Műholdjavító robotkarok és antarktiszi AI is szerepel a heti adatlistán

Robotok az űrállomáson, AI a műholdak szervizelésében

A seattle-i Orbital Robotics autonóm robotkarokat fejlesztett, amelyeket a NASA a Nemzetközi Űrállomáson tesztelhet a szabadon repülő Astrobee robottal. A rendszer lehetővé teszi, hogy az Astrobee megközelítsen, befogjon és manipuláljon műholdakat utánzó célpontokat mikrogravitációban.

A teszt azt vizsgálja, hogyan használhatók a szabadon repülő robotok később műholdak javítására, korszerűsítésére vagy áthelyezésére úgy, hogy ezekhez a feladatokhoz ne legyen szükség űrhajósokra.

A héten bemutatott további felhasználási területek között szerepel a szavazási dokumentumok értelmezése. A coloradói The KyleGroup olyan utasítást készített, amelyben a felhasználó bemásolja a hivatalos szavazási szöveget egy AI-chatbotba, majd közérthető magyarázatot, valamint az egyes lehetőségek melletti és elleni érveket kér.

A Google Playground nevű, AI-alapú platformja szöveges utasításokkal teszi lehetővé böngészőben futó játékok készítését kódolás nélkül. A felhasználók műfajt, 2D-s vagy 3D-s megjelenítést és játékmeneti elemeket választhatnak, a feltöltött képeket pedig a rendszer játékeszközökké alakítja.

Személyi asszisztens és AI-alapú munkahelyi képzés

A New York-i Persona viselhető pánthoz kapcsolódó személyi AI-asszisztenst indított. Az eszköz egy gomb megnyomására vagy a csukló megmozdítására aktiválódik, majd titkosított adatokat továbbít a Persona felhőalapú modelljéhez. A rendszer ételt rendelhet, utazást foglalhat, jegyzeteket készíthet és üzenetekre válaszolhat. A vállalat szerint az asszisztens idővel személyre szabottabbá válik, ahogy megtanulja a felhasználó preferenciáit és igényeit.

A seattle-i Yoodli kiterjesztette AI-platformját a beszéd- és állásinterjú-gyakorlásról a szélesebb körű munkahelyi képzésre. A dolgozók AI-személyiségekkel gyakorolhatnak beszélgetéseket, utasításból tanfolyamokat készíthetnek, és olyan eszközökben kaphatnak coachingot, mint a Zoom és a Teams. A vezetők jelentéseket is kaphatnak arról, hogy fejlődnek-e a munkatársak készségei.

Klinikai kutatás és transzplantációs kockázatok

Az Egyesült Államok Egészségügyi és Humán Szolgáltatások Minisztériuma programot és három projektet jelentett be az amerikai klinikai vizsgálatok AI-eszközökkel történő felgyorsítására. A SURPASS vizsgálatok szimulációját, a beérkező adatok elemzését és az indulással kapcsolatos feladatok automatizálását célozza. A STACK a vizsgálati helyszínek bővítését támogatná, a COMMONS országos kutatásiadat-infrastruktúrát építene, a CINCH pedig abban segítene a betegeknek, hogy megtalálják a számukra releváns rákos klinikai vizsgálatokat.

A New York University kutatói olyan AI-modelleket tanítottak be, amelyek elektrokardiogramok és vérvizsgálati biomarkerek alapján keresik a szívátültetés utáni kilökődés jeleit. A rendszer 2357 transzplantált beteg 5300 EKG-felvételéből tanult, majd a mintákat biopsziás eredményekkel vetették össze. Egy 38 beteg bevonásával végzett tesztben a kombinált modell a kilökődést nem mutató betegek 94 százalékát azonosította helyesen. Ez csökkentheti a szükségtelen invazív biopsziák számát.

Az angliai Bradfordban működő St Luke’s Hospital klinikusai gyanús bőrelváltozások vizsgálatát gyorsító AI-rendszert használnak. Az eszköz három fényképet elemez néhány perc alatt, és segít eldönteni, mely eseteket lehet elbocsátani, illetve melyeket kell szakorvosi vizsgálatra továbbítani. Minden eredményt klinikus ellenőriz. A kórház szerint az egy alkalommal vizsgált betegek száma 24-ről 32-re nőtt, a szükségtelen biopsziák száma pedig 10 százalékkal csökkent.

Biológiai adatok és az antarktiszi ökoszisztémák feltérképezése

Az amerikai kormány a Google-lel, a Metával és a Biohub nonprofit szervezettel együttműködve nagy, nyílt biológiai adatkészleteket épít AI-modellek tanításához. A kezdeményezés szabványosított méréseket gyűjt arról, hogyan reagálnak a sejtek különböző körülményekre. Az így létrejövő adatok kutatók számára tehetik lehetővé a sejtek viselkedését előrejelző modellek fejlesztését, és az összefoglaló szerint gyorsíthatják a biológiai kutatást, valamint a gyógyszerfejlesztést.

Az ausztráliai University of Wollongong kutatói AI-alapú térképezőrendszert fejlesztettek az Antarktisz szétszórt ökoszisztémáinak megfigyelésére. A rendszer terepi megfigyeléseket, drónfelvételeket és műholdas adatokat kombinál, így a kisebb mohafoltoktól a nagyobb táji mintázatokig képes növényzetet térképezni. A módszer célja, hogy hosszú távú biodiverzitás-monitorozást támogasson olyan területeken is, amelyek felkeresése nehéz és költséges.