Deep machine learning помогает диагностировать рак

Искусы глубокого обучения. Что такое искусственный интеллект?

Разработанный под эгидой DARPA робот не справился с дверью. Источник: IEEE Spectrum / DARPA.

Судя по всему, искусственный интеллект становится неотъемлемой частью индустрии высоких технологий.

Мы постоянно слышим о том, как искусственный интеллект научился отвечать на письма в почтовом клиенте Gmail, учится управлять автомобилем и сортировать отпускные фотографии. Марк Цукерберг приступил к  созданию искусственного интеллекта, который будет помогать нам управляться по дому.

Проблема заключается в том, что само понятие «искусственного интеллекта» способствует завышенным ожиданиям. Людям проще представить мощные суперкомпьютеры, которые помогают нашим космическим кораблям бороздить просторы Вселенной, чем эффективные спам-фильтры.

Обратите внимание

Кроме того, людям свойственно обсуждать подробности и прогнозировать сроки гибели обречённого человечества от лап бездушного искусственного разума.

Созданию образа совершенного искусственного интеллекта, будто бы сошедшего с экранов научно-фантастических фильмов, во многом способствует деятельность информационно-технологических компаний, которые не перестают удивлять нас новыми моделями антропоморфных цифровых помощников.

К сожалению, подобные представления мешают осознать новые способности компьютеров и те возможности, благодаря которым они могут изменить окружающий мир. Исходя из этих стереотипов, мы объясним некоторые термины, описывающие наиболее утилитарные применения искусственного интеллекта.

В этой статье речь также пойдёт об ограничениях нынешних технологий и о том, почему нам пока не стоит волноваться о восстании роботов.

Итак, что же стоит за терминами «нейронная сеть», «машинное обучение» и «глубокое обучение»?

Эти три словосочетания у всех на слуху. Давайте рассмотрим их послойно — для упрощения восприятия. Нейронные сети находятся в самом основании этой пирамиды.

Они представляют собой особый тип компьютерной архитектуры, которая необходима для создания искусственного интеллекта. Следующий уровень — это машинное обучение, которое выступает в роли программного обеспечения для нейронных сетей.

Оно позволяет выстроить процесс обучения таким образом, чтобы машина искала нужные ответы в гигантских массивах данных.

Пирамиду венчает глубокое обучение, особый тип машинного обучения, обретший невероятную популярность за последнее десятилетие, — во многом благодаря двум новым возможностям: резко подешевевшей вычислительной мощности и безграничным информационным просторам, также известным как Интернет.

Истоки концепции нейронных сетей берут своё начало в пятидесятых годах прошлого века, когда исследование искусственного интеллекта оформилось в отдельную область научных изысканий.

В целом, структура нейронных сетей отдалённо напоминает строение человеческого мозга и представляет собой сеть узлов, выстроенных наподобие нейронных связей.

Важно

По отдельности эти узлы не представляют ничего выдающегося, они могут отвечать лишь на самые примитивные вопросы, но их совместная деятельность способна решить сложнейшие задачи.

Гораздо важнее, что при наличии правильных алгоритмов нейронные сети можно обучить!

КОМПЬЮТЕРАМ ВЫ ПРОСТО ГОВОРИТЕ, ЧТО НУЖНО СДЕЛАТЬ. С ПОМОЩЬЮ МАШИННОГО ОБУЧЕНИЯ ВЫ ПОКАЗЫВАЕТЕ, КАК ИМЕННО ЭТО НУЖНО СДЕЛАТЬ

Научить компьютер правильно воспринимать информацию из видеороликов является первоочередной и весьма нетривиальной задачей. За последние пару десятилетий человечество перепробовало множество способов обучения компьютеров.

К подобным методам относится «укрепляющее обучение», при котором компьютер получает своеобразное «вознаграждение» в случае правильного выполнения поставленной задачи и постепенно оптимизирует процесс генерации наилучшего решения.

Методика обучения может быть построена и на генетических алгоритмах, используемых для решения задач путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе.

