Τεχνολογία

Αλγόριθμοι της ζωής και του θανάτου: πώς να κατανοήσουμε την τεχνητή νοημοσύνη που θα θεραπεύσει τους ανθρώπους;

Όταν πρόκειται για χρήση μηχανήςεκπαίδευση, οι περισσότεροι μιλούν για τον ιατρικό τομέα. Και αυτό δεν αποτελεί έκπληξη: μια τεράστια βιομηχανία που παράγει ένα εκπληκτικό ποσό δεδομένων και εισοδήματος, στο οποίο οι τεχνολογικές εξελίξεις μπορούν να βελτιώσουν ή να σώσουν τις ζωές εκατομμυρίων ανθρώπων. Λίγο μετά μια εβδομάδα χωρίς την εμφάνιση μιας μελέτης που υποδηλώνει ότι οι αλγόριθμοι θα είναι σύντομα καλύτεροι για τους ειδικούς για να εντοπίσουν την πνευμονία ή τη νόσο του Αλτσχάιμερ - ασθένειες σύνθετων οργάνων, από το μάτι στην καρδιά. Και όλα αυτά πάνε, αλλά ...

Προβλήματα πολυσύχναστων νοσοκομείων και συμφόρησητο ιατρικό προσωπικό είναι δηλητηριασμένο από τα συστήματα δημόσιας υγείας και οδηγεί σε αυξημένες δαπάνες για ιδιωτικά συστήματα υγείας. Και εδώ, και πάλι, οι αλγόριθμοι προσφέρουν μια δελεαστική λύση. Πόσες φορές χρειάζεστε πραγματικά μια επίσκεψη σε γιατρό; Είναι δυνατή η αντικατάσταση αυτών των επισκέψεων με ένα έξυπνο chatbot - το οποίο θα είναι εξοπλισμένο με φορητές διαγνωστικές εξετάσεις χρησιμοποιώντας τις τελευταίες εξελίξεις στη βιοτεχνολογία; Οι περιττές επισκέψεις θα μπορούσαν να μειωθούν και οι ασθενείς θα μπορούσαν να διαγνωστούν και να αναφερθούν σε ειδικούς πιο γρήγορα, χωρίς να περιμένουν την αρχική διαβούλευση.

Όπως συμβαίνει με τους τεχνητούς αλγορίθμουςη νοημοσύνη, ο στόχος δεν είναι να αντικαταστήσουν τους γιατρούς, αλλά να τους δώσουν τα εργαλεία για τη μείωση των καθημερινών ή επαναλαμβανόμενων τμημάτων του έργου. Με ένα AI που μπορεί να εξετάσει χιλιάδες σαρώσεις ανά λεπτό, η "βαρετή ρουτίνα" παραμένει στις μηχανές και οι γιατροί μπορούν να επικεντρωθούν σε εκείνα τα μέρη της εργασίας που απαιτούν μια πιο σύνθετη, λεπτή εμπειρία βάσει των καλύτερων μεθόδων θεραπείας και των αναγκών των ασθενών.

Το περιεχόμενο

  • 1 Υψηλά πονταρίσματα
  • 2 Πάρα πολλά ροές για να ξετυλίξετε.
  • 3 Αξιολόγηση αλγορίθμων
  • 4 Επίτευξη ισορροπίας

Υψηλά πονταρίσματα

Και όμως, όπως συμβαίνει με τους αλγορίθμους AI,υπάρχουν κίνδυνοι που συνδέονται με τη χρήση τους - ακόμη και για εργασίες που θεωρούνται ρουτίνα. Τα προβλήματα των αλγορίθμων μαύρου κουτιού που κάνουν ανεξήγητες αποφάσεις είναι αρκετά σοβαρά όταν προσπαθείτε να καταλάβετε γιατί ο αυτοματοποιημένος στρατογνώστης chatbot δεν εντυπωσιάστηκε με την ιστορία σας κατά τη διάρκεια της συνέντευξης. Στο πλαίσιο της υγειονομικής περίθαλψης, όπου οι αποφάσεις μπορούν να σημαίνουν ζωή ή θάνατο, οι συνέπειες μιας αλγοριθμικής αποτυχίας μπορεί να είναι θανατηφόρες.

