Искусственный интеллект с интуицией dms сможет оказать помощь людям

Интуиция и искусственный интеллект

Контрольная работа

по философии

ТЕМА: Интуиция и искусственный интеллект

План

Введение

1. Природа интуиции

2. Прогноз и предсказание

3. Искусственный интеллект

Заключение

Литература

Введение

Мерцающими крупинками рассыпались по Земле человеческие души. Каждая из них подчинена неумолимому голосу рока, каждая из них одинока и борется за выживание самостоятельно. Но самой природой заложен в человеческой сути механизм, который нас всех объединяет и подсказывает нам как выжить – это шестое чувство интуиция.

Выбранная тема об интуиции и искусственном интеллекте представляется очень интересной. О многих вещах можно говорить много и с особенным удовольствием. Обращает на себя внимание и тот факт, что на эту тему издаются целые книги, а это говорит об ее актуальности.

Действительно, ведь еще недавно об искусственном интеллекте мы могли в большей мере фантазировать. А сегодня почти у каждого имеется персональный компьютер. Прогресс в кибернетике движется с невероятной скоростью.

Обратите внимание

Информация превратилась в глобальный, в принципе неистощимый ресурс человечества. Мало того изменилось человеческое мировидение, мироощущение, а по большему счету мировоззрение.

Современный человек уже не представляет себя без техники, электроники и прочих “чудо” технологий, он становится настоящим рабом вещей.

Задавая определений темп и ритм контрольной работе я хочу подойти к раскрытию темы с различных точек зрения.

В соответствии с разработанным планом первая глава будет полностью посвящена человеку и его психологическим особенностям.

Затем мною будет затронут, на мой взгляд, интересный вопрос о возможности прогнозировать и предсказывать. И наконец, в последней части можно будет по рассуждать и об искусственном разуме.

Учитывая, что философия позволяет нам оставлять вопросы открытыми, поэтому в большей мере позволю себе высказывать как можно больше собственных мыслей и суждений. Хотя и пренебрегать прочтением трудов философов, психологов, социологов и других гуманитариев не следует. Особенно мне помогли при написании работы труды Р.Ф. Абдеева, О.Н. Тихомирова, М. Шлика, Б. Страуда и других авторов.

Ученик должен быть как губка, его целью является впитать в себя знания, а наступит момент, он должен поделится ими с окружающими.

1. Природа интуиции

Интуиция слово латинское и переводится как пристальное всматривание, философское понятие, выражающее способность постижения истины путем прямого ее усмотрения без доказательств. В психологии интуиция определяется как непосредственное отражение связей между предметами и явлениями реального мира. Здесь она имеет две формы:

) еще не осознаваемое примитивное мышление, осуществляемое на основе каузального рефлекса, свойственное и высшим животным;

) мышление, уже ставшее неосознаваемым, осуществляемое на основе высокоавтоматизированных умственных навыков, обобщенных в результате большого опыта в области их проявления.

Важно

Определяя интуицию как высшую форму каузального рефлекса, наука, вероятно, отнесла интуицию к врожденным способностям, своеобразному инстинкту. Правильное понимание психологической сущности интуиции важно как для формирования принятия решений и для психологии управления в целом, так и для психологии искусства.

Хотим мы того или нет, наш мозг тщательно обрабатывает, сопоставляет и синтезирует всю поступающую информацию. Он “автоматически” определяет, какая информация полезна, необходима организму для совершения наиболее адекватного для определенных условий действенного акта.

Она служит основой для решения трех основных вопросов всякого поведенческого акта: что делать, как делать и когда делать. Каждый из этих вопросов представляет собой определенный целенаправленный выбор, т.е. исключение избыточной свободы, являющихся неизбежным следствием анатомической и физиологической композиции организма. Синтез должен предшествовать принятию решения.

Всякий поведенческий акт выбора есть “творческий акт”. В состав синтеза входят различные информационные составляющие.

