센토어 AI는 의료 혁신을 위해 인간의 전문성과 머신러닝을 결합합니다

TL;DR 요약

• 센토어 AI는 AI 기계의 힘과 인간의 지성을 결합하여 두 가지 강점을 극대화합니다.
• AI를 위한 두 가지 보완적인 접근 방식은 데이터 기반과 지식 기반입니다.
• 센토어 AI는 복잡한 의료 문제를 해결하기 위해 인간 지성과 컴퓨팅 파워를 결합한 하이브리드 arrangement입니다.

의료 분야는 AI 기술이 발전하고 진보함에 따라 큰 혜택을 얻을 것입니다. 의료 분야에서의 AI 적용은 이미 진단 정확도 향상, 더 개인화된 치료 요법, 더 높은 예측 능력 등 다양한 이점을 보여주었습니다.

센토어 AI는 AI 기계의 힘과 인간의 지성을 결합한 것을 의미합니다. 이 접근 방식은 AI와 인간 의료 전문가 모두의 강점을 극대화하는 방법으로 간주됩니다. 센토어 AI를 통해 기계는 진단 및 치료 계획 수립과 같은 작업을 지원할 수 있으며, 인간 의료 전문가는 정보에 기반한 결정을 내리기 위해 필요한 맥락과 해석을 제공할 수 있습니다.

백엔드 기능 최적화를 위한 AI 접근 방식

AI를 위한 두 가지 서로 다르지만 보완적인 접근 방식이 있습니다.

AI를 위한 첫 번째 접근 방식

AI의 첫 번째 접근 방식은 충분한 데이터와 컴퓨팅 파워가 주어진다면, 일반적으로 인간이 수행하는 과제를 포함한 복잡한 작업을 수행할 수 있는 복잡한 모델을 생성할 수 있다는 믿음에 의존한다고 설명됩니다. 이 접근 방식은 도메인 전문성이 필수적이지 않으며, 데이터와 컴퓨팅 파워만으로 문제를 해결할 수 있음을 강조합니다.

이 접근 방식의 예로는 클로드 모네 스타일의 그림을 생성하도록 컴퓨터를 훈련시키거나 데이터를 사용하여 쿠키를 굽는 법을 로봇에게 가르치는 것이 포함됩니다. 자율주행차의 개발도 이 접근 방식의 예로 언급되며, 이는 컴퓨팅 파워와 대량의 데이터 가용성에 크게 의존합니다.

AI를 위한 두 번째 접근 방식

AI의 두 번째 접근 방식은 연결성과 인과성 같은 개념을 사용하여 인간이 추론하는 방식을 모방하는 것입니다. 이 접근 방식은 도메인 전문성의 중요성과 축적된 인간 지식의 근사치를 적용하여 문제를 해결할 수 있는 알고리즘을 구축하는 데 중점을 둡니다. 전문가 시스템이라고도 하는 이러한 알고리즘은 일반적으로 규칙 기반 또는 확률적 계산을 의존합니다.

이 접근 방식을 지지하는 지식 진영은 전문가 시스템이 AI에서 인간 추론과 의사결정을 복제하는 데 필수적이라고 믿습니다. 이러한 시스템은 효과적이기 위해 특정 도메인에 대한 깊은 이해가 필요하며, 문제를 해결하기 위해 인간 지식의 근사치를 사용합니다.

AI에 대한 첫 번째와 두 번째 접근 방식 비교

규칙 기반 전문가 시스템의 복잡성으로 인해 확장성이 방해받을 수 있어, 데이터 기반 AI의 개발이 지식 기반 AI를 앞질렀습니다. 자율주행차와 대형 기술 회사들이 광고 배치, 메시징 및 추천에 사용하는 데이터 기반 시스템은 상당한 진전을 보였습니다. 생물학 분야에서도 데이터 기반 AI는 복잡한 문제 해결에 중요한 기여를 해왔습니다.