Источник: https://22century.ru/popular-science-publications/deep-learning-ai-explained-machine-learning

Ученые будут диагностировать рак при помощи специального чипа

Российские научные сотрудники из института в Нижнем Новгороде выступили с заявлением о том, что они создали уникальный в своем роде чип. Данное электронное устройство, по словам специалистов из  онкологического центра им. Н.Н. Блохина и Медицинской академии Нижнего Новгорода, позволит произвести настоящий фурор в области диагностики раковых заболеваний.

Как заявляют медицинские эксперты, в данное время ученые занимаются тестированием, которое даст возможность оценить реальную эффективность сделанного изобретения.

Если удастся в итоге доказать, что чип в действительности способен на ранних стадиях проводить диагностику онкологических заболеваний, то планируется его активное использование в повседневной медицинской практике.

Если сотрудники Росздравнадзора примут решение о допуске новинки в лечебную практику, задействовано устройство будет уже с апреля текущего года.

Необходимо отметить, что диагностика опухолевых заболеваний на ранних стадиях наполовину обеспечивает успешное излечение от онкологии, потому как дает возможность врачам начать бороться с «плохими» клетками еще на ранних этапах развития, поэтому шансы пациента значительно повышаются. Лечение в подобном случае будет иметь больше эффекта, нежели в тех случаях, когда заболевание удается обнаружить лишь на поздних стадиях развития.

Медики заявили о том, что методы диагностики онкологии сегодня различаются, некоторые из них эффективны, тогда как другие – не очень, поэтому отличается и общая эффективность медицинских действий в отношении пациента.

В докладе сотрудников говорится о том, что новинка представляет собой микрочип, работа которого поставлена на основе иммуноцитохимии флуоресценции.

Совет

В период проведения тестов некоторые человеческие материалы должны быть подвержены указанной температуре, под воздействием которой онкологические клетки начинают взаимодействовать с антителами иммунитета человека.

Исходя из результатов реакции, можно получить вывод, существует ли в организме опухоль или ее нет, и на какой стадии развития находится злокачественное образование. Первое тестирование уже доказало эффективность инновационной разработки.

Ученые надеются на то, что изобретение в будущем снизит количество летальных исходов от онкологии, потому что врачам удастся распознавать заболевание на ранних стадиях развития.

В конечном итоге они научатся ставить диагнозы онкобольным на ранних этапах, давая им надежду на полное выздоровление.

Популярные статьи

770 Просмотров

Источник: http://ZoneMed.ru/uchenye-budut-diagnostirovat-rak-pri-pomoshhi-specialnogo-chipa/

Почему алгоритмы машинного обучения нужно защищать от хакеров

Перед руководителями коммерческих и общественных организаций появился новый вызов – разработать механизмы для защиты алгоритмов, которые все чаще используются для автоматизации процессов.

Читайте также:  Подросток написал искусственный интеллект, который пишет стихи

К такому выводу пришел ученый из Израиля, основатель инновационной компании SalesPredict Кира Радински (Kira Radinsky).

 Корреспондент Теплицы Наталья Баранова перевела статью эксперта о том, как технологии машинного обучения могут стать уязвимыми перед хакерскими атаками.

Исследователь Кира Радински занимается внедрением инновационных аналитических решений, основанных на искусственном интеллекте.

Также она анализирует данные и внедряет алгоритмы, которые используют информацию из Интернета для прогнозирования явлений.

Уже несколько лет Радински создает алгоритмы, которые предупреждают о политических бунтах, эпидемиях, болезнях и экономических событиях.

Уязвимые места не в ПО, а в данных

Кибербезопасность стала одной из важнейших проблем для коммерческих и общественных организаций. Компании инвестируют миллиарды долларов, чтобы защитить свои системы и обучить сотрудников «киберграмотности». К примеру, в 2015 году на эти нужды было потрачено 77 миллиардов долларов, по прогнозам, в 2020 году будет вложено уже 170 миллиардов.

В основном руководители хотят обеспечить защиту уязвимых мест в программном и аппаратном обеспечении. Но сегодняшние угрозы скрываются не только в этих местах. Так как организации все чаще работают на основе алгоритмов, то риски заложены именно в самих данных.

