Centaur AI combine l'expertise humaine et l'apprentissage automatique pour l'innovation en santé

Résumé TL;DR

• Centaur AI combine la puissance des machines IA avec l'intellect humain pour maximiser les forces des deux.
• Deux approches complémentaires de l'IA existent : l'approche pilotée par les données et l'approche pilotée par les connaissances.
• Centaur AI est un arrangement hybride qui combine l'intelligence humaine et la puissance de calcul pour résoudre des problèmes de santé complexes.

Le secteur de la santé bénéficiera grandement du développement et des avancées de la technologie IA. L'application de l'IA dans les soins de santé a déjà montré une variété d'avantages, notamment une précision diagnostique accrue, des régimes de traitement plus personnalisés et des capacités de prédiction supérieures.

Centaur AI fait référence à une combinaison de la puissance des machines IA et de l'intellect humain. Cette approche est considérée comme un moyen de maximiser les forces de l'IA et des professionnels de la santé humains. Avec Centaur AI, les machines peuvent aider à des tâches telles que le diagnostic et la planification du traitement, tandis que les professionnels de la santé humains peuvent fournir le contexte et l'interprétation nécessaires pour prendre des décisions éclairées.

Approches de l'IA pour optimiser le fonctionnement backend

Il existe deux approches différentes mais complémentaires de l'IA.

Première approche pour l'IA

La première approche de l'IA est décrite comme reposant sur la croyance que, compte tenu de données et de puissance de calcul suffisantes, des modèles complexes peuvent être créés pour effectuer des tâches difficiles, y compris celles qui sont généralement effectuées par des humains. Cette approche souligne que l'expertise du domaine peut ne pas être nécessaire et que les données et la puissance de calcul seules sont suffisantes pour résoudre les problèmes.

Des exemples de cette approche incluent l'entraînement d'un ordinateur à produire une peinture dans le style de Claude Monet ou l'enseignement à un robot de cuire des biscuits à l'aide de données. Le développement des voitures autonomes est également cité comme un exemple de cette approche, qui repose fortement sur la puissance de calcul et la disponibilité de grandes quantités de données.

Deuxième approche pour l'IA

La deuxième approche de l'IA implique d'imiter la façon dont les humains raisonnent en utilisant des concepts tels que la connexion et la causalité. Cette approche souligne l'importance critique de l'expertise du domaine et de la construction d'algorithmes capables d'appliquer des approximations des connaissances humaines accumulées pour résoudre des problèmes. Les algorithmes, également connus sous le nom de systèmes experts, reposent généralement sur des calculs basés sur des règles ou probabilistes.

Le camp du savoir, qui soutient cette approche, croit que les systèmes experts sont essentiels pour répliquer le raisonnement et la prise de décision humains dans l'IA. Ces systèmes nécessitent une compréhension approfondie d'un domaine spécifique pour être efficaces et utilisent des approximations des connaissances humaines pour résoudre des problèmes.

Comparaison des première et deuxième approches de l'IA

Le développement de l'IA pilotée par les données a dépassé celui de l'IA basée sur les connaissances en raison de la complexité des systèmes experts basés sur des règles, ce qui peut entraver l'évolutivité. Les systèmes basés sur les données, tels que ceux utilisés dans les voitures autonomes et les grandes entreprises technologiques pour le placement publicitaire, la messagerie et les recommandations, ont connu des avancées significatives. Dans le domaine de la biologie, l'IA pilotée par les données a également apporté des contributions importantes à la résolution de problèmes complexes.

Cependant, la connaissance du domaine peut être plus cruciale pour évaluer les problèmes de rapport signal-bruit qui se développent avec les grandes données lorsqu'il s'agit de la complexité de la biologie humaine et des maladies. Afin de faire face à l'énorme complexité du corps humain, il est probable qu'une combinaison d'approches pilotées par les données et pilotées par les connaissances sera nécessaire.

Les exigences des jeux informatiques, qui ont fourni les forces commerciales ayant stimulé l'innovation computationnelle, peuvent être tenues pour responsables de l'évolution rapide des techniques de réseaux neuronaux. Une course à l'amélioration de la technologie a été lancée par la nécessité de réalisme et de réactivité en temps réel dans les jeux. 

Andrew Ng a été parmi les premiers à reconnaître et à exploiter la puissance des GPU pour aider les réseaux neuronaux à combler l'écart entre le cerveau humain et les ordinateurs. En utilisant des représentations et des manipulations matricielles ultra-rapides rendues possibles par les GPU, les ordinateurs pouvaient créer des algorithmes qui s'amélioraient automatiquement au fur et à mesure qu'ils traitaient les données. En d'autres termes, les GPU aident les ordinateurs à apprendre à apprendre.

Qu'est-ce que l'apprentissage profond ?

L'apprentissage profond utilise des réseaux neuronaux artificiels beaucoup plus profonds et plus complexes que les réseaux précédents. Dans le passé, les réseaux neuronaux comprenaient souvent une seule couche cachée entre les données d'entrée et les prédictions qu'ils produisaient. Les réseaux neuronaux profonds d'aujourd'hui, cependant, peuvent avoir des dizaines, voire des centaines de couches, chacune avec des fonctions non linéaires.

La profondeur de ces réseaux leur permet de représenter des relations extrêmement complexes parmi les données, car chaque couche peut détecter et analyser différentes caractéristiques des données d'entrée. À mesure que le nombre de couches a augmenté, la capacité a également augmenté. 

Comment Centaur AI va-t-il changer la donne dans le secteur de la santé ? 

Le système Centaur AI est un arrangement hybride qui combine l'intelligence humaine et la puissance de calcul pour offrir le meilleur des deux mondes. Il est particulièrement utile dans les domaines où les nuances humaines complexes sont un facteur important, et où la force de calcul brute ne suffit pas à résoudre des problèmes dans un système fermé et entièrement spécifié comme un jeu.

Un réseau d'experts médicaux et d'étudiants de plus de 140 nations a été établi par Centaur. Ce réseau fonctionne principalement sur l'application iOS DiagnosUs, une plateforme gamifiée où les étiqueteurs développent leurs compétences et s'affrontent. L'objectif du logiciel est d'évaluer la performance des étiqueteurs et de récompenser financièrement les plus précis.

Il est important de noter que Centaur recueille de nombreuses perspectives sur chaque cas, avec plus d'opinions obtenues sur les cas plus difficiles. Ensuite, la plateforme intègre soigneusement différentes perspectives pour fournir des classifications plus précises que celles fournies par un seul expert. Le site recueille plus d'un million d'opinions chaque semaine.

L'IA apprend par des millions d'exemples

Similairement aux humains, l'IA apprend par l'exemple ; par conséquent, l'entraînement d'un algorithme nécessite des dizaines, voire des millions d'exemples. Cependant, les grands ensembles de données médicales sont difficiles à curatoriser, et il est pratiquement impossible de trouver des étiquettes appropriées auprès de sources disposant d'une expertise médicale pertinente et d'une formation spécialisée. La plateforme Centaur est conçue pour croître rapidement jusqu'à des millions d'étiquettes et servir une large gamme d'applications médicales spécialisées.