Τα νευρωνικά δίκτυα είναι μεγάλα στο χειρισμόένα μεγάλο μέρος των δεδομένων κατάρτισης και η δημιουργία συνδέσμων, η απορρόφηση των υποκείμενων νόμων ή λογική του συστήματος σε κρυφά επίπεδα γραμμικής άλγεβρας, είτε πρόκειται για την ανίχνευση του καρκίνου του δέρματος από φωτογραφίες είτε για την εκμάθηση της γραφής σε ψευδο-Σαίξπηρ γλώσσα. Ωστόσο, εξηγούν τρομερά την υποκείμενη λογική των σχέσεων που ανακαλύπτουν: υπάρχει κάτι περισσότερο από μια σειρά αριθμών, στατιστικά "βάρη" μεταξύ των στρωμάτων. Και δεν μπορούν να διακρίνουν μια συσχέτιση από μια αιτιώδη σχέση.

Υπάρχουν ενδιαφέροντα διλήμματα για την ιατρικήεργαζομένων. Το όνειρο των μεγάλων δεδομένων στην ιατρική είναι να παράσχει το νευρικό δίκτυο με "τεράστια ποσά δεδομένων υγείας", να βρει σύνθετες, σιωπηρές σχέσεις και να κάνει μεμονωμένες αξιολογήσεις για τους ασθενείς. Τι θα συμβεί εάν ένας τέτοιος αλγόριθμος αποδειχθεί αδικαιολόγητα αποτελεσματικός στη διάγνωση μιας κατάστασης υγείας ή σε μια συνταγογράφηση μιας θεραπείας, αλλά δεν θα έχετε επιστημονική κατανόηση για το πώς λειτουργεί αυτή η σχέση;

Πάρα πολλά ροές για να ξετυλίξετε.

Στατιστικά μοντέλα που βασίζονταιαυτά τα νευρωνικά δίκτυα υποθέτουν συχνά ότι οι μεταβλητές είναι ανεξάρτητες μεταξύ τους, αλλά σε ένα πολύπλοκο, αλληλεπιδραστικό σύστημα όπως το ανθρώπινο σώμα, αυτό δεν συμβαίνει πάντοτε.

Κατά μία έννοια, αυτή είναι μια πολύ γνωστή έννοια στοιατρικές επιστήμες - υπάρχουν πολλά φαινόμενα και σχέσεις που έχουν παρατηρηθεί εδώ και δεκαετίες, αλλά εξακολουθούν να είναι ελάχιστα κατανοητά σε βιολογικό επίπεδο. Η παρακεταμόλη είναι ένα από τα πιο δημοφιλή παυσίπονα, αλλά εξακολουθούν να υπάρχουν ενεργές συζητήσεις για τη δράση της. Οι ιατροί μπορούν να επιδιώξουν να χρησιμοποιήσουν οποιοδήποτε μέσο είναι πιο αποτελεσματικό, ανεξάρτητα από το αν βασίζεται σε μια βαθιά επιστημονική κατανόηση. Οι οπαδοί της ερμηνείας της κβαντικής μηχανικής στην Κοπεγχάγη μπορούν να παραφράσουν αυτό το θέμα ως "Κλείστε και θεραπεύστε!".

Φυσικά, υπάρχει μια συζήτηση στον τομέα αυτόΔεν διακινδυνεύουμε με αυτή την προσέγγιση να χάσει τη ματιά μιας βαθύτερης κατανόησης που τελικά θα αποδειχθεί πιο παραγωγική - για παράδειγμα, στην αναζήτηση νέων φαρμάκων.

Εκτός από τις φιλοσοφικές διαμάχες, υπάρχουν πρακτικά προβλήματα: εάν δεν καταλαβαίνετε πώς λειτουργεί το μαύρο κουτί του ιατρικού αλγορίθμου, πώς να προσεγγίσετε τα ζητήματα των κλινικών δοκιμών και των κανονισμών;

Μπορεί να απαιτείται διαφάνεια σε σχέση με τοπώς λειτουργεί ο αλγόριθμος - τα δεδομένα στα οποία φαίνεται, τις τιμές κατωφλίου βάσει των οποίων συνάγει συμπεράσματα ή παρέχει συμβουλές, αλλά αυτό μπορεί να είναι αντίθετο με τα κίνητρα για την επίτευξη κέρδους και την επιθυμία για μυστικότητα στις ιατρικές εκκινήσεις.

