Como simular emoções em agentes, seja virtuais ou físicos? Este é o primeiro de vários posts onde pretendo levá-lo a uma jornada onde irei tentar fazer com que você, nobre leitor, consiga perceber e identificar que um simples movimento de um objeto pode fazer com que sintamos empatia por ele. E, com isso, acreditar que ele tenha sentimentos e emoções.
O navio Mayflower vai ser equipado com sistemas de visão computacional e de tomada de decisão da IBM, sendo capaz de reconhecer objetos no mar e corrigir sua rota de forma autônoma. Ele está programado para reproduzir em setembro a viagem do Mayflower original, ocorrida há 400 anos.
O método usou medições de infravermelho na faixa de comprimento de onda característica do metano, e o algoritmo foi treinado para identificá-lo entre outros gases que emitem na mesma faixa reconhecendo o formato que os vazamentos de metano tomam quando liberados na atmosfera.
O sistema, desenvolvido pela Universidade de Ciência e Tecnologia do país, entra numa fase de testes de um ano em duas províncias, e produz relatórios dos eventos sísmicos usando uma grande quantidade de dados em apenas dois segundos.
O chip foi construído de forma que os diodos sensíveis à luz formassem uma rede neural física; o material do chip possui propriedades elétricas que permitem que os diodos ajustem sua sensibilidade em tempo real (como se fossem os pesos de uma rede neural artificial), e assim sejam treinados para preprocessar estímulos visuais relevantes à tarefa em questão, permitindo o reconhecimento de imagens com latência na faixa dos nanossegundos.
Uma rede neural convolucional foi treinada com dados referentes à taxa de semeadura, aplicação de fertilizante, topografia e condutividade do solo, e imagens de satélite, sendo capaz de predizer o rendimento das plantações com precisão superior à dos demais métodos testados. No futuro esse método pode ser usado para gerar recomendações de cultivo com base nas condições locais.
O modelo analisa múltiplas imagens de tomografia computadorizada do pulmão de pacientes potencialmente infectados pelo vírus, entregando um diagnóstico em 15 segundos, quando a análise tradicional leva 15 minutos. A ferramenta está sendo usada no diagnóstico e no acompanhamento do tratamento dos pacientes.
O modelo foi treinado para aprender a representar moléculas como vetores contendo os grupos químicos relevantes para a atividade antibacteriana; depois ele foi capaz de descobrir novos antibióticos potenciais a partir de um banco de moléculas. A halicina, molécula descoberta pelo método, teve sua ação potente confirmada por testes biológicos.
O algoritmo desenvolvido se tornou capaz de prever o tempo de vida da bateria com apenas poucos ciclos de recarga, diminuindo o tempo de testes de até 2 anos para apenas 16 dias, o que permite testar novas tecnologias de engenharia e protocolos de recarga de forma muito mais eficiente.
Os pesquisadores usaram dados de expressão genética para treinar um autoencoder de forma não-supervisionada, e descobriram que as camadas escondidas dessa rede revelava padrões de interação entre os agentes metabólicos, começando pelas mais elementais (proteína-proteína) até as mais complexas (genes associados a doenças).