Информация как бы “взвешиваться” на весах этого господствующего или доминирующего мотивационного состояния, происходит “оттеснение” с помощью тормозного процесса всей той информации, которая не имеет конструктивной связи ни в прошлом опыте, ни в наличной ситуации с той мотивацией, которая занимает в данный момент организм. Только здесь необходимо разграничить информацию, которая нашла свое разрешение и та которая требует окончательного решения.

Можно привести простой пример задайте кому-нибудь вопрос: “Назовите еще два русских женских имени, чтобы в конце и начале его не было букв “А” и “Я”, например Любовь”. Запустится механизм, который помогает нам решать кроссворды, различные головоломки. И человек не сможет избавиться от возникшей задачи пока ее не разрешит.

Решая поставленные задачи человек, может, совершено неожиданно, предложить оригинальное решение. Тот толчок, который побудил его к этому можно смело назвать интуицией. Иногда эти задачи бывают экстремальными и времени на обдумывание просто нет. Мозг, производит “примерку” одного процесса к другим до тех пор, пока не сформируется решение и не сложится модель ожидаемых результатов.

Всю эту работу мозга выполняют два важнейших фактора, способствующих облегчению взаимодействий между даже весьма удаленными нервными элементами: ориентировочно-исследовательская реакция и центробежное активирующее и тормозящее влияние как на промежуточные этапы, и на чувствительность периферических рецепторных аппаратов. Следует только удивляться скорости и силе жизненных токов.

Позволю привести такую цитату из книги О.К. Тихомирова: “Механизм сопоставления интегрированных признаков будущих результатов с сигналами о реально полученных результатах наделен еще одним важным дополнением, именно – эмоциональным компонентом удовлетворенности или неудовлетворенности.

Совет

Этот фактор является дополнительным стимулом к поиску новых, более адекватных цели программ афферентного действия.

Считается, что такая связь механизмов оценки конечного результата в поведенческих актах с эмоциональным аппаратом является весьма прогрессивным ицелесообразным приобретением в широком биологическом плане”.

Итак, если о текущей обстановке, о том, что есть сейчас, мозг живого существа получает информацию через органы чувств, то отображение или наметку того, во что должна обратиться эта обстановка, в соответствии с потребностью животного, мозг создает сам, в своих еще во многом неизведанных недрах. Науке еще не близко до того, чтобы уяснить, каким кодом и в каких формах записываются в мозгу эти отображения или мозговые модели потребного будущего, но и их реальность, и их значение хотя активности живого существа не вызывают никаких сомнений.

В науке до сих пор не утихает спор, имеет ли место интуиция, сопоставима ли она с другими чувствами. На мой взгляд, именно интуиция позволяет соединить сразу несколько свойств материи и энергии.

Реальность и сюрреальность, инстинкт и искусство, научное и псевдонаучное, интуиция создает неисчислимое количество вариаций.

В том, что люди именуют реальностью, им представляется “данным” нечто стабильное, контактное, инвариантное, быть может, единственно надежное, остающееся в качестве истины в сердцевине всякого неясного и неопределенного, определяющее для всякой познавательной культуры.

Реальность есть имя, с которым связана проблема обозначения – оно лишь обозначает главное направление рассмотрения. Обозначения и значения реальности вплетены в смену культурных значений, знаков и символов, в изменчивую по природе феноменальную реальность.

Сама реальность требует глубинного восприятия: “Когда мы репрезентируем объект, конструкция или интерпретация возникают не в результате отражения, а в результате производства. Решающим фактором для понимания природы репрезентации является понимание перспективы, перспективности репрезентации”.

Обратите внимание

Здесь нам и помогает интуиция достигнуть необходимого уровня восприятия, что называется удержать картинку окружающего мира и дать субъективную оценку ему. Одним словом почувствовать комфорт и уют в окружающей нас обстановке.

Но самое интересное свойство интуиции это “догадывание”. Каждый из нас почти с полной уверенностью может сказать, что существует множественность миров и мы интуитивно чувствуем связь с ними.

И это вывод мы можем сделать познавая объективный мир, и невидимые миры становятся реальностью – в соответствия с познавательными контекстами.

Хотя бы исходя из примера, что все говорят на разных языках: безусловно, мир существует не только в одном варианте.