Рассмотрим пример с поисковой оптимизацией (SEO – Search Engine Optimization). Компании уже давно догадались, как был разработан алгоритм машинного обучения в поисковых системах, и теперь манипулируют содержимым своих веб-сайтов, чтобы повысить результаты в рейтинге поиска.

Обратите внимание

Отправители спама пытаются обмануть алгоритм спам-фильтрация: добавляют несвязанные слова или предложения, делают все, чтобы текст напоминал законный адрес электронной почты.

В итоге, если спам-сообщения, которые начинаются со слов «Привет» или «Как дела?», доходят до вашего ящика, значит, процесс написания слов был усложнен. Большинство из нас сталкивается с такими примерами каждый день.

В основном это раздражает: случайное нажатие по вредной ссылке, трата времени на удаление нескольких лишних писем в папке почтового ящика.

Слабые места

Такого рода мошенничество может иметь более серьезные последствия, чем надоедающие спам-сообщения. Мы живем в эпоху кредитных карт. Для выявления мошенничества создано и применяется множество подходов машинного обучения и других статистических методов. Но эти механизмы все равно подвергаются угрозам на протяжении многих лет.

Если злоумышленник знает, как обычно ведет себя покупатель, он может создать серию мошеннических покупок. Они будут незначительно отклоняться от нормы и даже не обнаружатся детектором аномалий. Например, злоумышленник может увидеть то, что раньше покупали в одном интернет-магазине, и купить продукцию с похожими ценами в другом.

Манипуляции с алгоритмами также могут повлиять на выборы. В официальном журнале Национальной академии наук США (PNAS) опубликовано исследование, в котором подробно описано, как манипуляция с поисковыми системами может повлиять на решение избирателей. Самый известный эксперимент был проведен с индийскими избирателями в разгар выборов в 2014 году.

Эксперимент показал, что предвзятое ранжирование поиска может резко изменить предпочтения не определившихся голосующих избирателей на 20 и более процентов. Интересно, что порядок, в котором кандидаты появляются в строке поиска, тоже оказал значительное влияние на восприятие электората.

У алгоритмов есть еще одна слабость. Известно, что данные, используемые для обучения алгоритма, и данные, к которым применяется алгоритм, генерируются одним способом (статистики называют это «выборкой из одного и того же распределения»). Но когда этот тезис ставится под сомнение, можно найти выход, чтобы обмануть алгоритм.

Такое нападение было совершено на биометрические системы. У большинства систем есть специальное программное обеспечение для распознавания лиц, которое обновляется вместе с изменением возраста человека.

Это позволяет приспособить профили клиентов к естественным переменам.

Но злоумышленник может использовать эту адаптивность по-другому: он может представить сенсору поддельные биометрические признаки и постепенно обновлять профиль до тех пор, пока он и вовсе не будет заменен другим. В итоге человек может выдавать себя за другого.

Алгоритмы нужно защищать

Мы все больше и больше используем интеллектуальные устройства и внедряем алгоритмы машинного обучения в свою жизнь: от автомобилей до телефонов, считывателей кредитных карт, разных носимых с собой устройств. Значит, мы все сильнее нуждаемся в защите алгоритмов, которые могут спасти устройства от «статистического взлома» или «состязательного машинного обучения».

Алгоритмы искусственного интеллекта и машинного обучения постепенно начинают управлять всем: общественным мнением, принятием решений в бизнесе и даже тем, сколько шагов вы делаете каждый день.

Нужно задуматься: а насколько безопасны алгоритмы, которые я использую? И что я могу сделать, чтобы сделать их более безопасными?

Источник: https://te-st.ru/2017/03/21/why-machine-learning-algorithms-need-to-be-protected-from-hackers/

Введение в машинное обучение: люди и изобретения, способствовавшие его зарождению и развитию

Когда видишь заголовки статей о машинном обучении, кажется, что человечество только что сделало важное открытие. На самом деле, эта технология почти так же стара, как и необходимость в вычислениях. Этот материал — введение в машинное обучение. Вы узнаете, как оно зародилось и развивалось. Это поможет вам лучше понять, что это за технология.

Закладка фундамента в области машинного обучения (1642—1936 гг)

Без этих мыслителей и мастеров не появились бы вычислительные машины, а тем более машинное обучение.

