Centaur AI объединяет человеческий опыт с машинным обучением для инноваций в здравоохранении

Краткое содержание

• Centaur AI объединяет мощь машин ИИ с человеческим интеллектом, чтобы максимизировать сильные стороны обоих.
• Существуют два дополняющих друг друга подхода к ИИ: основанный на данных и основанный на знаниях.
• Centaur AI — это гибридная структура, которая объединяет человеческий интеллект и вычислительную мощность для решения сложных проблем в здравоохранении.

Здравоохранение получит огромную выгоду по мере развития и совершенствования технологий ИИ. Применение ИИ в здравоохранении уже показало различные преимущества, включая повышенную точность диагностики, более индивидуализированные схемы лечения и более высокие навыки прогнозирования.

Centaur AI относится к комбинации мощности машин ИИ и человеческого интеллекта. Этот подход рассматривается как способ максимизации сильных сторон как ИИ, так и медицинских работников. С Centaur AI машины могут помогать в таких задачах, как диагностика и планирование лечения, в то время как медицинские работники могут предоставлять необходимый контекст и интерпретацию для принятия обоснованных решений.

Подходы ИИ для оптимизации бэкэнд-функционирования

Существует два различных, но дополняющих друг друга подхода к ИИ.

Первый подход к ИИ

Первый подход к ИИ описывается как опирающийся на веру в то, что при наличии достаточных данных и вычислительной мощности можно создавать сложные модели для выполнения сложных задач, даже тех, которые обычно выполняются людьми. Этот подход подчеркивает, что экспертные знания в области могут не быть необходимыми, и что одних только данных и вычислительной мощности достаточно для решения проблем.

Примерами этого подхода являются обучение компьютера создавать картины в стиле Клода Моне или обучение робота печь печенье с использованием данных. Развитие беспилотных автомобилей также упоминается как пример этого подхода, который сильно опирается на вычислительную мощность и наличие больших объемов данных.

Второй подход к ИИ

Второй подход к ИИ включает имитацию того, как люди рассуждают, используя такие концепции, как связь и причинность. Этот подход подчеркивает критическую важность экспертных знаний в области и создания алгоритмов, которые могут применять аппроксимации накопленных человеческих знаний для решения проблем. Алгоритмы, также известные как экспертные системы, обычно опираются на расчеты на основе правил или вероятностные вычисления.

Лагерь знаний, поддерживающий этот подход, считает, что экспертные системы необходимы для репликации человеческого рассуждения и принятия решений в ИИ. Эти системы требуют глубокого понимания конкретной области для эффективности и используют аппроксимации человеческих знаний для решения проблем.

Сравнение первого и второго подходов к ИИ

Разработка ИИ, основанного на данных, опередила развитие ИИ, основанного на знаниях, из-за сложности экспертных систем на основе правил, которые могут препятствовать масштабируемости. Системы на основе данных, такие как те, которые используются в беспилотных автомобилях и крупных технологических компаниях для размещения рекламы, обмена сообщениями и рекомендаций, достигли значительных успехов. В области биологии ИИ, основанный на данных, также внес важный вклад в решение сложных проблем.

Однако знания в области могут быть более важными при оценке проблем соотношения сигнал/шум, возникающих с большими данными, когда речь идет о сложности человеческой биологии и болезней. Чтобы справиться с огромной сложностью человеческого тела, вероятно, потребуется комбинация подходов, основанных на данных и основанных на знаниях.

Требования компьютерных игр, которые обеспечили коммерческие силы, стимулировавшие вычислительные инновации, можно обвинить в быстром развитии техник нейронных сетей. Гонка за улучшение технологий началась из-за требования реализма и отзывчивости в реальном времени в играх. 

Эндрю Нг был одним из первых, кто признал и использовал мощь графических процессоров (GPU) для помощи нейронным сетям в преодолении разрыва между человеческим мозгом и компьютерами. Используя сверхбыстрые матричные представления и манипуляции, возможные благодаря GPU, компьютеры могли создавать алгоритмы, которые автоматически улучшались по мере обработки данных. Другими словами, GPU помогают компьютерам учиться учиться.

Что такое глубокое обучение?

В глубоком обучении используются искусственные нейронные сети, которые намного глубже и сложнее, чем более ранние сети. В прошлом нейронные сети часто включали один скрытый слой между входными данными и предсказаниями, которые они производили. Современные глубокие нейронные сети, однако, могут иметь десятки или даже сотни слоев, каждый с нелинейными функциями.

Глубина этих сетей позволяет им представлять чрезвычайно сложные отношения среди данных, поскольку каждый слой может обнаруживать и анализировать различные характеристики входных данных. По мере увеличения количества слоев увеличивалась и емкость. 

Как Centaur AI изменит игру в здравоохранении? 

Система Centaur AI — это гибридная структура, которая объединяет человеческий интеллект и вычислительную мощность, чтобы предоставить лучшее из обоих миров. Она особенно полезна в областях, где сложные человеческие нюансы являются значительным фактором, и грубой вычислительной силы недостаточно для решения проблем в замкнутой, полностью определенной системе, такой как игра.

Centaur создал сеть медицинских экспертов и студентов из более чем 140 стран. Эта сеть в основном работает на iOS-приложении DiagnosUs, геймифицированной платформе, где метчики (labelers) развивают свои навыки и соревнуются друг с другом. Цель программного обеспечения — оценивать производительность метчиков и награждать самых точных из них финансовыми вознаграждениями.

Важно отметить, что Centaur собирает множество мнений по каждому случаю, причем больше мнений собирается по более сложным случаям. После этого платформа тщательно интегрирует различные точки зрения, чтобы предоставить классификации, более точные, чем те, которые предоставляет один эксперт. Сайт собирает более миллиона мнений каждую неделю.

ИИ обучается на миллионах примеров

Подобно людям, ИИ обучается на примерах; следовательно, обучение алгоритма требует десятков или даже миллионов примеров. Однако большие медицинские наборы данных сложно курировать, и практически невозможно найти соответствующие метки из источников с релевантным медицинским опытом и специализированной подготовкой. Платформа Centaur предназначена для быстрого роста до миллионов меток и обслуживания широкого спектра специализированных медицинских приложений.