Centaur AI kombiniert menschliche Expertise mit maschinellem Lernen für Innovationen im Gesundheitswesen

TL;DR-Zusammenfassung

• Centaur AI kombiniert die Kraft von KI-Maschinen mit menschlicher Intelligenz, um die Stärken beider Seiten zu maximieren.
• Zwei ergänzende Ansätze zur KI sind: datengetrieben und wissensbasiert.
• Centaur AI ist eine hybride Anordnung, die menschliche Intelligenz und Rechenleistung kombiniert, um komplexe Probleme im Gesundheitswesen zu lösen.

Das Gesundheitswesen wird stark profitieren, wenn sich die KI-Technologie entwickelt und voranschreitet. Der Einsatz von KI im Gesundheitswesen hat bereits eine Vielzahl von Vorteilen gezeigt, darunter eine erhöhte diagnostische Präzision, individuellere Behandlungspläne und höhere Vorhersagefähigkeiten.

Centaur AI bezieht sich auf eine Kombination aus der Rechenleistung von KI-Maschinen und menschlicher Intelligenz. Dieser Ansatz wird als Weg gesehen, die Stärken sowohl der KI als auch der menschlichen Gesundheitsfachkräfte zu maximieren. Mit Centaur AI können Maschinen bei Aufgaben wie Diagnose und Behandlungsplanung helfen, während menschliche Gesundheitsfachkräfte den notwendigen Kontext und die Interpretation bereitstellen können, um fundierte Entscheidungen zu treffen.

KI-Ansätze zur Optimierung der Backend-Funktion

Es gibt zwei unterschiedliche, sich jedoch ergänzende Ansätze zur KI.

Erster Ansatz für KI

Der erste Ansatz für KI wird als solche beschrieben, die darauf beruht, dass bei ausreichenden Daten und Rechenleistung komplexe Modelle erstellt werden können, um anspruchsvolle Aufgaben auszuführen, auch solche, die typischerweise von Menschen ausgeführt werden. Dieser Ansatz betont, dass Domänenexpertise möglicherweise nicht notwendig ist und dass Daten und Rechenleistung allein ausreichen, um Probleme zu lösen.

Beispiele für diesen Ansatz umfassen das Training eines Computers, ein Gemälde im Stil von Claude Monet zu produzieren, oder das Beibringen eines Roboters, Kekse zu backen, indem Daten verwendet werden. Die Entwicklung von selbstfahrenden Autos wird ebenfalls als Beispiel für diesen Ansatz angeführt, der stark auf Rechenleistung und die Verfügbarkeit großer Datenmengen angewiesen ist.

Zweiter Ansatz für KI

Der zweite Ansatz für KI beinhaltet die Nachahmung der menschlichen Denkweise unter Verwendung von Konzepten wie Verbindung und Kausalität. Dieser Ansatz betont die entscheidende Bedeutung der Domänenexpertise und den Aufbau von Algorithmen, die Approximationen des angesammelten menschlichen Wissens anwenden können, um Probleme zu lösen. Die Algorithmen, auch als Expertensysteme bekannt, stützen sich typischerweise auf regelbasierte oder probabilistische Berechnungen.

Die Wissensgemeinschaft, die diesen Ansatz unterstützt, glaubt, dass Expertensysteme für die Nachahmung menschlichen Denkens und Entscheidens in der KI unerlässlich sind. Diese Systeme erfordern ein tiefes Verständnis eines bestimmten Bereichs, um effektiv zu sein, und verwenden Approximationen menschlichen Wissens, um Probleme zu lösen.

Vergleich der ersten und zweiten Ansätze zur KI

Die Entwicklung datengetriebener KI hat die wissensbasierte KI überholt, da die Komplexität regelbasierter Expertensysteme die Skalierbarkeit behindern kann. Datenbasierte Systeme, wie sie in selbstfahrenden Autos und von großen Tech-Unternehmen für Werbeanzeigen, Messaging und Empfehlungen verwendet werden, haben erhebliche Fortschritte erzielt. Im Bereich der Biologie hat datengetriebene KI ebenfalls wichtige Beiträge zur Lösung komplexer Probleme geleistet.

