AI-mallit ja alustat

MIT:n tutkijat kokeilevat tekoälyohjattuja menetelmiä työstressin ja väsymyksen havaitsemiseksi

mm
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa

Massachusettsin teknillisen korkeakoulun (MIT) tutkijat ovat työskennelleet tekoälyvoimaisilla menetelmillä, joilla voidaan havaita, kun henkilön stressi tai kognitiivinen väsymys vaikuttaa negatiivisesti heidän suorituskykyynsä työssä. MIT:n tutkimusryhmän mukaan projekti pyrkii hyödyntämään ihmisen ja koneen yhteistyön voimaa, jossa koneet auttavat ihmisiä työskentelemään optimaalisella ja turvallisella tavalla.

Michael Pietrucha on osa MIT:n Lincoln Laboratorya, toimien taktisen järjestelmän asiantuntijana. Pietrucha viittasi ihmisen ja koneen yhteistyön pitkään historiaan, mutta huomautti, että vaikka kehittyneet ihmisen ja koneen tiimit tekoälyn voimalla ovat nousseet esiin, ihminen usein toimii koneen neuvonantajana. Ihmisen vastuulla on ymmärtää järjestelmä, valvoa järjestelmää ja varmistaa, että se toimii oikein. Kone kuitenkin voi auttaa ihmisiä saavuttamaan tavoitteensa ja täydentämään heidän työtään.

Megan Blackwell oli entinen varajohtaja sisäisesti rahoitetussa biologisen tieteen ja teknologian tutkimuksessa Lincoln Laboratoryssa. Blackwell työskenteli suunnittelemassa tekoälyjärjestelmiä, jotka pystyvät määrittämään, kun joku on kovin stressaantunut tai väsynyt, mikä heikentää heidän suorituskykyään. Blackwell huomautti, että ihmisen virheet eivät johtaa vain virheisiin ja menetettyihin mahdollisuuksiin, vaan ne voivat myös johtaa kohtalokkaisiin, mahdollisesti henkeä uhkaaviin seuraamuksiin. Mitä aikaisemmin voidaan puuttua asiaan, sitä parempi. Tekoälyjärjestelmä voisi ehdottaa keinoja, joilla ihminen voi helpottaa väsymystään. Kuten Blackwell selitti, MIT:n uutisten mukaan:

“Tänään neuromonitorointi on tullut yhä tarkemmaksi ja kannettavammaksi. Me kuvittelemme käyttävämme teknologiaa väsymyksen tai kognitiivisen ylikuormittumisen seuraamiseen. Onko tämä henkilö kiinnittynyt liian moniin asioihin? Tulisiko hän loppua, niin kuin sanotaan? Jos voit seurata ihmistä, voit puuttua asiaan ennen kuin jotain pahaa tapahtuu.”

Stressin ja väsymyksen tunnistusjärjestelmä toimisi keräämällä biometrisiä tietoja ja analysoimalla niitä. Aikaisemmat tutkimukset ovat yrittäneet käyttää videota ja äänityksiä yhdistettynä tietokoneen näön ja luonnollisen kielen prosessointialgoritmeihin löytääkseen kuvioita, jotka voivat osoittaa henkilön neurobehavioraalisen ja fysiologisen tilan. Aikaisemmat tutkimukset biometristen tietojen avulla ihmisten emotionaalisten tilojen määrittämisestä ovat saavuttaneet jonkinlaista menestystä masentuneiden tason määrittämisessä, vaikka on jotain kiistaa siitä, kuinka luotettavia nämä algoritmit ovat ja voivatko tutkimukset toistaa tuloksia. MIT:n tutkimusryhmä käyttää tietoja, jotka kerätään videota ja äänityksiä sekä monista biometrisistä antureista, jotka keräävät tietoja EEG:stä ja sydämen sykesta, pyrkien luomaan tarkat ja luotettavat mallit.

Diagnostisen järjestelmän suunnittelun ensimmäinen askel on perustaa normaalin suorituskyvyn vertailukohta. Tämä edellyttää, että AR-järjestelmä luo kognitiivisen mallin yksilöstä. Tutkimusryhmän mukaan kognitiiviset mallit on suunniteltu fysiologisten syötteiden perusteella, jotka kerätään tallenteista ja antureista. Järjestelmä voi sitten aloittaa henkilön seuraamisen, tarkistaen, muuttuuko heidän fysiologinen tilansa ajan myötä, ja ennustaa, mitkä poikkeamat voivat olla haitallisia, aiheuttaen virheitä tai vammoja.

Jos tekoälyjärjestelmä määrittää, että ihmisen suorituskyky heikkenee väsymyksen tai stressin vuoksi, on useita eri interventioita mahdollisia. Järjestelmä voi yksinkertaisesti kehottaa ihmistä ottamaan tauon tai juomaan kahvia. Jos ihmisen ja tekoälyn tiimi toimii vaarallisessa tilanteessa, kuten esimerkiksi nostimien käytössä, ja ihminen menettää tajuntansa, tekoälyjärjestelmä voi toimia turvallisuusvarusteena ja pysäyttää ajoneuvon.

Tutkimusryhmä on edelleen projektiensa alkuvaiheessa, keräämässä tietoja, joita tarvitaan algoritmien kouluttamiseen. Ryhmä aikoo käyttää tiedusteluanalyytikkoja ensimmäisenä testitapauksena, jolloin analyytikot osallistuvat simuloituun versioon päivittäisistä töistään.

Blogger ja ohjelmoija, jolla on erityisalat Machine Learning ja Deep Learning -aiheissa. Daniel toivoo pystyvänsä auttamaan muita käyttämään tekoälyn voimaa sosiaaliseen hyvään.