Jump to content
Forum Kopalni Wiedzy

Recommended Posts

Zabawa w chowanego, gra w Half-Life 2 i praca policji mają ze sobą więcej wspólnego, niż mogłoby się wydawać. Dzięki badaniu metod ukrywania i szukania obiektów przez dorosłych, dotąd skupiano się raczej na dzieciach i zwierzętach, można ulepszyć zarówno środowiska wirtualne, jak i narzędzia stosowane przez organy ścigania.

Psycholog Marcia Spetch i informatyk Vadim Bulitko z University of Alberta przeprowadzili kilkuetapowy eksperyment, w ramach którego dorośli ochotnicy szukali i ukrywali przedmioty w wirtualnym pomieszczeniu o wymiarach przypominających prawdziwy pokój. Okazało się, że szukając przedmiotów, ludzie mieli tendencję do skupiania się na obszarach w pobliżu punktu wyjścia. Gdy jednak sami ukrywali obiekty, odchodzili dalej od "startu" i starali się jak najbardziej rozproszyć przedmioty, by trudniej je było znaleźć. Kiedy role odwracano, działo się jednak coś ciekawego. Ludzie, którzy chwilę wcześniej ukrywali przedmioty, wykazywali skłonność do odchodzenia podczas poszukiwań dalej od punktu startowego, co pokrywa się ze stosowanymi powszechnie metodami chowania. Wygląda to tak, jakby chowanie przygotowało ich na to, w jakich miejscach rzeczy mogą być ukryte [zaszedł więc priming, czyli zwiększenie prawdopodobieństwa wykorzystania przez człowieka danej kategorii poznawczej poprzez wcześniejsze wystawienie go na działanie bodźca zaliczanego do konkretnej kategorii] - tłumaczy Spetch.

Zrozumienie ludzkiego zachowania podczas chowania oraz motywacji czy wpływu różnych czynników, np. czasu, stresu lub wartości obiektu, pozwoli specjalistom dokładniej mapować i wyznaczać lepsze punkty ukrywania w każdej dowolnie wybranej przestrzeni. Skorzystają na tym m.in. gracze, ponieważ bazując na realnych strategiach, programiści będą potrafili schować obiekty w bardziej interesujących miejscach niż dotąd. Dodatkowo występujące w grach boty staną się w większym stopniu ludzkie, ponieważ "odziedziczą" nasze cechy i ograniczenia. Dla sterowanego przez komputer bota znalezienie ukrytych przez ludzi przedmiotów czy widzenie przez ściany jest proste. Wszystkie te ponadludzkie umiejętności można bez trudu zaimplementować, lecz gracze postrzegają to trochę jak oszukiwanie. Myślę, że pragną oni bardziej ludzkich postaci, które zachowują się jak my – przekonuje Bulitko.

Aplikacja bazująca na odkrytych przez Kanadyjczyków algorytmach ukrywania i szukania mogłaby znaleźć zastosowanie w oprzyrządowaniu policyjnym, np. specjalnych goglach. Ograniczałyby one liczbę punktów, w których śledczy powinni szukać schowanych przez przestępców obiektów. Komputer rozpoznawałby punkty pokoju i sugerowałby coś w tym rodzaju: OK, sprawdź pod tą deską na podłodze.

Spetch bardzo się cieszy, że podobne wyniki uzyskano w pomieszczeniach wirtualnym i rzeczywistym. Oznacza to, że w obu przypadkach ludzie podejmują identyczne decyzje przestrzenne.

Share this post


Link to post
Share on other sites

No taki trening jak przy wszystkim :P

 

Osoba nieprzeszkolona w udzielaniu pierwszej pomocy lub w walce zbrojnej też wpadnie w panikę w razie wypadku albo strzelaniny - a osoby które wcześniej 'na sucho' trenowały w takich sytuacjach, zachowają zimną krew i będą działać bardziej racjonalnie..

 

Przy czym rzeczywiście to jest trochę inny mechanizm - ja opisałem symulację sytuacji, a artykuł opowiada jakby o 'znalezieniu się po drugiej stronie'. Przy czy oba sposoby są wg mnie pewnymi formami treningu właśnie..

