Centaur AI combina la experiencia humana con el aprendizaje automático para la innovación en atención médica

Resumen TL;DR

• Centaur AI combina el poder de las máquinas de IA con la inteligencia humana para maximizar ambas fortalezas.
• Existen dos enfoques complementarios para la IA: impulsado por datos e impulsado por el conocimiento.
• Centaur AI es una configuración híbrida que combina la inteligencia humana y la capacidad computacional para resolver problemas complejos de atención médica.

La atención médica se beneficiará enormemente a medida que la tecnología de IA se desarrolle y avance. La aplicación de la IA en la atención médica ya ha mostrado una variedad de ventajas, incluida una mayor precisión diagnóstica, regímenes de tratamiento más individualizados y mayores habilidades de predicción.

Centaur AI se refiere a una combinación del poder de las máquinas de IA y la inteligencia humana. Este enfoque se considera una manera de maximizar las fortalezas tanto de la IA como de los profesionales de la atención médica humanos. Con Centaur AI, las máquinas pueden ayudar con tareas como el diagnóstico y la planificación del tratamiento, mientras que los profesionales de la atención médica humanos pueden proporcionar el contexto y la interpretación necesarios para tomar decisiones informadas.

Enfoques de IA para optimizar el funcionamiento del backend

Existen dos enfoques diferentes pero complementarios para la IA.

Primer Enfoque para la IA

El primer enfoque para la IA se describe como aquel que se basa en la creencia de que, dados suficientes datos y capacidad de cómputo, se pueden crear modelos complejos para realizar tareas desafiantes, incluso aquellas que normalmente realizan los humanos. Este enfoque enfatiza que la experiencia en el dominio puede no ser necesaria y que los datos y la capacidad de cómputo por sí solos son suficientes para resolver problemas.

Ejemplos de este enfoque incluyen entrenar a una computadora para producir una pintura al estilo de Claude Monet o enseñar a un robot a hornear galletas utilizando datos. El desarrollo de los coches autónomos también se menciona como un ejemplo de este enfoque, que depende en gran medida de la capacidad de cómputo y la disponibilidad de grandes cantidades de datos.

Segundo Enfoque para la IA

El segundo enfoque para la IA implica imitar cómo los humanos razonan utilizando conceptos como conexión y causalidad. Este enfoque enfatiza la importancia crítica de la experiencia en el dominio y la construcción de algoritmos que puedan aplicar aproximaciones del conocimiento humano acumulado para resolver problemas. Los algoritmos, también conocidos como sistemas expertos, generalmente dependen de cálculos basados en reglas o probabilísticos.

El campo del conocimiento, que apoya este enfoque, cree que los sistemas expertos son esenciales para replicar el razonamiento y la toma de decisiones humanas en la IA. Estos sistemas requieren una comprensión profunda de un dominio específico para ser efectivos y utilizan aproximaciones del conocimiento humano para resolver problemas.

Comparación del Primer y Segundo Enfoques de la IA

El desarrollo de la IA impulsada por datos ha superado al de la IA basada en el conocimiento debido a la complejidad de los sistemas expertos basados en reglas, lo que puede obstaculizar la escalabilidad. Los sistemas basados en datos, como los utilizados en los coches autónomos y las grandes empresas tecnológicas para la colocación de anuncios, mensajería y recomendaciones, han experimentado avances significativos. En el campo de la biología, la IA impulsada por datos también ha realizado importantes contribuciones para resolver problemas complejos.

Sin embargo, el conocimiento del dominio puede ser más crucial al evaluar los problemas de señal-ruido que surgen con los grandes datos cuando se trata de la complejidad de la biología humana y las enfermedades. Para abordar la enorme complejidad del cuerpo humano, es probable que se requiera una combinación de enfoques impulsados por datos y por el conocimiento.

Los requisitos de los videojuegos, que proporcionaron las fuerzas comerciales que impulsaron la innovación computacional, pueden ser los responsables de la rápida evolución de las técnicas de redes neuronales. La necesidad de realismo y capacidad de respuesta en tiempo real en los juegos inició una carrera para mejorar la tecnología. 

Andrew Ng fue uno de los primeros en reconocer y aprovechar el poder de las GPU para ayudar a las redes neuronales a cerrar la brecha entre el cerebro humano y las computadoras. Al utilizar representaciones y manipulaciones de matrices ultrarrápidas posibles gracias a las GPU, las computadoras podían crear algoritmos que mejoraban automáticamente a medida que procesaban datos. En otras palabras, las GPU ayudan a las computadoras a aprender a aprender.

¿Qué es el Aprendizaje Profundo?

En el aprendizaje profundo se utilizan redes neuronales artificiales mucho más profundas y complicadas que las redes anteriores. En el pasado, las redes neuronales a menudo incluían una sola capa oculta entre los datos de entrada y las predicciones que producían. Sin embargo, las redes neuronales profundas de hoy en día pueden tener decenas o incluso cientos de capas, cada una con funciones no lineales.

La profundidad de estas redes les permite representar relaciones extremadamente complejas entre los datos, ya que cada capa puede detectar y analizar diferentes características de los datos de entrada. A medida que ha aumentado el número de capas, también lo ha hecho la capacidad. 

¿Cómo va a cambiar Centaur AI el panorama de la atención médica? 

El sistema Centaur AI es una configuración híbrida que combina la inteligencia humana y la capacidad computacional para ofrecer lo mejor de ambos mundos. Es particularmente útil en áreas donde los matices humanos complejos son un factor significativo, y la fuerza computacional bruta no es suficiente para resolver problemas en un sistema cerrado y completamente especificado como un juego.

Centaur ha establecido una red de expertos médicos y estudiantes de más de 140 naciones. Esta red opera principalmente en la aplicación iOS DiagnosUs, una plataforma gamificada donde los etiquetadores desarrollan sus habilidades y compiten entre sí. El propósito del software es evaluar el rendimiento de los etiquetadores y otorgar recompensas financieras a los más precisos.

Es significativo notar que Centaur recopila múltiples perspectivas sobre cada caso, obteniendo más opiniones en los casos más difíciles. Después de eso, la plataforma integra cuidadosamente diferentes puntos de vista para proporcionar clasificaciones más precisas que las proporcionadas por un solo experto. El sitio recopila más de un millón de opiniones cada semana.

La IA aprende por millones de ejemplos

Al igual que los humanos, la IA aprende por ejemplo; por lo tanto, entrenar un algoritmo requiere docenas o incluso millones de ejemplos. Sin embargo, los grandes conjuntos de datos médicos son difíciles de curar, y es prácticamente imposible encontrar etiquetas adecuadas de fuentes con experiencia médica relevante y formación especializada. La plataforma Centaur está diseñada para crecer rápidamente hasta millones de etiquetas y servir a una amplia gama de aplicaciones médicas especializadas.