الذكاء الاصطناعي الخيالي يجمع بين الخبرة البشرية وتعلم الآلة للابتكار في الرعاية الصحية
سنترور آي
ملخص سريع
- يجمع الذكاء الاصطناعي الخيالي بين قوة آلات الذكاء الاصطناعي والعقل البشري لتعظيم نقاط القوة لدى كليهما.
- هناك نهجان متكاملان للذكاء الاصطناعي: قائم على البيانات وقائم على المعرفة.
- الذكاء الاصطناعي الخيالي هو ترتيب هجين يجمع بين الذكاء البشري والقوة الحاسوبية لحل مشاكل الرعاية الصحية المعقدة.
ستستفيد الرعاية الصحية بشكل كبير مع تطور وتقدم تقنيات الذكاء الاصطناعي. أظهر تطبيق الذكاء الاصطناعي في الرعاية الصحية بالفعل مجموعة متنوعة من المزايا، بما في ذلك زيادة دقة التشخيص، وبرامج علاج أكثر تخصيصاً، ومهارات تنبؤية أعلى.
يشير الذكاء الاصطناعي الخيالي إلى مزيج من قوة آلات الذكاء الاصطناعي والعقل البشري. يُنظر إلى هذا النهج على أنه طريقة لتعظيم نقاط القوة لكل من محترفي الرعاية الصحية البشريين والذكاء الاصطناعي. مع الذكاء الاصطناعي الخيالي، يمكن للآلات المساعدة في مهام مثل التشخيص وتخطيط العلاج، بينما يمكن لمحترفي الرعاية الصحية البشريين توفير السياق والتفسير اللازمين لاتخاذ قرارات مستنيرة.
نهج الذكاء الاصطناعي لتحسين العمليات الخلفية
هناك نهجان مختلفان ولكن متكاملان للذكاء الاصطناعي.
النهج الأول للذكاء الاصطناعي
يُوصف النهج الأول للذكاء الاصطناعي بأنه يعتمد على الاعتقاد بأنه بمقدار كافٍ من البيانات وقوة الحوسبة، يمكن إنشاء نماذج معقدة لأداء مهام صعبة، حتى تلك التي يؤديها البشر عادةً. يؤكد هذا النهج أن الخبرة في المجال قد لا تكون ضرورية وأن البيانات وقوة الحوسبة وحدهما كافيان لحل المشكلات.
تشمل أمثلة هذا النهج تدريب الكمبيوتر على إنتاج لوحة فنية بأسلوب كلود مونيه أو تعليم الروبوت خبز الكوكيز باستخدام البيانات. كما يُشار إلى تطوير السيارات ذاتية القيادة كمثال على هذا النهج، الذي يعتمد بشكل كبير على قوة الحوسبة وتوفر كميات كبيرة من البيانات.
النهج الثاني للذكاء الاصطناعي
يتضمن النهج الثاني للذكاء الاصطناعي محاكاة كيفية تفكير البشر باستخدام مفاهيم مثل الارتباط والسببية. يؤكد هذا النهج على الأهمية الحاسمة للخبرة في المجال وبناء خوارزميات يمكنها تطبيق تقريبات للمعرفة البشرية المتراكمة لحل المشكلات. تعتمد الخوارزميات، المعروفة أيضاً بأنظمة الخبراء، عادةً على الحسابات القائمة على القواعد أو الاحتمالية.
يعتبر معسكر المعرفة، الذي يدعم هذا النهج، أن أنظمة الخبراء ضرورية لمحاكاة التفكير البشري واتخاذ القرارات في الذكاء الاصطناعي. تتطلب هذه الأنظمة فهماً عميقاً لمجال معين لتكون فعالة وتستخدم تقريبات للمعرفة البشرية لحل المشكلات.
مقارنة بين النهجين الأول والثاني للذكاء الاصطناعي
تفوق تطوير الذكاء الاصطناعي القائم على البيانات على الذكاء الاصطناعي القائم على المعرفة بسبب تعقيد أنظمة الخبراء القائمة على القواعد، مما قد يعيق قابلية التوسع. شهدت الأنظمة القائمة على البيانات، مثل تلك المستخدمة في السيارات ذاتية القيادة وشركات التكنولوجيا الكبرى للإعلانات والرسائل والتوصيات، تقدماً كبيراً. في مجال علم الأحياء، قدم الذكاء الاصطناعي القائم على البيانات أيضاً مساهمات مهمة في حل المشكلات المعقدة.
ومع ذلك، قد تكون المعرفة بالمجال أكثر أهمية في تقييم مشاكل نسبة الإشارة إلى الضوضاء التي تتطور مع البيانات الضخمة عندما يتعلق الأمر بتعقيد علم الأحياء البشري والأمراض. لمعالجة التعقيد الهائل للجسم البشري، من المرجح أن يكون هناك حاجة إلى مزيج من النهج القائم على البيانات والقائم على المعرفة.