В этом же контексте можно рассуждать о вере в Бога. Миллионы людей живут с полной убежденностью в его существовании. Хотя вполне можно утверждать, что его никто не видел. Что как не интуиция создает нам эту веру.

2. Прогноз и предсказание

Мы часто повторяем – “Я знал, что так и будет”; “Это можно было предвидеть” и т.п. На самом ли деле это так, есть ли какая-нибудь возможность предсказать будущие события?

Вот мнение по этому поводу австрийского философа М. Шлика: Чтобы сориентироваться в окружении и приспособить свой действия к событиям, человек должен в какой-то степени уметь предвидеть события. Для этого он использует универсальные предложения и может использовать их только в том случае, если то, что предсказывается, случается на самом деле.

Эта характеристика познания применима и к науке: единственное отличие состоит в том, что наука не служит более задачам жизни и научное знание не ищется с целью его практического использования. Когда предсказание подтверждено, цель науки достигнута: радость познания есть радость верификации, ощущение триумфа, если догадка оказывается верной”.

История человечества знает очень много случаев свершившихся прогнозов.

К интуитивным методам прогнозирования наука относит экспертные методы, которые основаны на использовании опыта, интуиции специалистов в соответствующей области знаний (экспертов) для получения прогнозной информации.

Из методов индивидуальных экспертных оценок в прогнозировании наиболее часто применяются такие их разновидности, как интервью и аналитические экспертные оценки. Метод интервью предполагает беседу организатора прогнозирования с экспертом по заранее подготовленной программе.

Перед экспертом ставятся вопросы относительно перспектив развития прогнозируемого объекта. Успех такой оценки в решающей степени зависит от способности эксперта давать квалифицированные ответы на достаточно сложные, требующие глубокого осмысления вопросы в условиях ограниченного времени.

Важно

В этом заключается один из серьезных недостатков метода, поскольку далеко не каждый эксперт способен на плодотворную работу в таких условиях.

Вместе с тем там, где не требуется высокая точность прогноза, а результаты необходимо получить в кратчайшие сроки, этот метод может оказаться незаменимым.

Источник: http://diplomba.ru/work/115714

Искусственный интеллект помогает диспетчерам скорой помощи спасать жизни

При остановке сердца вне больницы время имеет решающее значение – вероятность выживания снижается примерно на 10% с каждой минутой. Первый шаг к спасению – правильная диагностика. И это вызов для диспетчеров экстренной помощи по телефону, которые должны распознать состояние пациента, полагаясь на чувства друга или родственника пострадавшего.

Начиная с 2016 года диспетчеры в Копенгагене получают помощь в уточнении диагноза от искусственного интеллекта по имени Corti. Он распознает речь и расшифровывает разговор. Для анализа слов и фоновых звуков используется машинное обучение. Диспетчер получает от бота предупреждение об остановке сердца в режиме реального времени.

Хорошо обученные диспетчеры экстренной помощи в Копенгагене могут распознать остановку сердца из описаний по телефону примерно в 73% случаев. Но искусственный интеллект делает это лучше. В небольшом раннем исследовании модель машинного обучения распознала звонки с сообщениями об остановке сердца в 95% случаях.

Как и другие технологии машинного обучения, искусственный интеллект Corti не предназначен для поиска каких-либо конкретных сигналов.

Вместо этого он “тренируется”, слушая звуки из огромного набора вызовов для определения важных факторов, а затем постоянно улучшает свою модель по мере работы.

Невербальные звуки часто важны, и технология должна иметь возможность сортировать фоновый шум, например сирены или крики, чтобы идентифицировать подсказки.

При первых испытаниях технологии на номер экстренной службы обратилась женщина, и сообщила, что её муж упал с крыши своего дома. Диспетчер по описанию распознал перелом спины, и давал указания о том, что делать до прибытия скорой помощи. Но Corti зафиксировала, что инцидент не в переломе спины, а в остановке сердца.

Совет

Corti распознала в фоновых шумах, что пациент задыхается по причине остановки сердца. Искусственный интеллект узнал образец фонового шума полученного ранее. Оказалось, что человек упал с крыши из-за остановки сердца. Поскольку в то время платформа тестировалась, она не отправляла оповещения диспетчеру.