1642 г. Юноша из Франции создает первый механический калькулятор. Его изобрел в 19 лет Блез Паскаль, чтобы облегчить работу отцу — сборщику налогов. Она может складывать, вычитать, умножать и делить.

Читайте также:  Компьютер стал членом совета директоров одной гонконгской компании

Суммирующая машина «Паскалина»

1679 г. Появляется современная двоичная система счисления. Немецкий математик, философ и языковед Готфрид Вильгельм Лейбниц разработал двоичную систему счисления, которая стала основой современных вычислительных машин.

1770 г. Появляется первый шахматный автомат, который дурачил Европу десятки лет. Механическое устройство под названием «Турок», которое обмануло самого Наполеона. Внутри прятался сильный шахматист и управлял шахматным автоматом.

Со стороны казалось, что это чудо-машина, которая наделена разумом. Обман раскрылся только в 1857 году, когда последний владелец устройства показал, где прятался человек и как он управлял «Турком». Сегодня шахматная программа — уже не обман, а реальность.

И заслуга в этом принадлежит машинному обучению.

«Турок» на гравюре современника. 1789 г

1834 г. «Отец компьютера» придумывает программируемую вычислительную машину. Чарлз Бэббидж начинает проектировать аналитическую машину. Он так и не успел ее построить. Тем не менее его задумка стала основой архитектуры современных компьютеров.

1842 г. Алгоритм Ады Лавлейс делает ее первым программистом в истории. В 27 лет Ада создала последовательность операций для решения математических задач на аналитической машине Чарлза Бэббиджа. В ее честь Министерство обороны США назвала язык программирования для встроенных систем.

1847 г. Элементарная алгебра определяет работу процессоров за сто лет до их изобретения. Математик и логик Джордж Буль создал раздел алгебры, в котором все значения сводятся к одному из двух понятий: истина (true) или ложь (false). В современных компьютерах алгебра логики помогает процессору решить, как обрабатывать данные.

1927 г. Искусственный интеллект дебютировал на экране. Фриц Ланг снимает немой научно-фантастический художественный фильм «Метрополис», в котором знакомит зрителя с идеей разумной машины. Лже-Мария, один из персонажей фильма, стала первым роботом, запечатленном на кинопленке.

1936 г. Алан Тьюринг придумывает абстрактную вычислительную машину (машину Тьюринга). Вдохновленный протекающими в человеке процессами при решении задач, английский математик, логик и криптограф Алан Тьюринг представил процесс, как машина может расшифровывать и исполнять инструкции. Этот труд вошел в основу информатики.

От задумки к воплощению машинного обучения (1943—1999 гг)

Эта часть введения в машинное обучение посвящена предметам, которые за полвека из фантастики превратились в реальность.

1943 г. Биологическая нейронная сеть представляется как электрическая цепь. В этом году была сформулирована теория того, как работают нейроны. Для иллюстрации нейронные сети изобразили в виде электрической цепи. В 1950-х годах ученые из области информатики стали применять эту теорию в своих работах.

1952 г. Компьютер научился самосовершенствоваться в игре «Шашки». Первопроходец в машинном обучении Артур Сэмюэл создал программу, которая помогала компьютеру IBM играть в шашки с каждой партией все лучше и лучше. Ученые из области машинного обучения часто используют настольные игры, потому что они понятные и комплексные.

1959 г. Искусственная нейронная сеть научилась удалять помехи во время телефонных разговоров. Искусственная нейронная сеть представляет собой подобие нервной системы человека.

Первая нейронная сеть, которую использовали для решения реальной проблемы, стала MADALINE. Она с помощью адаптивного фильтра удаляла эхо-сигналы на телефонных линиях.

Эта нейронная сеть используется по сей день.

1968 г. Кубрик задает высокую планку для искусственного интеллекта 2001 года.

Когда Стэнли Кубрик снимал «Космическую одиссею 2001 года», то консультировался с Марвином Ли Минским, сооснователем Лаборатории искусственного интеллекта в Массачусетском технологическом институте.