يمكن إلقاء اللوم على متطلبات ألعاب الكمبيوتر، التي وفرت القوى التجارية التي حفزت الابتكار الحاسوبي، على التطور السريع لتقنيات الشبكات العصبية. بدأت سباقاً لتعزيز التكنولوجيا بسبب الحاجة إلى الواقعية والاستجابة في الوقت الفعلي في الألعاب.
كان أندرو إنغ من أوائل من أدركوا واستغلوا قوة وحدات معالجة الرسومات (GPUs) لمساعدة الشبكات العصبية على سد الفجوة بين الدماغ البشري والكمبيوتر. من خلال استخدام تمثيلات المصفوفات فائقة السرعة والتلاعب بها التي أتاحتها وحدات معالجة الرسومات، يمكن للكمبيوتر إنشاء خوارزميات تتحسن تلقائياً أثناء معالجة البيانات. بعبارة أخرى، تساعد وحدات معالجة الرسومات الكمبيوتر على تعلم كيفية التعلم.
ما هو التعلم العميق؟
تُستخدم في التعلم العميق شبكات عصبية اصطناعية أعمق وأكثر تعقيداً بكثير من الشبكات السابقة. في الماضي، كانت الشبكات العصبية تتضمن غالباً طبقة خفية واحدة بين بيانات الإدخال والتنبؤات التي تنتجها. ومع ذلك، قد تحتوي الشبكات العصبية العميقة اليوم على عشرات أو حتى مئات الطبقات، كل منها يحتوي على دوال غير خطية.
يتيح عمق هذه الشبكات لها تمثيل علاقات معقدة للغاية بين البيانات، حيث يمكن لكل طبقة اكتشاف وتحليل ميزات مختلفة لبيانات الإدخال. ومع زيادة عدد الطبقات، زادت السعة أيضاً.
كيف ستغير الذكاء الاصطناعي للخيول (Centaur AI) قواعد اللعبة في مجال الرعاية الصحية؟
يُعد نظام Centaur AI ترتيباً هجيناً يجمع بين الذكاء البشري والقوة الحاسوبية لتقديم أفضل ما في العالمين. وهو مفيد بشكل خاص في المجالات التي تكون فيها الفروق الدقيقة البشرية المعقدة عاملاً كبيراً، حيث لا تكون القوة الحاسوبية الخام كافية لحل المشكلات في نظام مغلق ومحدد بالكامل مثل لعبة.
أنشأت Centaur شبكة من الخبراء الطبيين والطلاب من أكثر من 140 دولة. تعمل هذه الشبكة بشكل أساسي على تطبيق iOS المسمى DiagnosUs، وهو منصة مُلعّبة حيث يطور المُصنّفون (labelers) مهاراتهم ويتنافسون مع بعضهم البعض. والغرض من البرنامج هو تقييم أداء المُصنّفين ومكافأة الأكثر دقة منهم بمكافآت مالية.
من المهم ملاحظة أن Centaur يجمع وجهات نظر متعددة حول كل حالة، مع الحصول على آراء أكثر في الحالات الأصعب. بعد ذلك، تدمج المنصة بعناية وجهات النظر المختلفة لتقديم تصنيفات أكثر دقة من تلك التي يقدمها خبير واحد. تجمع المنصة أكثر من مليون رأي كل أسبوع.
يتعلم الذكاء الاصطناعي من خلال ملايين الأمثلة
يشبه الذكاء الاصطناعي البشر في تعلمه من خلال الأمثلة؛ لذلك، يتطلب تدريب الخوارزمية عشرات أو حتى ملايين الأمثلة. ومع ذلك، فإن مجموعات البيانات الطبية الكبيرة صعبة التجميع، ومن المستحيل عملياً العثور على تسميات مناسبة من مصادر ذات خبرة طبية ذات صلة وتدريب متخصص. صُممت منصة Centaur لتنمو بسرعة لتصل إلى ملايين التسميات وتخدم مجموعة واسعة من التطبيقات الطبية المتخصصة.
لا تكتفِ بقراءة أخبار العملات الرقمية فحسب، بل افهمها. اشترك في نشرتنا الإخبارية. مجانية.
عامر شيخ
عامر صحفي تقني يتمتع بخبرة تزيد عن ست سنوات في مجالي العملات المشفرة والتقنية. تخرج من جامعة ماج بشهادة ماجستير في إدارة الأعمال بتخصص التمويل والتسويق. يعمل حاليًا مع موقع كربتوبوليتان، حيث يتناول أحدث التطورات في أسواق العملات المشفرة وتوقعات الأسعار.