Domänenwissen kann jedoch bei der Bewertung der Signal-Rausch-Probleme, die sich bei großen Datenmengen entwickeln, insbesondere in Bezug auf die Komplexität der menschlichen Biologie und von Krankheiten, entscheidender sein. Um der enormen Komplexität des menschlichen Körpers gerecht zu werden, ist wahrscheinlich eine Kombination aus datengetriebenen und wissensbasierten Ansätzen erforderlich.

Die Anforderungen des Computerspiels, die die kommerziellen Kräfte bereitstellten, die die Recheninnovation vorantrieben, können für die rasante Entwicklung neuronaler Netzwerktechniken verantwortlich gemacht werden. Ein Wettlauf zur Verbesserung der Technologie wurde durch die Anforderung an Realismus und Echtzeit-Reaktionsfähigkeit in Spielen ausgelöst. 

Andrew Ng gehörte zu den ersten, die die Kraft von GPUs erkannten und nutzten, um neuronalen Netzwerken zu helfen, die Lücke zwischen dem menschlichen Gehirn und Computern zu überbrücken. Durch die Verwendung ultraschneller Matrixdarstellungen und -manipulationen, die durch GPUs ermöglicht wurden, konnten Computer Algorithmen erstellen, die sich automatisch verbesserten, während sie Daten verarbeiteten. Mit anderen Worten helfen GPUs Computern, das Lernen zu lernen.

Was ist Deep Learning?

Beim Deep Learning werden künstliche neuronale Netze eingesetzt, die viel tiefer und komplexer sind als frühere Netzwerke. In der Vergangenheit enthielten neuronale Netze häufig nur eine einzige verborgene Schicht zwischen den Eingabedaten und den von ihnen erzeugten Vorhersagen. Heutige tiefe neuronale Netze können jedoch Dutzende oder sogar Hunderte von Schichten aufweisen, die jeweils nichtlineare Funktionen enthalten.

Die Tiefe dieser Netzwerke ermöglicht es ihnen, extrem komplexe Beziehungen zwischen den Daten darzustellen, da jede Schicht verschiedene Merkmale der Eingabedaten erkennen und analysieren kann. Mit der Zunahme der Anzahl der Schichten hat auch die Leistungsfähigkeit zugenommen. 

Wie wird Centaur AI das Gesundheitswesen revolutionieren? 

Das Centaur AI-System ist eine hybride Struktur, die menschliche Intelligenz und Rechenleistung kombiniert, um das Beste aus beiden Welten zu bieten. Es ist besonders in Bereichen nützlich, in denen komplexe menschliche Nuancen eine bedeutende Rolle spielen und rohe Rechenleistung nicht ausreicht, um Probleme in einem geschlossenen, vollständig spezifizierten System wie einem Spiel zu lösen.

Centaur hat ein Netzwerk aus medizinischen Experten und Studierenden aus mehr als 140 Nationen aufgebaut. Dieses Netzwerk operiert hauptsächlich über die iOS-App DiagnosUs, eine gamifizierte Plattform, auf der Labeler ihre Fähigkeiten entwickeln und miteinander konkurrieren. Der Zweck der Software besteht darin, die Leistung der Labeler zu bewerten und den genauesten Anwendern finanzielle Belohnungen zu gewähren.

Es ist wichtig zu beachten, dass Centaur bei jedem Fall zahlreiche Perspektiven sammelt, wobei bei den schwierigeren Fällen mehr Meinungen eingeholt werden. Anschließend integriert die Plattform diese verschiedenen Standpunkte sorgfältig, um Klassifizierungen zu erstellen, die genauer sind als die von einem einzelnen Experten bereitgestellten. Die Website sammelt wöchentlich über eine Million Meinungen.

KI lernt aus Millionen von Beispielen

Ähnlich wie Menschen lernt KI durch Beispiele; daher erfordert das Training eines Algorithmus Dutzende oder sogar Millionen von Beispielen. Große medizinische Datensätze sind jedoch schwer zu kuratieren, und es ist praktisch unmöglich, geeignete Labels aus Quellen mit relevanter medizinischer Expertise und spezialisierter Ausbildung zu finden. Die Centaur-Plattform ist darauf ausgelegt, schnell auf Millionen von Labels zu wachsen und eine breite Palette spezialisierter medizinischer Anwendungen zu bedienen.