 

Aczkolwiek fajnie, gdyby korzystały z tych badań ekipy programujące gry komputerowe - na pewno o wiele bardziej interesujące byłoby zmierzenie się z komputerowymi przeciwnikami, którzy mają więcej ludzkich odruchów, a nie nadprzyrodzonych zdolności czy standardowych algorytmów, które mimo starań programistów ciągle nie oddają rzeczywistości :D

Share this post


Link to post
Share on other sites

Create an account or sign in to comment

You need to be a member in order to leave a comment

Create an account

Sign up for a new account in our community. It's easy!

Register a new account

Sign in

Already have an account? Sign in here.

Sign In Now

  • Similar Content

    • By KopalniaWiedzy.pl
      Wraz z coraz większą liczbą tekstów publikowanych w internecie, pojawiła się potrzeba stworzenia zautomatyzowanych metod tworzenia abstraktów artykułów czy wywiadów. Większość dostępnych narzędzi jest zależnych od języka, w jakim został napisany oryginalny tekst, a ich stworzenie wymaga trenowania algorytmów na wielkich bazach danych.
      Firma BGN Technologies, zajmująca się transferem technologicznym wynalazków opracowanych na Uniwersytecie Ben Guriona, zaprezentowała nowatorskie automatyczne narzędzie do tworzenia abstraktów, które działa niezależnie od języka oryginalnego tekstu.
      Technologia, opracowana przez profesora Marka Lasta, doktor Marinę Litvak i doktora Menahema Friedmana bazuje na algorytmie, który klasyfikuje poszczególne zdania na podstawie statystycznych obliczeń charakterystycznych cech, które mogą być wyliczone dla każdeog języka. Następnie najwyżej ocenione zdania są wykorzystywane do stworzenia abstraktu. Metoda, nazwana Multilingual Sentence Extractor (MUSE), została przetestowana na języku angielskim, hebrajskim, arabskim, perskim, rosyjskim, chińskim, niemieckim i hiszpańskim. W przypadku angielskiego, hebrajskiego, arabskiego i perskiego stworzone abstrakty były bardzo podobne do abstraktów napisanych przez ludzi.
      Główną zaletą nowego narzędzia jest fakt, że po początkowym treningu algorytmów na opatrzonych odpowiednimi komentarzami artykułach, z których każdemu towarzyszy kilkanaście abstraktów napisanych przez ludzi, algorytmy nie muszą być później trenowane dla każdego języka z osobna. Ten sam model, który wypracowały podczas treningu, może zostać użyty dla wielu różnych języków.
      Podsumowanie tekstu, do którego wybrano zestaw najbardziej pasujących zdań z tekstu źródłowego, a wyboru dokonano na podstawie punktacji przyznawanej zdaniom i wykorzystanie w abstrakcie najwyżej punktowanych zdań, to nieocenione narzędzie do szybkiego przeglądania wielkich ilość tekstów w sposób niezależny od języka. To kluczowe narzędzie zarówno dla wyszukiwarek jak i dla takich użytkowników końcowych jak badacze, biblioteki czy media – stwierdził profesor Last.


