Artificiell intelligens är redan en del av vardagen. Det hjälper oss att svara på frågor som "Är det här e-postmeddelandet skräppost?" Det identifierar vänner i fotografier online, väljer ut nyheter baserat på vår politik och hjälper oss att sätta in checkar via våra telefoner – om allt är något ofullkomligt.

Men dessa applikationer är bara början. Genom framsteg inom datavetenskap, forskare skapar nya förmågor som har potential att förbättra våra liv på sätt som vi ännu inte har föreställt oss. Princeton-forskare ligger i framkant av denna forskning, från den teoretiska grunden till de nya apparna och enheterna till de etiska övervägandena.

Försök att bygga intelligenta system är lika gamla som själva datorer. Tidiga ansträngningar involverade ofta direkt programmering av beteenderegler i ett system. Till exempel, forskare kan lägga in rörelselagarna för att styra en robotarm. Men de resulterande beteendena misslyckades vanligtvis.

Med artificiell intelligens, datorer lär sig av erfarenhet. Genom "maskininlärning, "ett underområde av artificiell intelligens, datorer är programmerade för att göra val, lära av resultaten, och anpassa sig till feedback från omgivningen.

Maskininlärning förvandlar stipendium över campus, sa Jennifer Rexford, Princetons Gordon Y.S. Wu professor i teknik och ordförande för datavetenskapliga avdelningen.

"Princeton har en mycket lång tradition av starkt arbete inom datavetenskap och matematik, och vi har många avdelningar som bara är i toppklass, kombinerat med betoning på att tjäna mänskligheten, " sa Rexford. "Det får man bara inte överallt."

Positiva resultat

En samhällsutmaning som artificiellt intelligenta maskiner hanterar är hur man fattar bättre hälso- och sjukvårdsbeslut. Barbara Engelhardt, en docent i datavetenskap, skapar algoritmer för att hjälpa läkare att anta metoder som sannolikt kommer att ha positiva patientresultat.

Till exempel, när ska en patient avvänjas från en ventilator? Används av en av tre patienter på intensivvårdsavdelningar, en ventilator är en livräddande enhet, men är invasiv, kostsamt och kan sprida smitta. Läkare väntar ofta längre än nödvändigt för att ta bort en patient från en ventilator, för om de har fel, de skulle kunna komplicera patientens hälsa ytterligare.

I samarbete med forskare vid University of Pennsylvania sjukhus system, Engelhardt och hennes team strävar efter att flytta patientvården bort från en helhetssyn till en som är skräddarsydd för individuella patienter. Deras algoritm tar hänsyn till många patientfaktorer och beräknar sedan när och hur patienten ska tas bort från ventilatorn. Det fattar många beslut, inklusive hur mycket lugnande medel man ska ge innan ingreppet och hur man testar om patienten kan andas utan hjälp.

Maskininlärning kan också hjälpa till i situationer där högkvalitativ hälsovård inte är omedelbart tillgänglig, som med patienter i palliativ vård, som kunde övervakas dygnet runt som av en specialist.

Förstärkningsinlärning

Engelhardt använder ett maskininlärningssätt som kallas förstärkningslärande, en avvikelse från den äldre men fortfarande allmänt använda praktiken med "övervakat lärande, " där programmerare förser datorer med träningsuppsättningar av data och ber maskinerna att generalisera till nya situationer. Till exempel, att lära en dator att identifiera hundar på foton, programmerare tillhandahåller tiotusentals bilder, från vilken datorn utvecklar sina egna regler för att ta reda på om nya bilder innehåller en hund.

Förstärkningslärande, däremot liknar mer den trial-and-error-inlärning som små barn använder. Ett barn som försöker klappa familjens katt och får ett kraftigt svep lär sig att hålla sig borta från katter. Liknande, datorerna provar saker och tolkar resultaten.

