tekniikka

Elämän ja kuoleman algoritmit: miten ymmärtää tekoäly, joka parantaa ihmisiä?

Kun kyse on koneen käytöstäkoulutus, puhutaan useimmiten lääketieteen alalta. Ja tämä ei ole yllättävää: valtava teollisuus, joka tuottaa ilmiömäisen määrän tietoja ja tuloja, jolla teknologinen kehitys voi parantaa tai pelastaa miljoonien ihmisten hengen. Viikko tuskin kuluu ilman tutkimusta, joka viittaa siihen, että algoritmit ovat hyvin pian asiantuntijoita paremmin keuhkokuumeen tai Alzheimerin taudin - monimutkaisten elinten sairauksien - silmästä sydämeen - havaitsemiseksi. Ja kaikki menee tähän, mutta ...

Ongelmia tungosta sairaaloita ja ruuhkautuneitaterveydenhuoltohenkilöstö myrkytetään kansanterveysjärjestelmissä, ja se johtaa korkeampiin kustannuksiin yksityisissä terveysjärjestelmissä. Ja tässä taas, algoritmit tarjoavat houkuttelevan ratkaisun. Kuinka monta kertaa sinun todella täytyy käydä lääkärillä? Onko mahdollista korvata nämä vierailut älykkäällä chatbotilla - joka varustetaan kannettavilla diagnostisilla testeillä käyttämällä biotekniikan viimeisintä kehitystä? Tarpeettomia käyntejä voitaisiin vähentää, ja potilaat voitaisiin diagnosoida ja ohjata asiantuntijoihin nopeammin odottamatta ensimmäistä kuulemista.

Kuten keinotekoisten algoritmien kanssaälykkyyden tavoitteena ei ole korvata lääkäreitä, vaan antaa heille työkalut vähentää päivittäistä tai toistuvaa työn osaa. AI: n avulla, joka voi tutkia tuhansia skannauksia minuutissa, "tylsä ​​rutiini" pysyy koneissa, ja lääkärit voivat keskittyä niihin työn osiin, jotka vaativat monimutkaisempaa, hienovaraisempaa, kokemuksellista arviointia parhaista hoitomenetelmistä ja potilaan tarpeista.

Sisältö

  • 1 Korkeat panokset
  • 2 Liian paljon lankoja purkautuaksesi
  • 3 Algoritmin arviointi
  • 4 Tasapainon saavuttaminen

Korkeat panokset

Ja silti, kuten AI-algoritmeissa,niiden käyttöön liittyy riskejä - jopa rutiininomaisiin tehtäviin. Selittämättömiä päätöksiä tekevien "musta laatikko" -algoritmien ongelmat ovat riittävän vakavia, kun yrität ymmärtää, miksi automatisoitu chatbot-rekrytoija ei ollut vaikuttunut tarinasi haastattelun aikana. Terveydenhuoltokysymyksissä, joissa päätökset voivat tarkoittaa elämää tai kuolemaa, algoritmisen epäonnistumisen seuraukset voivat olla kohtalokkaita.

Neuraaliverkot tekevät hienoa työtäsuuri määrä harjoitustietoa ja yhteyksien luominen, taustalla olevien mallien absorbointi tai järjestelmälogiikka lineaarisen algebran piilotettuihin kerroksiin; onko se ihosyövän havaitseminen valokuvista tai pseudo-Shakespearean-kirjoitusten opettaminen. He selittävät kuitenkin hirveän havaitsemiensa suhteiden taustalla olevan logiikan: siinä on enemmän kuin pelkkä numerojono, tilastolliset "painot" kerrosten välillä. Ja he eivät voi erottaa korrelaatiota syy-yhteydestä.

Lääketieteen kannalta on mielenkiintoisia ongelmiatyöntekijöitä. Unelma suuresta lääketiedosta on tarjota hermoverkolle ”valtavia määriä terveystietoja”, löytää monimutkaisia, implisiittisiä suhteita ja tehdä henkilökohtaisia ​​arvioita potilaille. Entä jos tällainen algoritmi osoittautuu kohtuuttoman tehokkaaksi sairauden diagnosoinnissa tai hoidon määräämisessä, mutta sinulla ei ole tieteellistä käsitystä siitä, kuinka tämä suhde todella toimii?

Liian paljon ketjuja purkamiseen

Tilastolliset mallitTällaiset hermoverkot olettavat usein, että muuttujat ovat toisistaan ​​riippumattomia, mutta ihmiskehon kaltaisessa monimutkaisessa, vuorovaikutuksessa olevassa järjestelmässä tämä ei aina ole niin.

