Våra hjärnor är smartare och effektivare än någon maskin. Varje sekund behandlar hjärnan mer än 11 miljoner bitar information från omvärlden. All denna information konverteras till användbar betydelse genom att utforma algoritmer som bland annat gör att vi kan känna igen ord i en konversation, uppskatta musik, navigera genom staden och reagera på föremål och skyltar som stoppljus eller biltutor. Och allt detta sker på en gång.
Skulle det inte vara coolt om maskiner skulle kunna tänka som människor gör? Forskare har haft den idén sedan 1940-talet, men det är först under de senaste åren som tekniken för att göra konstgjord intelligens maskinlärande blivit verklighet.
Idag implementeras AI i virtuella assistenter som Apples Siri och Amazons Alexa. De hjälper till att uppskatta förseningar i trafiken och föreslå rutter i Google Maps. Den kan känna igen vännens ansikte på ett foto på Facebook och rekommendera musik på Spotify.
Det finns också i headset och hörapparater, där innovativa företag som GN strävar efter att efterlikna och till och med överskrida det naturliga sättet att höra.
är maskiner som kan lära, lösa problem, känna igen mönster och fatta beslut som människan. Man skiljer mellan två olika program inom artificiell intelligensforskning, nämligen stark och svag AI. Svag AI: är system som helt enkelt kan efterlikna vissa egenskaper hos människan, medan starka AI: är system som verkligen har intelligens av samma natur och djup som vi människor.
Maskininlärningär ett delområde inom datavetenskap och artificiell intelligens, vilket gör det möjligt för datorer att lära sig utan att uttryckligen programmera hur inlärningen sker.
Varför är hjärnan så svår att kopiera?
En av utmaningarna i utformningen av hörapparater som syftar till att efterlikna naturlig hörsel är att "hjärnan" - mikrochipet - där allt "tänkande och beräkningar" äger rum, inte är i närheten av att vara en mänsklig hjärna. I en telefon eller en bil kan chipet vara hur stort som helst, men i en liten hörapparat som sitter i eller bakom ett öra, är utrymmet för ett mikrochop begränsat. Mikrochipet i en hörapparat är mindre än en nagel, och batteriet som förser den med ström är lika kompakt.
Från evolution till revolution
Varje gång vi designer en ny hörapparat, flyttar ett dedikerat team av chipdesigners på de tidigare gränserna för vad som är möjligt för att få mer kraft och effektivitet i chipet, vilket innebär att hörapparaten kan göra mer och hålla längre. Se videon nedan om framstegen inom chiptekniken i GN: s laddningsbara premiumhörapparat, ReSound LiNX Quattro.
Kort sagt, de chip vi använder i hörapparater idag är inte byggda för att klara av den tunga mentala belastning som AI kräver.
”De grundläggande algoritmerna som används i hörapparater idag utvecklades för 15–20 år sedan och industrin har förfinat dem över tid. Hittills har förbättringen av hårdvara genomgått en utveckling, men övergången till maskininlärning revolutionerar hur vi tänker på chip och dess arkitektur idag. Det är här vi ser den största utvecklingspotentialen förklarar Brian Dam Pedersen, Chief Technology Officer på GN Hearing.
Utmaningen att få maskiner att tänka som människor
Hur skiljer sig AI från andra teknologier, och varför kräver det så mycket hårdvara? Allt handlar om hur det tänkandet och den processen är strukturerad.
Ta till exempel ordigenkänning. Din hjärna har utformat algoritmer, så när du hör ett ord som "Hjälp", förstår du det direkt. Men när en dator behöver förstå ett ord med traditionella algoritmer krävs det en hel massa matematik. Datorn bearbetar ljuden från detta ord i ordning. Den hör att det börjar med ett 'Hj' och bläddrar sedan igenom olika alternativ för att ta reda på att den andra bokstaven är en 'ä', och så vidare. Det bearbetar ordet i tur och ordning, medan hjärnan gör det parallellt på en gång. När vi talar om tusentals eller till och med miljontals bitar information som ska igenom små kretsar på en mikrochip, sätter detta en betydande press på chipet och tömmer snabbt batteriet för ström.
Och det är precis den utmaning som ingenjörerna nu står inför när de försöker utforma AI-strukturer i mikrochip.
"Att använda maskininlärning i själva hörapparaten innebär att dedicerad hårdvara förmodligen är det enda realistiska sättet framåt eftersom strukturen är så annorlunda mot vad vi känner till idag. Den hårdvara som kör maskininlärning är inte som den hårdvara vi använder idag för vanlig signalbehandling, förklarar Brian Dam Pedersen.
Varför betyder maskininlärning något för hörandet?
Idag sker maskininlärningen i hörapparater inte i själva hörapparaten utan snarare i smarttelefonerna, som har mycket större kapacitet och som hörapparaterna kan komma i kontakt med via en app. Den använder input från hörapparatsanvändare för att göra analyser och rekommendationer för optimala inställningar i olika situationer och förfina dessa över tid allt eftersom mer användardata samlas in.
Det blir lättare att komma närmare naturlig hörsel när AI kan köra på själva hörapparatchipet.
"Nästa steg är algoritmer som lär sig av de ljudmiljöer som kommer in i hörapparaten och automatiskt justerar inställningarna för att ge den bästa hörupplevelsen i olika situationer såsom på restaurang, i trafiken eller vid TV-tittande," säger Brian Dam Pedersen.
Det bästa som hörapparater skulle kunna uppnå, vilket också skulle kunna locka personer med normal hörsel, är att lösa problemet med att bättre hörande i bullriga miljöer. Det kallas Cocktail Partyeffekten - där den svåraste nöten att knäcka är att separera tal från buller.
Att implementera maskininlärning i hörapparater innebär att de skulle kunna avgöra vilket ljud eller röst du vill lyssna på i en bullrig situation och fokusera på att göra detta tal klart och samtidigt minska mängden distraherande brus i bakgrunden. För personer med normal hörsel kan den här typen av situationer på restauranger och fester vara utmanande nog, så föreställ dig hur det är för en person med nedsatt hörsel - och tänk bara vad det skulle betyda om vi kunde övervinna det.
Framtida lösningar som är mer mänskliga och mindre konstruerade
Det kan verka ironiskt, men det som är så spännande med att implementera maskininlärning i hörapparatens hårdvara är dess potential att göra tekniken mer mänsklig. Lösningar som efterliknar hur vi som människor tar in information, bearbetar den, agerar på den och hela tiden lär oss av den, betyder att vi i framtiden kan förvänta oss att se tekniker som är mindre top-down och mänskligt konstruerade och mer bottom-up , - som tänker själva.
Läs också vårt inlägg "Flyttar gränser för att bli först i världen", där du kan läsa om ett av de största genombrotten inom hörapparattekniken, när GN lanserade världens första hörapparat med 2,4 GHz-teknik 2010.
Källor:
Definition av artificiell intelligens, Chambers 21st Century Dictionary
Definition av maskininlärning, Google Developers Machine Learning Glossary
Tillämpningar av informationsteori: Fysiologi, Encyclopedia Britannica