Он спросил его, возможно ли, что к 2001 году появятся компьютеры, обладающие интеллектом, как у человека, и способные различать эмоции. Минский ответил, что это возможно.

1979 г. Стэнфордская тележка катится медленно, но верно.

Важно

В 1960 году студент Стэнфордского университета Джеймс Адамс решил избавиться от проблем, которые возникают при управлении луноходом с Земли.

Для этого он оснастил тележку камерой и дистанционным управлением. Спустя двадцать лет стэнфордская тележка смогла передвигаться по комнате с препятствиями (не задевая их) без участия человека.

Стэнфордская тележка

1985 г. NETtalk научилась выговаривать слова. Эта нейронная сеть, разработанная Терри Сейновски и Чарльзом Розенбергом, за неделю научилась правильно произносить 20 000 слов. Первые слова звучали как тарабарщина, но с тренировкой ее речь стала более ясной и похожей на человеческую.

1997 г. Deep Blue побеждает чемпиона мира по шахматам. Когда шахматный компьютер Deep Blue, разработанный компанией IBM, обыграл Гарри Каспарова, это был первый случай, когда компьютер оказался в шахматах лучше человека.

Deep Blue

1999 г. Компьютерная диагностика выявляет рак лучше докторов. Компьютеры не могут излечить от рака, но могут его диагностировать. Рабочая система в САПР, разработанная Чикагским университетом, отсканировала 22 000 маммограмм и обнаружила рак на 52% точнее радиологов.

Современное машинное обучение (2006—2017 гг)

В этой части введения в машинное обучение рассказывается, как машинное обучение вышло из лабораторий и стало проникать в нашу жизнь через разные отрасли.

2006 г. Изучение нейронной сети перерастает в «глубокое обучение». Когда нейронные сети вышли из лабораторий и стали применяться в жизни, специалист в области информатики Джеффри Хинтон переименовал изучение нейронных сетей в глубокое обучение. Сегодня влиятельные лица интернета используют этот метод, чтобы улучшить программы по распознаванию голоса и разметки изображений.

2009 г. BellKor’s Pragmatic Chaos выигрывает 1 млн. долларов в конкурсе от Netflix. В 2006 году Netflix предложила 1 млн. долларов тому, кто улучшит алгоритмы рекомендательной системы Cinematch.

Читайте также:  Прогнозирование исходов соревнований - sgranks.com

Эта система предлагает клиентам новые фильмы, основываясь на их мнении о просмотренных ранее кинолентах. Победитель определился только через три года. Им оказалась команда BellKor’s Pragmatic Chaos. Улучшить алгоритмы сумела и команда Ensemble.

Однако она отправила результаты на 20 минут позже команды BellKor’s Pragmatic Chaos, поэтому и не выиграла.

2011 г. Суперкомпьютер IBM Watson побеждает в телевикторине Jeopardy (российский аналог — Своя игра). IBM Watson удалось обыграть двух самых сильных участников телевикторины. В планах у IBM развить эту технологию, чтобы она могла стать автоматизированным ассистентом врача и помогала в диагностировании и лечении болезней.

Источник: http://blog.skillfactory.ru/nauka-o-dannyh-data-science/vvedenie-v-mashinnoe-obuchenie/

Искусственный интеллект помогает диагностировать рак

Ученые из Калифорнийского университета Лос-Анджелеса разработали методику неинвазивного изучения образцов крови и диагностики рака

Для того, чтобы определить наличие специальных клеток, маркеров рака, нужно проводить сложные анализы. Довольно часто медики используют химические препараты, делающие хорошо видимыми раковые клетки. Это неплохой метод, но подобный образец можно использовать только один раз, после чего его изучение становится невозможным.

Есть и другие технологии, среди которых выделяется метод анализа структуры клеток тканей. Обычно структура раковых клеток отличается от структуры обычных, здоровых клеток, поэтому и становится возможной диагностика рака.

Но здесь требуется много времени на подготовку клеток, плюс сам способ нельзя назвать достаточно точным.

А что если использовать возможности искусственного интеллекта для диагностики раковых заболеваний? Именно это и решили сделать ученые из Калифорнийского университета Лос-Анджелеса.