Mengdi Wang, en biträdande professor i verksamhetsforskning och ekonomiteknik, studerar detta tillvägagångssätt. Hon har använt förstärkningsinlärning för att begränsa risken i finansiella portföljer, hjälpa ett lokalt sjukhus att förutsäga komplikationer vid knäbytesoperationer, och samarbeta med Microsoft Research för att skapa dialog av berättelsekvalitet.

En utmaning när man implementerar förstärkningsinlärning är dataöverbelastning. Datorer har inte fördelen av mänsklig glömska, så de måste behandla all inkommande data. I praktiken, experter måste ofta gå in för att sätta några gränser för antalet punkter som måste beaktas.

"Att ha för många variabler är flaskhalsen i förstärkningslärande, " sa Wang. "Även om du har all information i världen, du har en begränsad mängd processorkraft."

Wang utvecklade en metod för att hjälpa datorer att räkna ut vad som är och vad som inte är viktigt. Det är en algoritm som minskar komplexiteten genom att matematiskt komprimera en stor samling möjliga tillstånd till ett litet antal möjliga kluster. Tillvägagångssättet, som hon utvecklade tillsammans med Anru Zhang från University of Wisconsin-Madison, använder statistik och optimering för att gruppera de troliga scenarierna för varje steg i en beslutsprocess.

AI till undsättning

Även om förstärkningsinlärning är kraftfullt, det ger inga garantier när en algoritm konfronterar en ny miljö. Till exempel, ett autonomt flygfordon (drönare) tränat för att utföra sök- och räddningsuppdrag i en viss uppsättning miljöer kan misslyckas dramatiskt när det sätts in i en ny.

Att utveckla metoder för att garantera drönarsäkerhet och prestanda är målet för Anirudha Majumdar, en biträdande professor i maskin- och rymdteknik. På grund av säkerhets- och tekniska begränsningar, de flesta drönare idag kräver att en människa styr farkosten med hjälp av dess kameror och sensorer. Men att styra drönare genom förstörda byggnader, som de i det radioaktivitetsskadade kraftverket Fukushima Daiichi i Japan, ger utmaningar.

Autonoma flygbilar kan hjälpa sök-och-räddningsinsatser i trånga utrymmen där risken för mänskliga misstag är stor. Majumdar undersöker hur man kan tillämpa en uppsättning verktyg från maskininlärning som kallas "generaliseringsteori" för att garantera drönarsäkerhet i nya miljöer. På ett ungefär, generaliseringsteorin ger sätt att minska skillnaden mellan prestation på träningsdata och prestation på ny data.

Språkinlärning

Att lära datorer att känna igen former är en sak, men att lära dem förstå vardagsspråket är något helt annat. För att komma till frågan om hur hjärnan bearbetar språk, Princetons forskare skannade hjärnan hos volontärer som tittade på avsnitt av BBC -tv -serien "Sherlock" för att se vad hjärnan gör medan dess ägare tar in ny information.

Utmaningen var hur man aggregerar resultat från flera hjärnor för att identifiera trender. Varje hjärna är formad lite annorlunda, vilket leder till små skillnader i deras funktionella magnetiska resonansavbildningar (fMRI). "Det är som om du skickar tusen turister för att ta ett foto av Eiffeltornet. Varje foto kommer att vara lite olika beroende på kameran, platsen där turisten stod för att ta bilden, och så vidare, "sa Peter Ramadge, Gordon Y.S. Wu professor i teknik och chef för Centrum för statistik och maskininlärning. "Du behöver maskininlärning för att förstå vad som är gemensamt för alla ämnes svar, " han sa.

Ramadge och andra datavetare, inklusive dåvarande grundexamen Kiran Vodrahalli från klassen 2016, arbetade med forskare vid Princeton Neuroscience Institute för att aggregera hjärnskanningar med hjälp av en metod för att hitta gemensamma saker som kallas en "shared response model". De kartlade sedan hjärnaktivitet till dialogen i avsnitten med hjälp av en naturlig språkbehandlingsteknik – som extraherar mening från tal – utvecklad av Sanjeev Arora, Princetons Charles C. Fitzmorris professor i datavetenskap, och hans team.

