Bez względu na to, czym zajmuje się sztuczna inteligencja, naukowcy, którzy ją zaprojektowali, prawdopodobnie nie wiedzą dokładnie, jak to zrobić, ponieważ sztucznej inteligencji często uczy się samouczek, bazując na zestawie prostych instrukcji tworzenia unikalnego zestawu strategii. Oni pracują. Jak więc maszyna się uczy?

Machine Learning istnieje wiele sposobów tworzenia samodzielnych programów. Wszystkie jednak opierają się na trzech podstawowych typach uczenia maszynowego: uczeniu się bez nadzoru, uczeniu się pod nadzorem i uczeniu się przez wzmacnianie.

Aby zobaczyć to w praktyce, wyobraźmy sobie, że badacze próbują wydobyć informacje ze zbioru danych medycznych zawierającego tysiące profili pacjentów.

Po pierwsze, nauka bez obserwatora. Takie podejście byłoby idealne do analizy wszystkich profili w celu znalezienia podobieństw i cennych wzorców. Niektórzy pacjenci mogą mieć podobne objawy lub określone leczenie może powodować kilka konkretnych skutków ubocznych. To podejście polegające na przeszukiwaniu całego modelu pozwala zidentyfikować podobieństwa między profilami pacjentów i znaleźć wyłaniające się wzorce bez udziału człowieka.

Załóżmy, że lekarze szukają bardziej szczegółowych informacji. Lekarze ci chcą opracować algorytm diagnozowania konkretnego schorzenia. Gromadzą dwa zestawy danych: obrazy medyczne i wyniki testów zarówno od zdrowych pacjentów, jak i pacjentów z tą konkretną chorobą.

Następnie wprowadzają te informacje do programu mającego na celu identyfikację cech pacjentów chorych, a nie zdrowych.

Program przypisuje wartości tym cechom diagnostycznym i tworzy algorytm diagnozowania przyszłych pacjentów na podstawie tego, ile razy te specyficzne cechy zostaną zaobserwowane.

Jednak w przeciwieństwie do uczenia się bez nadzoru lekarze i informatycy odgrywają aktywną rolę w przyszłych wydarzeniach. Lekarze postawią ostateczną diagnozę i sprawdzą dokładność przewidywań algorytmu. Naukowcy mogą następnie wykorzystać zaktualizowany zbiór danych do dostosowania parametrów programu i poprawy dokładności.

Teraz lekarze planują zaprojektować kolejny algorytm aby zalecić programy leczenia. Ponieważ programy te przebiegają w kilku etapach i mogą się różnić w zależności od indywidualnej reakcji na leczenie, lekarze decydują się na zastosowanie uczenia się przez wzmacnianie. Program wykorzystuje iteracyjne podejście do zbierania informacji zwrotnych na temat najskuteczniejszych leków, dawek i metod leczenia.

Następnie porównuje dane z profilem każdego pacjenta, aby stworzyć konkretny i optymalny plan leczenia.

W miarę postępu leczenia i otrzymywania przez program coraz większej liczby informacji zwrotnych można na bieżąco aktualizować harmonogram dla każdego pacjenta. Żadna z tych trzech technik nie jest z natury bardziej inteligentna od pozostałych. Chociaż niektóre w mniejszym lub większym stopniu wymagają interwencji człowieka, wszystkie mają swoje mocne i słabe strony, które czynią je bardziej odpowiednimi do określonych zadań.

Naukowcy mogą jednak budować zaawansowane systemy sztucznej inteligencji z oddzielnymi programami, które mogą monitorować i szkolić się nawzajem, korzystając z nich razem. Na przykład, gdy nasz program uczenia się bez nadzoru wykryje podobne grupy pacjentów, może wysłać te dane do programu uczenia się nadzorowanego. Program może następnie uwzględnić te informacje w swoich prognozach. A może dziesiątki programów uczenia się przez wzmacnianie mogą symulować potencjalne wyniki pacjentów, aby zebrać opinie na temat różnych planów leczenia.

Istnieje niezliczona ilość sposobów tworzenia systemów uczenia maszynowego i być może najbardziej obiecującymi modelami są te, które naśladują relacje między neuronami w mózgu.

Te sztuczne sieci neuronowe mogą wykorzystywać miliony połączeń do radzenia sobie ze złożonymi zadaniami, takimi jak rozpoznawanie obrazów, rozpoznawanie mowy, a nawet tłumaczenie języków.

Naukowcy szukają obecnie sposobów na zwiększenie przejrzystości uczenia maszynowego. Jednak im bardziej samodzielne stają się te modele, tym trudniej będzie informatykom dowiedzieć się, jak działają te samouczące się algorytmy. Jednak w miarę jak sztuczna inteligencja staje się coraz bardziej zaangażowana w nasze codzienne życie, te tajemnicze decyzje mają coraz większy wpływ na naszą pracę, zdrowie i bezpieczeństwo. Ponieważ maszyny nadal uczą się studiować, negocjować i komunikować, musimy zastanowić się, w jaki sposób uczyć się nawzajem moralności.

Względy etyczne

Opieka zdrowotna to jeden z wiodących obszarów sztucznej inteligencji. Sztuczna inteligencja potrafi oceniać duże ilości danych, analizować informacje gromadzone przez lata i odkrywać ukryte powiązania między nimi. Jednakże zastosowanie sztucznej inteligencji w tym obszarze wiąże się również z wyzwaniami. Na przykład błędy lub zakłócenia w transmisji danych mogą spowolnić produkcję leków lub utrudnić prawidłowe diagnozowanie i zapobieganie chorobom.

Ponadto kwestia prywatności oraz niewłaściwego wykorzystywania danych i informacji o zdrowiu ludzi przez różne grupy, w tym firmy ubezpieczeniowe i reklamowe, wywołała falę obaw w tym zakresie.

Stosowanie inteligentnych systemów stwarza także ryzyko, że lekarz uzna się za niezależnego od pacjenta i będzie zachowywał ogromne dystanse. Innymi słowy, zamiast skupiać się na indywidualnym pacjencie, należy uczynić chorobę przedmiotem swoich badań.

W rezultacie doświadczenia i objawy pacjenta, cierpienie egzystencjalne i psychiczne oraz odczucia związane z diagnozą i procesem leczenia nie będą już mieć znaczenia.

Medycyna jest stażem człowieka, w którym niezbędna jest ludzka relacja pomiędzy opiekunem a głównym opiekunem. Pojawienie się technologii medycznej w tym stażu postawiło medycynę przed kryzysem jakości opieki.

Dlatego też eksperci medycyny, humanistyki, zdrowia, filozofii medycyny, etyki itp. napisali na ten temat liczne artykuły i książki oraz przestrzegli przed niebezpieczeństwami związanymi ze stosowaniem inteligentnych systemów w stażach medycznych.

Pobierz zerowe motywy WordPressPobierz bezpłatne motywy WordPress PremiumBezpłatne pobieranie motywów WordPressPobierz motywy WordPressdarmowy kurs on-linepobierz oprogramowanie mobilnePobieranie premium motywów WordPresskurs Lyndy do pobrania za darmo