Специалисты решили, что когнитивная система сможет определить наличие или отсутствие раковых клеток быстрее человека, и сделано это будет с более высокой точностью. Результаты работы опубликованы в авторитетном издании — журнале Scientific Reports.

У разработанной учеными методики есть два существенных отличия от методов, которые применяются повсеместно. Первое — использование фотонного микроскопа нового типа. Второе — работа с искусственным интеллектом, который анализирует весь полученный массив данных.

Что касается микроскопа, здесь используются наносекундные лазерные импульсы для фиксирования изображений сотен тысяч клеток крови в секунду. Обычные технологии не позволяют анализировать более 2000 клеток в секунду с использованием проточного цитометра и стандартных цифровых камер.

Совет

При более плотном потоке клеток изображения получаются смазанными, изучение таких снимков невозможно. Специалисты из Калифорнийского университета разработали технологию неинвазивного получения изображений с использованием АЦП (аналогово-цифрового преобразователя).

Лазерные импульсы высвечивают отдельные клетки, изображение которых получается довольно четким, без «замыливания». При этом, как и говорилось выше, анализируются сотни тысяч клеток в секунду.

Схема анализа крови, разработанная учеными

Полученные снимки затем «скармливаются» специально созданному ПО — алгоритму, который анализирует данные по 16 различным критериям: оценка диаметра, степени поглощения излучения, округлости и других параметров клеток. Для того, чтобы обнаружить раковые клетки, в среднем необходимо проанализировать около 100 тысяч обычных клеток.

При стандартной методике на это уходит довольно много времени (напомним, что пропускная способность стандартной методики — 2 тысячи клеток в секунду, плюс работают с отснятым материалом люди). Разработанная же в США технология позволяет анализировать сотни тысяч клеток в секунду.

Соответственно, и точность диагностики выше, а время, требуемое на проведение диагностики, ниже, чем обычно.

Изначально специалисты обучили созданное ПО распознавать именно раковые клетки. После проведения пробных испытаний выяснилось, что точность диагностики с использованием фотонного микроскопа и искусственного интеллекта на 17% выше точности всех прочих методов анализа.

Стоит отметить, что когнитивные системы уже довольно давно используются для борьбы с раковыми заболеваниями. К примеру, IBM Watson помогает медикам в рамках программы Watson for Oncology. При этом активный блок системы уже не занимает целую комнату, размер блока теперь равен примерно трем коробкам пиццы, поставленным друг на друга.

Watson задаёт вопросы и делает предположения, используя данные последних медицинских исследований в области онкологии, плюс используется информация из медицинской карточки пациента и текущие симптомы. В результате каждый пациент получает индивидуальный подход – ведь одно и то же заболевание, даже самое простое и безобидное, у разных людей протекает по-разному.

Что говорить о такой сложной проблеме, как рак.

Обратите внимание

Cистема способна анализировать огромные массивы данных (причем это неструктурированные данные), «раскладывать по папкам» и делать объективные выводы. При этом Watson изучает новейшие данные по конкретному заболеванию или группе заболеваний.

Обычный врач просто не может изучить всю необходимую информацию. В лучшем случае речь идет о нескольких тематических статьях по результатам исследований.

IBM Watson может структурировать огромные массивы данных за считанные секунды, параллельно изучая результаты исследований по конкретной тематике за последние пару лет.

Уже сейчас в проекте Watson for Oncology принимает участие ряд медицинских центров и больниц. Это, к примеру, Международная больница Бумрунград (Таиланд), Нью-Йоркский центр по исследованию генома человека и другие организации.

Эксперты считают, что в ближайшем будущем когнитивные системы помогут человечеству более эффективно бороться с различными заболеваниями (не только раковыми).

IBM Watson, как и говорилось выше, способен эффективно анализировать огромные массивы информации, выявляя не слишком четкие связи между отдельными элементами.

Это позволяет изучать особенности организма каждого пациента с дальнейшей реализацией индивидуального лечения, что значительно повышает вероятность успешного выздоровления.

Источник: https://se7en.ws/iskusstvennyy-intellekt-pomogaet-di/

Ссылка на основную публикацию
Adblock
detector