Исследовательские статьи выходят слишком быстро, чтобы их можно было прочитать все, особенно в области машинного обучения, которое сейчас затрагивает (и выпускает статьи) практически во всех отраслях и компаниях. Эта колонка направлена ​​на то, чтобы собрать некоторые из наиболее актуальных недавних открытий и статей – в частности, в области искусственного интеллекта, но не ограничиваясь им, – и объяснить, почему они имеют значение.

На этой неделе представлены несколько необычных приложений или разработок в области машинного обучения, а также особенно необычный отказ от метода анализа, связанного с пандемией.

Вряд ли можно ожидать найти машинное обучение в сфере государственного регулирования, хотя бы потому, что предполагается, что федеральные регулирующие органы безнадежно отстают от времени, когда дело доходит до такого рода вещей . Поэтому вас может удивить, что Агентство по охране окружающей среды США сотрудничало с исследователями из Стэнфорда, чтобы алгоритмически искоренить нарушителей экологических правил.

Когда вы видите масштаб проблемы, это становится понятным. Органы EPA должны обрабатывать миллионы разрешений и наблюдений, относящихся к соблюдению Закона о чистой воде, таких как самооценка количества загрязняющих веществ из различных отраслей и независимые отчеты лабораторий и полевых групп. Разработанный в Стэнфорде процесс отсортировал их, чтобы выделить закономерности, например, какие типы растений и в каких областях с наибольшей вероятностью повлияют на демографические характеристики. Например, очистка сточных вод на городских окраинах может иметь тенденцию занижать уровень загрязнения и подвергать риску цветные сообщества.

Сам процесс сведения вопроса о соответствии к чему-то, что можно проанализировать и сравнить с помощью вычислений, помог прояснить приоритеты агентства. демонстрируя, что, хотя этот метод может выявить больше владельцев разрешений с небольшими нарушениями, он может отвлечь внимание от общих типов разрешений, которые действуют как фиговый лист для множества крупных нарушителей.

Еще одним крупным источником отходов и расходов является переработка металлолома. Тонны его проходят через центры сортировки и переработки, где работа по-прежнему в основном выполняется людьми, и, как вы можете себе представить, это опасная и скучная работа. Eversteel – это стартап при Токийском университете, цель которого автоматизировать процесс, чтобы большая часть работы могла быть выполнена еще до того, как вмешались люди.

Кредиты на изображения: Eversteel

Eversteel использует систему компьютерного зрения для классификации поступающего лома почти на две дюжины категорий и для маркировки нечистот (т. е. , не подлежащий вторичной переработке сплав) или аномальные предметы для удаления. Он все еще находится на ранней стадии, но отрасль никуда не денется, и отсутствие какого-либо большого набора данных для обучения своих моделей (им приходилось делать свои собственные, с учетом металлургов и изображений) показало Eversteel, что это действительно девственная территория. для AI. Если повезет, они смогут коммерциализировать свою систему и привлечь финансирование, необходимое для проникновения в эту крупную, но нуждающуюся в технологиях отрасль.

Еще одно необычное, но потенциально полезное применение компьютерного зрения – мониторинг почвы, задача каждого фермера. нужно делать регулярно, чтобы контролировать уровень воды и питательных веществ. Когда им удается автоматизировать это, это делается довольно жестко. Команда из Университета Южной Австралии и Среднего технического университета в Багдаде показала, что датчики, оборудование и тепловизионные камеры, используемые сейчас, могут оказаться излишними.

Изображение Источники: UNISA / Средний технический университет

Удивительно, но их ответом стала стандартная цифровая камера RGB, которая анализирует цвет почвы для оценки влажности. «Мы протестировали его на разных расстояниях, в разное время и на разных уровнях освещенности, и система оказалась очень точной», – сказал Али ан-Наджи, один из создателей. Его можно (и планируется) использовать для создания дешевой, но эффективной интеллектуальной системы орошения, которая могла бы повысить урожайность для тех, кто не может позволить себе стандартные системы.