Medan en typisk taligenkänningsmetod behöver ett stort antal exempel, den nya metoden kan dra mening från en relativt liten samling ord, som de få hundra som finns i manuset till tv -programmet. I en artikel publicerad i tidskriften NeuroImage i juni 2017, forskarna visade att de kunde avgöra genom att titta på fMRI-skanningarna vilken scen som sågs med cirka 72 procents noggrannhet.

In i den svarta lådan

Maskininlärning har potential att låsa upp frågor som människor tycker är svåra eller omöjliga att svara på, särskilt sådana som involverar stora datamängder. För riktigt komplexa frågor, forskare har utvecklat en metod som kallas djupinlärning, inspirerad av den mänskliga hjärnan. Denna metod bygger på artificiella neurala nätverk, samlingar av artificiella neuroner som, som riktiga hjärnceller, kan ta emot en signal, bearbeta det, och producera en utdata för att lämna till nästa neuron.

Även om djupinlärning har varit framgångsrik, forskare upptäcker fortfarande vilka uppgifter det är bäst lämpade för, sa Arora, som nyligen grundade ett program i teoretisk maskininlärning vid det närliggande Institute for Advanced Study. "Fältet har fått stor nytta av att behandla djupinlärning som en svart låda, " sa han. "Frågan är vad vi kommer att se när vi öppnar den svarta lådan."

Oavsiktliga konsekvenser

Förutom breda etiska frågor om användningen av AI och konsekvenserna av intelligenta maskiner i samhället, Oron på kort sikt över att AI-system tar jobb från människor blir allt vanligare. Ange Ed Felten, som forskar om politik för att dämpa de oavsiktliga konsekvenserna av AI.

Filt, Robert E. Kahn professor i datavetenskap och offentliga angelägenheter och chef för Princetons Center for Information Technology Policy, tjänstgjorde som biträdande amerikansk teknikchef i Obamas vita hus, där han ledde federala politiska initiativ om AI och maskininlärning.

Med forskare vid New York University, Felten har undersökt om oro över AI:s påverkan på jobb och ekonomi kan stödjas av data. Forskarna använde standardriktmärken publicerade av AI-forskare. För visuell igenkänning, till exempel, laget utvärderade hur många bilder en AI -algoritm korrekt kategoriserade. Felten och hans kollegor parade ihop denna uppskattning med datauppsättningar från Bureau of Labor Statistics.

Frågan är om AI kommer att ersätta arbetare, eller komplettera deras ansträngningar och leda till ännu större möjligheter? Historien visar att ny teknik ofta visar sig vara fördelaktig för arbetare på lång sikt, men inte utan kortsiktiga smärtor för arbetare som ersatts av teknik.

Medan vissa forskare tror att jobb med låg kompetens kommer att uppleva det största hotet från artificiellt intelligenta maskiner, Feltens siffror tyder på något annat. Flygbolagspiloter och advokater kan vara minst lika hotade av automatisering som personen bakom disken på lokala 7-Eleven, han sa.

"Saker som husstädning är mycket svåra att automatisera, " Sa Felten. "Den person som gör det jobbet måste fatta många kontextuella beslut. Vilka föremål på golvet är skräp och vilka föremål på golvet är värdefulla föremål som har fallit på golvet?"

Felten och hans team planerar att para ihop sina fynd med geografisk information, ger en slags värmekarta över vilka regioner i landet som kommer att drabbas mest, att låta företag och regeringar förbereda sig för de kommande förändringarna.

"Jag är optimist eftersom jag tror att det finns stora möjligheter, ", sa Felten. "AI kommer att leda till enorma framsteg på många olika områden. Men det kommer med risker, och vi kunde enkelt göra det dåligt. "