AI อาจเจาะภาษาของมะเร็งและอัลไซเมอร์ได้

Image credit: Weitz lab, Harvard University

การศึกษาของนักวิจัยจาก St. John's College, University of Cambridge ในสหราชอาณาจักรพบว่า "ภาษาทางชีววิทยา" ของโรคมะเร็งอัลไซเมอร์และโรคทางระบบประสาทอื่น ๆ สามารถทำนายได้โดยการเรียนรู้ของเครื่อง (machine learning) นักวิจัยใช้อัลกอริทึมที่คล้ายกับที่ใช้โดย Netflix, Facebook และผู้ช่วยด้านเสียงเช่น Alexa และ Siri เพื่อฝึกตัวแบบเครือข่ายประสาทเทียมเชิงภาษา เพื่อศึกษาการควบแน่น (condensate) ทางชีวโมเลกุล  (biomolecular) Tuomas Knowles ของ St. John's College กล่าวว่า "ข้อบกพร่องใด ๆ ที่เชื่อมต่อกับหยดโปรตีนเหล่านี้อาจนำไปสู่โรคต่าง ๆ เช่นมะเร็ง นี่คือเหตุผลที่การนำเทคโนโลยีการประมวลผลภาษาธรรมชาติมาใช้ในการวิจัยเกี่ยวกับโมเลกุลที่เป็นต้นกำเนิดของความผิดปกติของโปรตีนจึงมีความสำคัญหากเราต้องการให้สามารถแก้ไขความผิดพลาดทางไวยากรณ์ในเซลล์ซึ่งทำให้เกิดโรค"

อ่านข่าวเต็มได้ที่: University of Cambridge (U.K.)

หุ่นยนต์จากสวิสใช้แสงยูวีเพื่อฆ่าเชื้อไวรัสให้กับเครื่องบินโดยสาร

ภาพจาก Reuters

หุ่นยนต์ที่พัฒนาโดย UVeya สตาร์ทอัพสัญชาติสวิสใช้แสงอัลตราไวโอเลต หรือ UV เพื่อฆ่าไวรัสบนเครื่องบินโดยสารของสวิส ในการทดสอบที่ดำเนินการกับบริษัทผู้ให้บริการสนามบิน Dnata ในสหรัฐอาหรับเอมิเรตส์ ทีม UVeya ได้สร้างหุ่นยนต์ต้นแบบ 3 ตัวซึ่งหนึ่งในนั้น Jodoc Elmiger ผู้ร่วมก่อตั้งได้สาธิตมาแล้วในเครื่องบินเจ็ทของ Helvetic Airways ที่สนามบิน Zurich ของสวิตเซอร์แลนด์ หุ่นยนต์ 1 ตัวสามารถฆ่าเชื้อเครื่องในหนึ่งช่องทางเดินของเครื่องบินได้ภายใน 13 นาที Lukas Gyger แห่ง Dnata กล่าวว่า "เรากำลังมองหาทางออกที่ยั่งยืนและเป็นมิตรกับสิ่งแวดล้อม เพื่อให้แน่ใจว่าผู้เดินทางโดยเครื่องบินจะไม่ป่วย"

อ่านข่าวเต็มได้ที่: Reuters

เครือข่ายเรียนรู้เชิงลึกชอบเสียงคนมากกว่า

 

ภาพจาก Columbia Engineering

Hod Lipson และ Boyuan Chen จาก Columbia University สาธิตให้เห็นว่าระบบปัญญาประดิษฐ์ที่ตั้งโปรแกรมด้วยไฟล์เสียงภาษามนุษย์สามารถทำงานได้ดีกว่าระบบที่เข้ารหัสด้วยป้ายกำกับข้อมูลที่เป็นตัวเลข  วิศวกรได้สร้างเครือข่ายประสาทเทียมสองเครือข่าย และฝึกให้พวกมันจดจำวัตถุ 10 ประเภทในชุดภาพถ่าย 50,000 ภาพ ระบบหนึ่งได้รับการฝึกฝนด้วยอินพุตไบนารี ในขณะที่อีกระบบหนึ่งได้รับการป้อนตารางข้อมูลที่มีรูปถ่ายของสัตว์หรือสิ่งของพร้อมไฟล์เสียงที่สอดคล้องกันของเสียงของมนุษย์ที่พูดชื่อสัตว์หรือสิ่งของ นักวิจัยจากโคลัมเบียพบว่าเมื่อนำเสนอด้วยภาพเครือข่ายโปรแกรมไบนารีจะตอบด้วย 1 และ 0 ในขณะที่อีกเครือข่ายหนึ่งจะพูดชื่อของวัตถุจากภาพ เมื่อทดสอบด้วยภาพที่ไม่ชัดเจนพบว่าเครือข่ายที่ฝึกด้วยเสียงมีความแม่นยำ 50% ในขณะที่เครือข่ายที่ฝึกด้วยตัวเลขมีความแม่นยำเพียง 20%