Μία λύση μπορεί να είναι η εξαίρεσηαλγόριθμοι που δεν μπορούν να εξηγηθούν ή δεν βασίζονται σε καλά κατανοητή ιατρική επιστήμη. Αλλά μπορεί να αποτρέψει τους ανθρώπους να αποκομίσουν τα οφέλη από τη χρήσιμη εργασία τέτοιων αλγορίθμων.

Αξιολόγηση αλγορίθμου

Οι νέοι αλγόριθμοι στην υγειονομική περίθαλψη δεν είναιθα είναι σε θέση να κάνει ό, τι οι φυσικοί έχουν κάνει με την κβαντική μηχανική, επειδή δεν θα αναπτυχθούν στον τομέα. Και πολλοί αλγόριθμοι βελτιώνονται ακριβώς με την εργασία στο πεδίο. Πώς επιλέγουμε την πιο ελπιδοφόρα προσέγγιση;

Δημιουργία ενός τυποποιημένου κλινικού συστήματοςδοκιμές και δοκιμές, οι οποίες θα ισχύουν εξίσου και σε αλγόριθμους που λειτουργούν διαφορετικά ή χρησιμοποιούν διαφορετικά δεδομένα εισόδου, θα είναι δύσκολο έργο. Κλινικές δοκιμές που χρησιμοποιούν μικρά δείγματα, για παράδειγμα, με αλγορίθμους που προσπαθούν να προσωποποιήσουν τη θεραπεία για τα άτομα, θα είναι επίσης δύσκολη. Με τα μικρά δείγματα και την αδύναμη επιστημονική κατανόηση του τι συμβαίνει, θα είναι αδύνατον να προσδιοριστεί αν ο αλγόριθμος πέτυχε ή απέτυχε επειδή μπορεί να είναι αρκετά καλό εν γένει, αλλά θέτει ένα κακό παράδειγμα.

Προσθέστε σε αυτό το μείγμα της κατάρτισης και η εικόνα γίνεταιακόμη πιο περίπλοκη. "Το πιο σημαντικό είναι ότι ο ιδανικός αλγόριθμος στο μαύρο κουτί είναι πλαστικός και ενημερώνεται συνεχώς, οπότε το παραδοσιακό μοντέλο κλινικών δοκιμών δεν είναι κατάλληλο επειδή βασίζεται σε ένα στατικό προϊόν που υπόκειται σε μια σταθερή αξιολόγηση."

Θα πρέπει να προσαρμόσουμε ολόκληρο το σύστημα ιατρικών και κλινικών δοκιμών.

Επίτευξη ισορροπίας

Η ιστορία της υγειονομικής περίθαλψης αντικατοπτρίζει την ιστορία της τεχνητής νοημοσύνης σε πολλές πτυχές. Δεν είναι τυχαίο ότι η IBM προσπάθησε να αλλάξει τον τομέα της υγειονομικής περίθαλψης χρησιμοποιώντας τη τεχνητή νοημοσύνη της Watson.

Η ισορροπία θα πρέπει να βρει. Θα πρέπει να βρούμε έναν τρόπο να επεξεργαστούμε μεγάλα δεδομένα, να χρησιμοποιούμε την εκπληκτική δύναμη των νευρωνικών δικτύων και να αυτοματοποιούμε τη σκέψη. Πρέπει να γνωρίζουμε τις αδυναμίες και τις προκαταλήψεις μιας τέτοιας προσέγγισης για την επίλυση προβλημάτων.

Με αυτόν τον τρόπο, πρέπει να χαιρετίσουμε αυτές τις τεχνολογίες,επειδή μπορούν να είναι μια χρήσιμη προσθήκη στις δεξιότητες, τη γνώση και την βαθύτερη κατανόηση που μπορούν να προσφέρουν οι άνθρωποι. Όπως και το νευρικό δίκτυο, οι βιομηχανίες μας πρέπει να εκπαιδευτούν, επεκτείνοντας αυτή τη συνεργασία στο μέλλον.

Συμφωνείτε; Ας συζητήσουμε στο δικό μας συνομιλία στο τηλεγράφημα.