เทคโนโลยีปัญญาประดิษฐ์ (AI) ได้ซึมซับเข้ามาในชีวิตประจำวันของเราอย่างแพร่หลาย โทรศัพท์ของเราปลดล็อคเมื่อเห็นใบหน้าของเรา เราสามารถสนทนาข้อความแบบเต็มรูปแบบกับ ChatGPT อเมซอนรู้ว่าเรากำลังมองหาอะไร และอีเมลของเราเติมเต็มประโยคของเราด้วยความแม่นยำอย่างน่าอัศจรรย์
Artificial intelligence (AI) has permeated our lives. Our phones unlock at the sight of our faces. We can have entire text conversations with ChatGPT. Amazon knows what I am looking for, and my email finishes my sentences with uncanny accuracy.
ปัญญาประดิษฐ์ เป็นเรื่องของคณิตศาสตร์ ไม่ใช่เวทมนตร์
เทคโนโลยีปัญญาประดิษฐ์ (AI) ได้ซึมซับเข้ามาในชีวิตประจำวันของเราอย่างแพร่หลาย โทรศัพท์ของเราปลดล็อคเมื่อเห็นใบหน้าของเรา เราสามารถสนทนาข้อความแบบเต็มรูปแบบกับ ChatGPT อเมซอนรู้ว่าเรากำลังมองหาอะไร และอีเมลของเราเติมเต็มประโยคของเราด้วยความแม่นยำอย่างน่าอัศจรรย์
AI อาจดูเหมือนเวทมนตร์ แต่โซลูชันเหล่านี้ล้วนอิงอยู่บน deep learning และ neural networks (NN) ซึ่งต้องการเพียงแคลคูลัสเล็กน้อย และข้อมูลจำนวนมาก รวมถึงพลังการประมวลผล
NN รุ่นแรก ซึ่งเสนอในช่วงทศวรรษ 1960 มีเป้าหมายเลียนแบบสมองมนุษย์ โดยรับรู้สิ่งเร้า (อินพุต) ประมวลผลด้วยชั้น “เซลล์ประสาทเทียม” ที่เชื่อมโยงกัน และสร้างการตอบสนอง (เอาต์พุต) ตัวอย่างเช่น การจดจำใบหน้าบนโทรศัพท์ได้รับการฝึกฝนให้ยอมรับภาพอินพุตและคำตอบ “บุคคลนี้เป็นเจ้าของของฉันหรือไม่” ถ้าใช่ มันจะปลดล็อค
ภายใน NN แต่ละคู่ของเซลล์ประสาทมี “knob” ควบคุมความแรงของสัญญาณที่ส่งผ่านจากเซลล์หนึ่งไปยังอีกเซลล์หนึ่ง “การฝึก” NN เกี่ยวข้องกับการปรับแต่ง knob เหล่านี้จนกว่า NN จะแมปชุดข้อมูลการฝึกขนาดใหญ่ของอินพุตไปยังเอาต์พุตที่ต้องการอย่างสม่ำเสมอ การปรับแต่ง knob หลายล้านหรือหลายพันล้านนี้ถูกชี้นำโดยแคลคูลัสเพื่อลดข้อผิดพลาดในเอาต์พุต NN ที่มีประสิทธิภาพเรียนรู้ที่จะสร้างเอาต์พุตการฝึกที่ต้องการ แต่ยังสามารถสรุปเพื่อทำงานกับอินพุตใหม่ที่พบเจอ
ที่ห้องปฏิบัติการ NEural TransmissionS (NETS) ของ Florida Tech เราศึกษาการเรียนรู้เชิงลึกและพัฒนา NN ของเราเอง อย่างน่าเป็นห่วง NN ทำผิดพลาดด้วยเหตุผลที่ไม่ทราบสาเหตุ ซึ่งทำให้การใช้งานที่มีความเสี่ยงสูง งานส่วนใหญ่ของเรามุ่งเน้นที่โหมดความล้มเหลเหล่านี้ ประเมินว่าทำไมจึงเกิดขึ้นและเราจะทำอย่างไร
นำโดยนักศึกษาปริญญาเอก Mackenzie Meni เราได้พัฒนเทคนิคที่เรียกว่า PEEK ซึ่งมองเข้าไปในกลไกภายในของ NN เพื่อมองเห็นรายละเอียดที่ NN กำลังมุ่งเน้น PEEK อธิบายการตัดสินใจของ NN และเปิดเผออคติของข้อมูล ที่น่าตื่นเต้น PEEK สามารถแยกแยะเอาต์พุตที่ถูกต้องจากกลไกภายในได้บ่อยครั้ง แม้ว่า NN จะล้มเหลวในการสร้างเอาต์พุตเหล่านั้น งานที่กำลังดำเนินอยู่มีเป้าหมายที่จะใช้อเอาต์พุต “ที่แก้ไขแล้ว” เหล่านี้เป็นระบบป้องกันความผิดพลาดเพื่อจับและแก้ไขข้อผิดพลาดแบบทันที
ความหลากหลายของ NN ช่วยให้เราสามารถร่วมมือกันข้ามสาขาวิชา เราทำงานร่วมกับวิศวกรด้านอวกาศและชีวการแพทย์
ร่วมกับนักศึกษาปริญญาเอก Trupti Mahendrakar จาก Autonomy Lab เราได้พัฒนาอัลกอริทึมวิชันและการนำทางสำหรับฝูงดาวเทียมอัตโนมัติสำหรับห้องปฏิบัติการวิจัยทางอากาศของกองทัพอากาศ (AFRL) โดยมีงานต่อเนื่องเกี่ยวกับอัลกอริทึมวิชันที่ควบคุมโดยมนุษย์ human guided vision algorithms
นักศึกษาปริญญาเอก Nehru Attzs กำลังพัฒนาอัลกอริทึมเพื่อติดตามส่วนประกอบของดาวเทียมแบบเรียลไทม์
นักศึกษาปริญญาเอก Arianna Issitt และฉันปัจจุบันเป็นคณาจารย์/นักศึกษาบัณฑิตกิตติมศักดิ์ที่ AFRL กำลังทำงานในโครงการส่งดาวเทียมไล่ตามวงโคจรตรวจสอบรอบยานอวกาศ ถ่ายภาพเพื่อสร้างการสร้างแบบจำลอง 3 มิติ เรากำลังออกแบบวงโคจรการตรวจสอบที่เหมาะสมที่สุดและปรับใช้บนคอมพิวเตอร์อวกาศ
นอกจากนี้ เรายังร่วมมือกับห้องปฏิบัติการ the Multiscale Cardiovascular Fluids Laboratory เพื่อพัฒนา NN ประมาณการพลวัตการไหลเวียนของเลือดภายในหลอดเลือดของผู้ป่วยแบบไม่รุกรานแบบเรียลไทม์ ซึ่งสามารถช่วยให้ทีมแพทย์วินิจฉัยและวางแผนการรักษาโรคหัวใจและหลอดเลือดของผู้ป่วยได้อย่างรวดเร็ว
ความพยายามของห้องปฏิบัติการ NETS มีเป้าหมายเพื่อให้ความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับ AI โดยทั่วไปและออกแบบโซลูชันที่มีประสิทธิภาพสำหรับแอปพลิเคชันที่สำคัญต่อความปลอดภัยในการบินอวกาศและการแพทย์