Tämä on tietyssä mielessä hyvin tunnettu käsite vuonnalääketieteet - on olemassa monia ilmiöitä ja suhteita, joita on havaittu vuosikymmenien ajan, mutta joita tutkitaan edelleen huonosti biologisella tasolla. Parasetamoli on yksi suosituimmista kipulääkkeistä, mutta sen vaikutuksesta keskustellaan edelleen. Harjoittajat voivat pyrkiä käyttämään mitä tahansa tehokkainta työkalua riippumatta siitä, perustuuko se syvään tieteelliseen ymmärrykseen. Kvanttien kvanttimekaniikan tulkinnan fanit voivat muotoilla tämän sanoiksi: "Ole vaiti ja paranna!"

Tietysti tällä alueella käydään keskustelua aiheestaeikö meillä ole vaaraa menettää syvempää ymmärrystä tällä lähestymistavalla, joka osoittautuu lopulta hedelmällisemmäksi - esimerkiksi etsiä uusia lääkkeitä.

Filosofisen sirkistuksen lisäksi on käytännöllisiä ongelmia: jos et ymmärrä kuinka lääketieteellisen algoritmin musta laatikko toimii, miten lähestyä kliinisten tutkimusten ja sääntelyn kysymyksiä?

Läpinäkyvyys voidaan tarvita.miten algoritmi toimii - tiedot, joita se tarkastelee, kynnysarvot, joiden perusteella se tekee johtopäätöksiä tai antaa neuvoja, mutta tämä saattaa olla ristiriidassa voittoa tavoittelevien motiivien ja salassapitohaun kanssa lääketieteellisissä aloittelijoissa.

Yksi ratkaisu saattaa olla poikkeusalgoritmit, jotka eivät pysty selittämään itseään tai jotka eivät luota hyvin ymmärrettyyn lääketieteeseen. Mutta tämä voi estää ihmisiä hyödyntämästä tällaisten algoritmien hyödyllistä työtä.

Algoritmin arviointi

Uusia terveysalgoritmeja eipystyy tekemään sen, mitä fyysikot ovat tehneet kvanttimekaniikan kanssa, koska niitä ei käytetä kentällä. Ja monia algoritmeja parannetaan tarkalleen kentällä työskentelemällä. Kuinka valitsemme lupaavimman lähestymistavan?

Standardoidun kliinisen järjestelmän luominentestaaminen ja testaaminen, jotka koskevat yhtä lailla algoritmeja, jotka toimivat eri tavalla tai käyttävät erilaista syöttötietoa, on vaikea tehtävä. Kliiniset tutkimukset, joissa käytetään esimerkiksi pieniä näytteitä, algoritmeilla, jotka yrittävät räätälöidä yksilöiden kohtelua, ovat myös vaikeita. Pienillä näytteillä ja huonoilla tieteellisillä käsityksillä tapahtumista ei ole mahdollista määrittää, onnistuiko algoritmi vai kaatunut, koska se voi yleensä olla melko hyvä, mutta antaa epäonnistuneen esimerkin.

Lisää koulutusta tähän sekoitukseen ja kuvasta tuleevielä monimutkaisempi. "Vielä tärkeämpää on, että ihanteellinen black box -algoritmi on joustava ja jatkuvasti päivitetty, joten perinteinen kliininen tutkimusmalli ei sovellu, koska se riippuu staattisesta tuotteesta, jota arvioidaan johdonmukaisesti."

Joudut mukauttamaan koko lääketieteellisten ja kliinisten tutkimusten järjestelmän.

Tasapainon saavuttaminen

Terveydenhuollon historia heijastaa keinoälyn historiaa monin tavoin. Ei ole sattumaa, että IBM yritti muuttaa terveydenhuollon teollisuutta Watson-tekoälyn avulla.

Tasapaino on löydettävä. Meidän on löydettävä tapa käsitellä suurta dataa, käyttää hermoverkkojen hirveä voimaa ja automatisoida ajattelua. Meidän on oltava tietoisia tällaisen ongelmanratkaisumenetelmän puutteista ja ennakkoluuloista.

Tätä tehdessään meidän on pidettävä myönteisenä näitä tekniikoita,koska ne voivat olla hyödyllinen lisä taitoille, tiedolle ja syvemmälle ymmärrykselle, joita ihmiset voivat tarjota. Kuten hermoverkko, myös toimialamme on koulutettava, laajentamalla tätä yhteistyötä tulevaisuudessa.

Oletko samaa mieltä? Keskustelemme meidän keskustele viestissä.