Centaur AI combina l'esperienza umana con l'apprendimento automatico per l'innovazione sanitaria

Riepilogo TL;DR

• Centaur AI combina la potenza delle macchine AI con l'intelletto umano per massimizzare entrambi i punti di forza.
• Esistono due approcci complementari all'IA: quelli guidati dai dati e quelli guidati dalla conoscenza.
• Centaur AI è un arrangement ibrido che combina l'intelligenza umana e la potenza di calcolo per risolvere problemi sanitari complessi.

Il settore sanitario trarrà grandi benefici dallo sviluppo e dall'avanzamento della tecnologia IA. L'applicazione dell'IA nella sanità ha già dimostrato una varietà di vantaggi, tra cui una maggiore precisione diagnostica, regimi di trattamento più personalizzati e migliori capacità predittive.

Centaur AI si riferisce a una combinazione della potenza delle macchine IA e dell'intelletto umano. Questo approccio è visto come un modo per massimizzare i punti di forza sia dell'IA che dei professionisti sanitari umani. Con Centaur AI, le macchine possono assistere in attività come la diagnosi e la pianificazione del trattamento, mentre i professionisti sanitari umani possono fornire il contesto e l'interpretazione necessari per prendere decisioni informate.

Approcci IA per ottimizzare il funzionamento backend

Esistono due approcci diversi ma complementari all'IA.

Primo approccio per l'IA

Il primo approccio per l'IA è descritto come basato sulla convinzione che, dati sufficienti dati e potenza di calcolo, si possano creare modelli complessi in grado di eseguire compiti difficili, anche quelli tipicamente eseguiti dagli esseri umani. Questo approccio sottolinea che l'esperienza nel settore potrebbe non essere necessaria e che solo i dati e la potenza di calcolo sono sufficienti per risolvere i problemi.

Esempi di questo approccio includono l'addestramento di un computer a produrre un dipinto nello stile di Claude Monet o l'insegnamento a un robot di cuocere i biscotti utilizzando i dati. Lo sviluppo delle auto a guida autonoma è anche citato come esempio di questo approccio, che fa ampio affidamento sulla potenza di calcolo e sulla disponibilità di grandi quantità di dati.

Secondo approccio per l'IA

Il secondo approccio per l'IA implica l'imitazione del modo in cui gli esseri umani ragionano, utilizzando concetti come connessione e causalità. Questo approccio sottolinea l'importanza critica dell'esperienza nel settore e della creazione di algoritmi in grado di applicare approssimazioni della conoscenza umana accumulata per risolvere i problemi. Gli algoritmi, noti anche come sistemi esperti, si basano tipicamente su calcoli basati su regole o probabilistici.

Il campo della conoscenza, che sostiene questo approccio, crede che i sistemi esperti siano essenziali per replicare il ragionamento e il processo decisionale umano nell'IA. Questi sistemi richiedono una profonda comprensione di un settore specifico per essere efficaci e utilizzano approssimazioni della conoscenza umana per risolvere i problemi.

Confronto tra il primo e il secondo approccio all'IA

Lo sviluppo dell'IA basata sui dati ha superato quello dell'IA basata sulla conoscenza a causa della complessità dei sistemi esperti basati su regole, che possono ostacolare la scalabilità. I sistemi basati sui dati, come quelli utilizzati nelle auto a guida autonoma e nelle grandi aziende tecnologiche per la collocazione di annunci, la messaggistica e i consigli, hanno visto significativi progressi. Nel campo della biologia, l'IA basata sui dati ha anche apportato importanti contributi alla risoluzione di problemi complessi.

La conoscenza del settore, tuttavia, potrebbe essere più cruciale nella valutazione dei problemi di rapporto segnale-rumore che si sviluppano con i big data quando si tratta della complessità della biologia umana e delle malattie. Per affrontare l'enorme complessità del corpo umano, è probabile che sia necessaria una combinazione di approcci guidati dai dati e guidati dalla conoscenza.

I requisiti dei videogiochi, che hanno fornito le forze commerciali che hanno stimolato l'innovazione computazionale, possono essere considerati la causa della rapida evoluzione delle tecniche di rete neurale. Una gara per migliorare la tecnologia è stata avviata dal requisito di realismo e reattività in tempo reale nei giochi. 

Andrew Ng è stato tra i primi a riconoscere e sfruttare la potenza delle GPU per aiutare le reti neurali a colmare il divario tra il cervello umano e i computer. Utilizzando rappresentazioni e manipolazioni di matrici ultra-veloci rese possibili dalle GPU, i computer potevano creare algoritmi che miglioravano automaticamente mentre elaboravano i dati. In altre parole, le GPU aiutano i computer ad apprendere ad apprendere.

Cos'è il Deep Learning?

Nel deep learning vengono utilizzate reti neurali artificiali molto più profonde e complesse rispetto alle reti precedenti. In passato, le reti neurali includevano spesso un singolo strato nascosto tra i dati di input e le previsioni che producevano. Le reti neurali profonde di oggi, tuttavia, potrebbero avere decine o persino centinaia di strati, ciascuno con funzioni non lineari.

La profondità di queste reti consente loro di rappresentare relazioni estremamente complesse tra i dati, poiché ogni strato può rilevare e analizzare diverse caratteristiche dei dati di input. Man mano che il numero di strati è aumentato, è aumentata anche la capacità. 

Come cambierà Centaur AI il gioco nella sanità? 

Il sistema Centaur AI è un arrangement ibrido che combina l'intelligenza umana e la potenza di calcolo per offrire il meglio di entrambi i mondi. È particolarmente utile in aree in cui le sfumature umane complesse sono un fattore significativo e la forza computazionale bruta non è sufficiente per risolvere i problemi in un sistema chiuso e completamente specificato come un gioco.

Centaur ha istituito una rete di esperti medici e studenti di oltre 140 nazioni. Questa rete opera principalmente sull'app iOS DiagnosUs, una piattaforma gamificata in cui i classificatori sviluppano le loro abilità e competono tra loro. Lo scopo del software è valutare le prestazioni dei classificatori e premiare i più accurati con ricompense finanziarie.

È significativo notare che Centaur raccoglie numerose prospettive su ogni istanza, con più opinioni acquisite sui casi più difficili. Successivamente, la piattaforma integra attentamente diverse prospettive per fornire classificazioni più accurate di quelle fornite da un singolo esperto. Il sito raccoglie oltre un milione di opinioni ogni settimana.

L'IA impara da milioni di esempi

Similmente agli esseri umani, l'IA impara per esempio; pertanto, l'addestramento di un algoritmo richiede dozzine o persino milioni di esempi. Tuttavia, i grandi dataset medici sono difficili da curare ed è praticamente impossibile trovare etichette appropriate da fonti con competenza medica rilevante e formazione specializzata. La piattaforma Centaur è progettata per crescere rapidamente fino a milioni di etichette e servire una vasta gamma di applicazioni mediche specializzate.