Исследователи разработали инновационную систему на основе искусственного интеллекта, способную различать тонкие различия в жидкостях. Этот «электронный язык» может анализировать свежесть молока, типы газированных напитков и даже кофейные смеси с невероятной точностью.
Как работает электронный язык?
Устройство использует нейронную сеть для анализа данных с датчиков. Оно достигает точности более 95% в определении качества, подлинности и потенциальных проблем безопасности жидкости.
Искусственный интеллект выбирает параметры анализа
Когда ИИ предоставляется возможность самостоятельно выбирать параметры анализа, он превосходит настройки, заданные человеком. Это показывает, как ИИ целостно оценивает тонкие данные.
Потенциальные применения
Эта технология может революционизировать оценку безопасности пищевых продуктов и найти применение в медицинской диагностике. Исследователи обнаружили, что электронный язык способен определять различия в похожих жидкостях и даже в таких тонкостях, как содержание воды в молоке.
Точность и надежность
Исследователи нашли, что ИИ, использующий свои собственные параметры оценки, достигает почти идеальной точности вывода, превышающей 95%. Это делает систему более надежной и эффективной.
Метод аддитивных объяснений Шепли
Для понимания того, как нейронная сеть принимает решения, исследователи использовали метод аддитивных объяснений Шепли. Этот подход позволяет спросить сеть о её мыслях после принятия решения.
Сравнение с человеческим восприятием
Исследователи объяснили, что нейронная сеть рассматривает более тонкие характеристики данных, которые мы, люди, изо всех сил пытаемся правильно определить. Это делает систему более чувствительной к нюансам.
Ограничения и перспективы
Возможности языка ограничены только данными, на которых он тренируется. Однако, основное внимание в этом исследовании уделялось оценке питания, и его можно применять в медицинской диагностике. Надёжность датчиков открывает путь к широкому внедрению в различных отраслях.
Практичность и экономичность
Датчики не обязательно должны быть абсолютно идентичными, поскольку алгоритмы машинного обучения могут рассматривать всю информацию вместе и выдавать правильный ответ. Это делает производственный процесс более практичным и менее дорогим.
Заключение
Исследователи пришли к выводу, что несовершенство — это часть природы, и наш электронный язык может принимать надёжные решения, несмотря на свои ограничения. Это открывает новые горизонты в аналитике жидкостей и может значительно улучшить нашу жизнь.
Литература.
“Robust chemical analysis with graphene chemosensors and machine learning” by Saptarshi Das et al. Nature
