " och vilken information som är relevant för användaren. Det kan finnas ett basebolllag i Sydamerika som heter Giants, men systemet måste veta om du bryr dig om det resultatet.

"Denna sorts reflektion och förståelse för användaren är verkligen något som är svårt att programmera dessa system att göra, och det är inte något som systemet kan åstadkomma genom att bara hämta data, utan ytterligare resonemang, " säger Goldwasser.

Hans AI-forskning är i linje med Purdues Giant Leaps-firande, erkänner universitetets globala framsteg mot en avancerad ekonomi och planet som en del av Purdues 150-årsjubileum. Detta är ett av de fyra teman för det årlånga firandets Idéfestival, designad för att visa upp Purdue som ett intellektuellt centrum som löser verkliga problem.

För Goldwassers egna projekt, han utvecklar verktyg som använder artificiell intelligens för att analysera universum av data för att ge insikter om aktuella frågor.

Till exempel, ett projekt analyserar inlägg i sociala medier och offentliga kommentarer från förtroendevalda för att förutsäga när de kommer att rösta emot sitt eget politiska parti.

"Vi har använt detta med statliga lagstiftare för att förutsäga hur de kommer att rösta om hälsovård, " säger Goldwasser. "Lagstiftarna kanske aldrig avslöjar sin ståndpunkt på Twitter, men vi kan förutsäga hur de formulerar frågan hur de kommer att rösta när det är dags."

Ett annat projekt, finansierat av Google, skapar ett verktyg för att titta på en nyhetskälla och använda en mängd olika datapunkter, som hur ofta olika politiska synpunkter används av outleten och de sociala kopplingarna mellan människor som interagerar med outleten, för att avgöra hur partisk uttaget är.

Ett tredje projekt som är ett resultat av hans forskning är ett verktyg för att analysera kommentarer på sociala medier från en lokalbefolkning för att titta på hur de formulerar en fråga för att förutsäga vad svaret på en åtgärd kan bli.

"Till exempel, om du funderar på att skicka in trupper till ett land för att hjälpa till med en flyktingkris, skulle det ses av lokalbefolkningen som behövd hjälp eller en aggressiv handling? Vi hoppas kunna ge beslutsfattare verktyg för att förstå detta när de gör policyer för att undvika farliga misstag."

Denna forskning har analyserat inlägg på sociala medier och offentliga kommentarer från förtroendevalda för att förutsäga när de kommer att rösta emot sitt eget politiska parti.

"Att bygga vidare på det, vi inledde ett samarbete med en professor i statsvetenskap, Eric Waltenburg, att analysera lokala myndigheters data, " säger Goldwasser. "För detta projekt, vi tilldelades nyligen finansiering som en del av Purdues Integrative Data Science Initative."