La rivoluzione dell’intelligenza artificiale
Febbraio 23, 2024
L’intelligenza artificiale (AI) sta trasformando radicalmente il nostro modo di interagire con l’ambiente circostante, aprendo nuove frontiere in diversi ambiti, dalla ricerca scientifica all’industria, passando per il settore sanitario. Una recente innovazione in questo campo, frutto della collaborazione tra i ricercatori del Los Alamos National Laboratory, promette di estendere l’uso dell’AI anche ai sensori impiegabili in situazioni reali, come ad esempio i droni. Questa nuova tecnica, chiamata Senseiver, utilizza modelli di linguaggio naturale per analizzare dati complessi, come la temperatura complessiva degli oceani, con un numero limitato di sensori. Il metodo si basa sull’edge computing, una modalità di elaborazione dei dati che riduce la necessità di risorse computazionali e si adatta a una vasta gamma di applicazioni pratiche.
Un nuovo approccio nell’AI per l’efficienza computazionale
La rete neurale Senseiver
Javier Santos, ricercatore del Los Alamos National Laboratory, ha creato una rete neurale in grado di rappresentare sistemi complessi in maniera estremamente sintetica. Questa caratteristica rende il modello particolarmente adatto per l’uso in situazioni reali, come su droni o reti di sensori, poiché richiede meno risorse computazionali rispetto alle reti neurali tradizionali. La ricerca, pubblicata su Nature Machine Intelligence, si basa su un modello di AI chiamato Perceiver IO, sviluppato da Google, e applica le tecniche dei modelli di linguaggio naturale, come ChatGPT, al problema della ricostruzione di informazioni su aree vaste a partire da dati limitati.
Efficienza e applicazioni pratiche
Il modello Senseiver si distingue per la sua efficienza, utilizzando meno parametri e memoria, il che si traduce in un minor numero di cicli di elaborazione da parte del processore del computer. Questo permette al modello di operare più velocemente su computer di dimensioni ridotte. Dan O’Malley, coautore dello studio e ricercatore al Los Alamos, ha evidenziato l’importanza di questa caratteristica per l’ampia gamma di applicazioni pratiche del modello, che includono veicoli autonomi, modellazione remota di risorse nel settore petrolifero e del gas, monitoraggio medico dei pazienti, cloud gaming, consegna di contenuti e tracciatura di contaminanti.
Validazione del modello
Santos e i suoi colleghi hanno validato il modello Senseiver dimostrando la sua efficacia su set di dati reali sparsi, ovvero informazioni raccolte da sensori che coprono solo una piccola parte dell’area di interesse, e su set di dati complessi di fluidi tridimensionali. In una dimostrazione pratica, il team ha applicato il modello a un dataset della temperatura superficiale del mare fornito dalla National Oceanic and Atmospheric Administration. Il modello è stato in grado di integrare una moltitudine di misurazioni effettuate nel corso di decenni da satelliti e sensori su navi, fornendo previsioni delle temperature su tutto il corpo dell’oceano, informazioni preziose per i modelli climatici globali.
Portare l’AI su droni e reti di sensori
Applicazioni del Senseiver
Il modello Senseiver si adatta perfettamente a una varietà di progetti e aree di ricerca di interesse per il Los Alamos National Laboratory. Hari Viswanathan, ricercatore e coautore dello studio, ha sottolineato come il lavoro svolto permetta di portare i vantaggi dell’AI su droni e reti di sensori sul campo, applicazioni attualmente al di fuori della portata della tecnologia AI all’avanguardia.
Identificazione di pozzi orfani
Il modello AI sarà particolarmente utile nel lavoro del laboratorio per l’identificazione e la caratterizzazione di pozzi orfani. Il Los Alamos National Laboratory guida il consorzio CATALOG, un programma federale incaricato di localizzare e caratterizzare pozzi orfani non documentati e misurare le loro emissioni di metano. Viswanathan è il principale scienziato di CATALOG.
In conclusione, il modello Senseiver rappresenta un passo avanti significativo nell’uso dell’intelligenza artificiale in campo, offrendo un approccio efficiente e versatile per la ricostruzione di dati estesi a partire da osservazioni sparse. Il suo impatto potrebbe estendersi ben oltre la ricerca scientifica, influenzando positivamente settori come l’industria, la sanità e l’ambiente.