อ่านข่าวเต็มได้ที่: Columbia Engineering

เครื่องมือ AI สามารถช่วยตรวจหาเนื้องอกได้

ภาพจาก MIT News

นักวิจัยจาก Massachusetts Institute of Technology (MIT) ได้ออกแบบระบบปัญญาประดิษฐ์ที่วิเคราะห์ภาพแบบ wide-field ของผิวของผู้ป่วยเพื่อตรวจหามะเร็งผิวหนังได้อย่างมีประสิทธิภาพมากขึ้น กระบวนการนี้ใช้โครงข่ายประสาทเทียมแบบ deep convolutional (DCNNs) เพื่อเพิ่มประสิทธิภาพในการระบุ และการจำแนกประเภทของสีของรอยโรคที่น่าสงสัย ( suspicious pigmented lesions) หรือ SPL ในภาพแบบ wide-field นักวิจัยของ MIT ได้ฝึกฝนระบบโดยใช้ภาพแบบ wide-field 20,388 ภาพจากผู้ป่วย 133 คนที่ Hospital Gregorio Marañón ในสเปน รวมถึงภาพที่เผยแพร่ต่อสาธารณะด้วย แพทย์ผิวหนังจำแนกรอยโรคด้วยสายตาจากภาพเพื่อเปรียบเทียบ โดยระบบมีความไวมากกว่า 90.3% ในการแยกความแตกต่างของ SPL จากแผลที่ไม่น่าสงสัย ผิวหนัง และพื้นหลัง (ของภาพ) ทีมีความซับซ้อน

อ่านข่าวเต็มได้ที่: MIT News

Rice กับ Intel ฝึกฝน AI แบบเหมาะสมที่สุดสำหรับฮาร์ดแวร์ของสินค้าโภคภัณฑ์

ภาพจาก Rice University

นักวิทยาศาสตร์คอมพิวเตอร์ของ Rice University และผู้ร่วมงานจาก Intel ได้สาธิตซอฟต์แวร์ปัญญาประดิษฐ์ (artificial intelligence) หรือ AI ที่ทำงานบนโปรเซสเซอร์ของสินค้าโภคภัณฑ์ และฝึกเครือข่ายประสาทเทียมเชิงลึก (deep neural network)  หรือ DNN ได้เร็วกว่าแพลตฟอร์มที่ใช้หน่วยประมวลผลกราฟิก  หรือ GPU อย่างมีนัยสำคัญ Anshumali Shrivastava ของ Rice กล่าวว่าค่าใช้จ่ายในการฝึกอบรม DNN ถือเป็นปัญหาคอขวดที่ใหญ่ที่สุดใน AI และ sub-linear deep learning engine (SLIDE) ซึ่งทีมได้พัฒนาขึ้นเอาชนะมันได้ด้วยการทำงานบนซีพียูของสินค้าโภคภัณฑ์ และด้วยมองว่าการฝึก DNN เป็นปัญหาการสืบค้นโดยใช้ตารางแฮช   (hash table) งานวิจัยล่าสุดได้พิจารณาถึงผลกระทบของ vectorization และตัวเร่งการเพิ่มประสิทธิภาพหน่วยความจำที่มีต่อ CPU Shrivastava กล่าวว่า "เราใช้ประโยชน์จากนวัตกรรมเหล่านั้นเพื่อใช้ SLIDE ให้ดียิ่งขึ้นไปอีกโดยแสดงให้เห็นว่าถ้าเราแก้ไขการคูณเมทริกซ์ไม่ได้ เรายังสามารถใช้ประโยชน์จากพลังในซีพียูสมัยใหม่ และฝึกโมเดล AI ได้เร็วกว่าฮาร์ดแวร์เฉพาะทางที่ดีที่สุดถึง 4 ถึง 15 เท่า"

อ่านข่าวเต็มได้ที่: Rice University News