      « powrót do artykułu
    • By KopalniaWiedzy.pl
      Eksperymenty przeprowadzone przez naukowców z University of Nottingham wskazują, że algorytmy, które nauczą się przewidywania ryzyka przedwczesnego zgonu mogą w przyszłości być ważnym narzędziem medycyny prewencyjnej.
      Lekarze i naukowcy opracowali algorytm oparty na technologii maszynowego uczenia się, którego zadaniem było przewidywanie ryzyka przedwczesnego zgonu u chronicznie chorych osób w średnim wieku. Okazało się, że sztuczna inteligencja nie tylko była bardzo dokładna, ale potrafiła z większą precyzją niż ludzie określić ryzyko
      Algorytm uczył się na bazie danych obejmujących ponad 500 000 osób w wieku 40–69 lat o których informacje zebrano w latach 2006–2010, a ich losy śledzono do roku 2015.
      Medycyna prewencyjna odgrywa coraz większą rolę w walce z poważnymi chorobami. Od lat pracujemy nad usprawnieniem tej dziedziny opieki zdrowotnej oraz nad ulepszeniem komputerowej oceny ryzyka w dużych populacjach. Większość tego typu prac skupia się na konkretnej chorobie. Ocena ryzyka zgonu z powodu wielu różnych czynników to bardzo złożone zadanie, szczególnie jeśli weźmiemy pod uwagę uwarunkowania środowiskowe i osobnicze, mówi główny autor badań, profesor Stephen Weng.
      Dokonaliśmy poważnego postępu na tym polu opracowując unikatowe całościowe podejście do oceny ryzyka zgonu za pomocą technik maszynowego uczenia się. Używamy komputerów do stworzenia nowego modelu ryzyka uwzględniającego szeroką gamę czynników demograficznych, biologicznych, klinicznych czy stylu życia indywidualnych osób, w tym ich zwyczajów żywieniowych, dodaje uczony. Weng mówi, że gdy odpowiedzi podawane przez algorytm porównano z danymi dotyczącymi zgonów, przyjęć do szpitali, zachorowań na nowotwory i innymi danymi epidemiologicznymi, okazało się, że algorytmy były znacząco dokładniejsze niż opracowane przez ludzi metody oceny ryzyka.
      Algorytm korzystał z metody statystycznej lasów losowych (random forest) oraz głębokiego uczenia się. Obecnie używane metody wykorzystują model regresji Cox'a oraz wielowariantowy model Cox'a, który jest doskonalszy, ale przeszacowuje ryzyko zgonu.
      Najnowsze prace zespołu z Nottingham bazują na pracach wcześniejszych, podczas których ten sam zespół naukowy wykazał, że cztery różne algorytmy sztucznej inteligencji, bazujące na regresji logistycznej, gradient boosting, lasach losowych oraz sieciach neuronowych lepiej niż obecne metody używane w kardiologii pozwalają przewidzieć ryzyko chorób układu krążenia.

      « powrót do artykułu
    • By KopalniaWiedzy.pl
      Brytyjska policja wykorzystuje specjalny algorytm, który informuje śledczych, które sprawy można rozwiązać. Okazało się, że jednostki, które korzystają z tego algorytmu, prowadzą śledztwa w mniej niż połowie spraw, jakie do nich trafiają. Reszta jest od razu umarzana, gdyż algorytm stwierdza, że i tak nie uda się ich rozwiązać.
      Stosowanie algorytmu oszczędza czas i pieniądze, ale rodzi obawy o to, że policja w ogóle nie zajmuje się sprawami, które – wbrew temu co stwierdził algorytm – można by rozwiązać.
      Obecnie algorytm używany jest wyłącznie w przypadku bójek i innych zakłóceń porządku publicznego, jednak niewykluczone, że w przyszłości będzie stosowany też do innych rodzajów przestępstw.
      Zwykle, gdy policja dowiaduje się o przestępstwie, na miejsce wysyłani są śledczy, którzy zbierają dane i na ich podstawie, opierając się na własnym doświadczeniu, decydują, czy dalej prowadzić sprawę. Jednak w ostatnich latach wskutek zmian w sposobie raportowania, brytyjska policja ma do czynienia ze znacznie większą liczbą zgłaszanych przestępstw.
      Stąd też pomysł na wykorzystanie Evidence Based Investigation Tool (EBIT), algorytmu, który ocenia prawdopodobieństwo rozwiązania sprawy. Jest on od roku używany przez policję z Kent, gdzie pobicia i zakłócenia porządku publicznego stanowią około 30% zgłaszanych przestępstw.
      Jak informuje sama policja, przed wprowadzeniem EBIT funkcjonariusze prowadzili śledztwa w około 75% zgłaszanych spraw. Od czasu gdy używają EBIT odsetek prowadzonych śledztw spadł do 40%. Policjanci chcieliby prowadzić śledztwo w każdej sprawie i złapać sprawcę. Jeśli jednak analiza możliwości rozwiązania sprawy wskazuje, że śledztwo nie ma szans powodzenia, może lepiej użyć zasobów w innych, bardziej obiecujących, śledztwach, mówi Ben Linton z Metropolitan Police.
      Autorem EBIT jest Kent McFadzien z University of Cambridge. Trenował on swój program na próbce tysięcy napadów i zakłóceń porządku publicznego. Zidentyfikował osiem czynników decydujących o tym, czy sprawa może zostać rozwiązana, takich jak np. obecność świadków, nagrań z kamer przemysłowych czy znajomość nazwiska potencjalnego przestępcy. Jednak, jako że czynniki takie mogą się zmieniać, EBIT każdego dnia umieszcza w spisie spraw możliwych do rozwiązania jedną lub dwie takie sprawy, których rozwiązanie ocenia jako mało prawdopodobne. Policjanci nie wiedzą, które to sprawy, gdyż algorytm nie informuje ich o szczegółowej ocenie, wymienia tylko sprawy możliwe do rozwiązania. W ten sposób algorytm jest ciągle testowany i trenowany.
      Istnieją jednak obawy, że jako iż EBIT jest trenowany na już zakończonych śledztwach, pojawiające się błędy mogą być w nim wzmacniane. Jeśli na przykład w jakimś regionie nie ma kamer przemysłowych, algorytm może uznawać sprawy z tego regionu za trudne lub niemożliwe do rozwiązania, przez co mieszkańcy regionu będą poszkodowani, gdyż policja nie zajmie się przestępstwami mającymi tam miejsce.
      Jeśli trenujemy algorytm na historycznych danych dotyczących aresztowań i zgłoszeń przestępstw, wszelkie odchylenia i dysproporcje będą trafiały do algorytmu, który będzie się ich uczył i je wzmacniał, ostrzega Joshua Loftus z Uniwersytetu Stanforda.