그러나 인간의 생물학과 질병의 복잡성 측면에서 빅데이터가 발생시키는 신호 대 잡음비 문제를 평가할 때는 도메인 지식이 더 중요할 수 있습니다. 인간의 거대한 복잡성을 다루기 위해서는 데이터 기반과 지식 기반 접근 방식의 조합이 필요할 가능성이 높습니다.

컴퓨팅 혁신을 촉진한 상업적 힘을 제공한 컴퓨터 게임의 요구사항은 신경망 기술의 빠른 진화의 원인으로 지목될 수 있습니다. 게임에서의 현실감과 실시간 반응성에 대한 요구는 기술 향상을 위한 경주를 시작했습니다. 

앤드류 응은 신경망이 인간 뇌와 컴퓨터 사이의 격차를 메우는 데 도움이 되는 GPU의 힘을 인식하고 활용하는 선구자 중 한 명이었습니다. GPU가 가능하게 한 초고속 행렬 표현 및 조작을 사용하여 컴퓨터는 데이터를 처리하면서 자동으로 개선되는 알고리즘을 생성할 수 있었습니다. 즉, GPU는 컴퓨터가 학습하는 방법을 배우도록 도와줍니다.

딥러닝이란 무엇인가?

딥러닝은 이전 네트워크보다 훨씬 더 깊고 복잡한 인공 신경망을 사용합니다. 과거에는 신경망이 입력 데이터와 그들이 생성하는 예측 사이에 단일 은닉층을 포함하는 경우가 많았습니다. 그러나 오늘날의 딥 신경망은 비선형 함수를 가진 수십 개 또는 심지어 수백 개의 층을 가질 수 있습니다.

이러한 네트워크의 깊이는 각 레이어가 입력 데이터의 서로 다른 특징을 감지하고 분석할 수 있기 때문에 데이터 간의 매우 복잡한 관계를 표현할 수 있게 해줍니다. 레이어의 수가 증가함에 따라 그 용량도 함께 증가했습니다. 

센타우르 AI는 의료 업계의 판도를 어떻게 바꿀 것인가? 

센타우르 AI 시스템은 인간의 지능과 컴퓨팅 파워를 결합한 하이브리드 방식으로, 두 세계의 장점을 모두 제공합니다. 이는 복잡한 인간의 뉘앙스가 중요한 요소이며, 게임과 같은 폐쇄적이고 완전히 지정된 시스템에서 문제를 해결하기 위해 무작위의 컴퓨팅 힘만으로는 부족할 수 있는 영역에서 특히 유용합니다.

센타우르는 140개 이상의 국가에서 온 의료 전문가와 학생들로 구성된 네트워크를 구축했습니다. 이 네트워크는 주로 iOS 앱인 DiagnosUs에서 작동하며, 이는 게이미피케이션된 플랫폼으로 라벨러들이 자신의 능력을 개발하고 서로 경쟁할 수 있게 합니다. 이 소프트웨어의 목적은 라벨러의 성능을 평가하고 가장 정확한 라벨러에게 금전적 보상을 제공하는 것입니다.

중요한 점은 센타우르가 각 사례에 대해 다양한 관점을 수집하며, 특히 더 어려운 사례일수록 더 많은 의견이 수집된다는 것입니다. 그런 다음 플랫폼은 서로 다른 관점을 신중하게 통합하여 단일 전문가가 제공하는 것보다 더 정확한 분류를 제공합니다. 이 사이트는 매주 백만 개 이상의 의견을 수집합니다.

AI는 수백만 개의 예시를 통해 학습합니다

인간과 마찬가지로 AI는 예시를 통해 학습하므로 알고리즘을 훈련하려면 수십 개에서 수백만 개의 예시가 필요합니다. 그러나 대규모 의료 데이터셋을 큐레이션하는 것은 어렵고, 관련 의료 전문 지식과 특수 교육을 갖춘 소스에서 적절한 라벨을 찾는 것은 사실상 불가능합니다. 센타우르 플랫폼은 수백만 개의 라벨로 빠르게 성장하고 다양한 전문 의료 애플리케이션을 지원하도록 설계되었습니다.