      « powrót do artykułu
    • By KopalniaWiedzy.pl
      Przed czterema laty informowaliśmy, że na University of Oxford powstaje oprogramowanie, która na podstawie wyglądu twarzy ma rozpoznawać rzadkie choroby genetyczne i zdiagnozowało zespół Marfana u prezydenta Lincona. Nie tylko jednak Brytyjczycy pracują nad takim oprogramowaniem.
      W najnowszym numerze Nature Medicine opisano aplikację Face2Gene. Wykorzystuje ona algorytmy maszynowego uczenia się oraz sieci neuronowe do klasyfikowania charakterystycznych ech twarzy świadczących o zaburzeniach rozwoju płodowego i układu nerwowego. Aplikacja na podstawie zdjęcia stawia prawdopodobną diagnozę i wymienia inne, mniej prawdopodobne.
      Autorem oprogramowania jest firma FDNA z Bostonu. Jej specjaliści najpierw nauczyli aplikację odróżniać zespół Cornelii de Lange i zespół Angelmana, które przejawiają się charakterystycznymi cechami twarzy, od innych podobnych schorzeń. Nauczyli go też klasyfikowania różnych form genetycznych syndromu Noonana.
      Następnie algorytmowi dano dostęp do ponad 17 000 zdjęć zdiagnozowanych przypadków obejmujących 216 schorzeń. Gdy następnie oprogramowanie miało do czynienia z zupełnie nową fotografią, potrafiło z 65-procentowym prawdopodobieństwem postawić prawidłową diagnozę. Gdy zaś mogło podjąć kilka prób, odsetek prawidłowych diagnoz zwiększał się do 90%.
      FDNA chce udoskonalić swoją technologię, jednak w tym celu potrzebuje dostępu do większej ilości danych. Dlatego też Face2Gene jest bezpłatnie dostępna dla lekarzy i badaczy, którzy wykorzystują ten system do pomocy w diagnostyce rzadkich schorzeń genetycznych. Korzystają z niego też lekarze, którzy nie mają punktu zaczepienie i w ogóle nie potrafią wstępnie zdiagnozować pacjenta.
      Współautorka artykułu na temat Face2Gene, Karen Gripp, jest genetykiem w szpitalu dziecięcym w stanie Delaware i głównym lekarzem w firmie FDNA. Mówi ona, że algorytm pomógł jej w zdiagnozowaniu dziewczynki, którą leczy od sierpnia. Dzięki niemu doktor Gripp stwierdziła, że dziecko cierpi na zespół Wiedemanna-Steinera. Czterolatka nie ma zbyt wielu cech charakterystycznych tej choroby. Jest niska jak na swój wiek, straciła większość zębów mlecznych i zaczęły jej rosną stałe zęby.
      Gripp postawiła wstępną diagnozę, a następnie zaprzęgła do pracy Face2Gene. Zespół Wiedemanna-Steinera, bardzo rzadkie schorzenie spowodowane mutacją genu KTM2A, został przez aplikację wymieniony na czele listy prawdopodobnych schorzeń. Badania DNA potwierdziły diagnozę. Uczona mówi, że dzięki aplikacji mogła zawęzić liczbę potencjalnych chorób i uniknąć konieczności znacznie droższego szeroko zakrojonego badania DNA.
      Face2Gene powoli staje się coraz doskonalszy. Obecnie program ma do dyspozycji już 150 000 fotografii na podstawie których się uczy. W sierpniu, podczas warsztatów dotyczących wad genetycznych przeprowadzono nieoficjalne porównanie algorytmu i lekarzy. Wzięło w nim udział 49 genetyków klinicznych. Ludzie i algorytm mieli do dyspozycji 10 zdjęć dzieci z dość dobrze rozpoznawalnymi cechami charakterystycznymi różnych chorób. Tylko w przypadku dwóch fotografii dobrą diagnozę postawiło ponad 50% ludzi. Face2Gene dobrze zdiagnozował 7 na 10 przypadków.
      Polegliśmy całkowicie. Face2Gene był niesamowity, mówi Paul Kruszka, genetyk z US National Human Genome Research Institute. Jego zdaniem już wkrótce każdy pediatra i genetyk będzie miał tego typu aplikację i używał jej równie często jak stetoskopu.

      « powrót do artykułu
    • By KopalniaWiedzy.pl
      W Houston Methodist powstała aplikacja dla kobiet, które przeżyły raka piersi. Coraz więcej dowodów wskazuje, że zrzucenie zbędnych kilogramów zmniejsza ryzyko wznowy i częstość ponownych hospitalizacji, a Cancer Health Application ułatwia osiągnięcie tego celu dzięki kontaktowi w czasie rzeczywistym z dietetykiem klinicznym.
      Aplikacja wspiera dokonywanie zdrowszych wyborów, zwłaszcza między wizytami.
      Do eksperymentu zebrano grupę 33 kobiet. W ciągu miesiąca 25 aktywnie korzystało z aplikacji. W trakcie pilotażowego badania 56% pacjentek zrzuciło średnio 1,5 kg. Im więcej ochotniczka korzystała z Cancer Health Application, tym więcej chudła.
      [Należy pamiętać, że] niektóre leki stosowane terapii raka piersi spowalniają metabolizm. Jednym z największych wyzwań jest jednak znalezienie wsparcia potrzebnego do podtrzymania zdrowego trybu życia. Mówimy naszym pacjentkom, że schudnięcie zmniejsza ryzyko wznowy, ale zwykle nie zapewniamy im ustrukturowanych narzędzi do osiągnięcia i utrzymania tego celu. Mobilna aplikacja zapewnia łączność z gabinetem lekarskim, można więc dokonywać zmian w czasie rzeczywistym - wyjaśnia dr Tehal A. Patel.
      W ramach aplikacji dietetyk kliniczny aktywnie komunikuje się z pacjentkami i zapewnia informację zwrotną oraz porady. Kiedy np. użytkowniczka wpisuje swoje dzienne posiłki, specjalista je przegląda i może w czasie rzeczywistym komentować i dawać wskazówki.
      [...] By upodmiotowić naszych pacjentów i zapewnić opiekę medyczną skoncentrowaną na chorym, powinny powstawać innowacje cyfrowe, takie jak aplikacje zdrowotne na smartfony. Ponad 90% użytkowniczek uznało, że aplikacja jest łatwa w nawigowaniu. Panie chciały więc z niej codziennie korzystać [...]. Aplikacja pomogła pacjentkom, które przeżyły raka piersi, zmienić zachowania i osiągnąć osobiste cele - dodaje prof. Stephen T.C. Wong.
      Renee Stubbins, dietetyczka z Houston Methodist, podkreśla, że Cancer Health Application pozwoliła się jej kontaktować z większą liczbą pacjentek (nie byłaby ona tak duża, gdyby miała się z nimi spotykać osobiście). Specjalistka dodaje, że nie tylko dawała kobietom wskazówki odnośnie do diety i ćwiczeń, ale i motywowała je do okazywania sobie nawzajem wirtualnego wsparcia.
      Obecnie aplikacja jest dostępna tylko dla uczestniczek studium, ale naukowcy chcą, by w przyszłości można ją było ściągnąć z App Store i Google Play. Najpierw jednak aplikacja przejdzie testy w ramach 2 badań wieloośrodkowych.

      « powrót do artykułu
×
×
  • Create New...