Человек не получил своевременную помощь, и к моменту прибытия машины скорой помощи, было уже слишком поздно.

С более точным диагнозом диспетчер может обучить кого-то по телефону оказать первую помощь. Можно предположить, что некоторые города могут использовать эту технологию для отправки беспилотных летательных аппаратов с автоматическими дефибрилляторами, которые могут прибыть на место быстрее, чем бригада скорой помощи.

Читайте также:  Судебные приставы привлекли искусственный интеллект для поиска должников

Помимо признаков остановки сердца, искусственный интеллект также пытается устранять другие ошибки во время прослушивания разговора. Например, удостовериться, что диспетчер уточнил адрес, и скорая помощь прибудет к нужное место. Эта технология является примером того, как искусственный интеллект может дополнять, а не заменять людей.

Источник: https://worldiot.ru/2018/01/iskusstvennyj-intellekt-pomogaet-dispetcheram-skoroj-pomoshhi-spasat-zhizni/

Где искусственный интеллект уже помогает человечеству?

Многие мировые гении предупреждают об опасности огромного развития технологий и искусственного интеллекта.

Также многие обеспокоены тем, что работы со временем могут вытеснить людей на рабочих местах, а впоследствии и в других сферах жизнедеятельности … Неплохой сценарий для апокалиптического ужаса? И все же многие эксперты советуют критически оценивать мощь искусственного разума и прежде всего не забывать, что его авторы — люди.

Искусственный интеллект непременно будет полезным человечеству, если его правильно и эффективно использовать. Один из авторов издания Venture Beаt называет 4 версии, как искусственный интеллект может помочь отложить конец света, более того — сделать мир лучше, и отнюдь не ускорить его падение.

Искусственный интеллект сделает людей … честнее

Люди, разрабатывая технологии нейронных сетей, фактически внедряют для ИИ правила игры. Логично, что эти правила игры соответствуют определенным стандартам, которые люди и должны соблюдать. Иными словами, ИИ будет держать людей в их же стандартах и правилах, нарушать которые будет сложнее, учитывая то, что уйти от информации, которую имеет ИИ — невозможно.

Искусственный интеллект поможет избавиться предубеждений и стереотипов

Из-за человеческого фактора, необъективного отношения, предвзятых суждений и стереотипности часто происходят несправедливые вещи: вынесение решений суда, неравноправная защита граждан и др.

Многие ученые утверждают, что сверхмощный ИИ, который сможет принимать взвешенные справедливые решения в суде, полиции, других учреждениях, и при этом не испытывать влияния предубеждений, имеет право на существование.

Искусственный интеллект сохранит окружающую среду

Этот аспект развития ИИ поражает разнообразием мероприятий … Здесь можно вспомнить и электротранспорт, что уменьшает выбросы вредных веществ, и многочисленные программы, которые могут точно предсказать угрозу для окружающей среды. В конце концов, инновационные технологии уже помогли защитить немало животных, вот к примеру дроны с ИИ находили браконьеров, охотившихся на слонов и носорогов в Африке.

Искусственный интеллект защитит … нас

ИИ может спасти нас от нас самих; в частности, предотвратить войны, многочисленные аварии и ДТП, ускорить оказание медицинской помощи, находить потерянных детей и взрослых. Ученые убеждены, что ИИ потенциально может быть супер-интеллектуальным, и без всяких человеческих пороков.

Только представим: улучшенные технологии в медицине, которые могут проявлять болезни задолго до того, как они перейдут в опасную фазу, беспилотные электромобили на сверхсовременных дорогах, где нет пробок и грязных выбросов, интернет вещей и многочисленные устройства, облегчающие немало задач … Когда человечество в шаге от того, что когда-то можно было видеть только в фантастических фильмах, излишне говорить об угрозе со стороны технологий. Важнее, пожалуй, то, что технологическая автоматизация и инновационная робототехника могут вызвать большой прогресс во многих областях.

Источник: https://itcrumbs.ru/gde-iskusstvennyj-intellekt-uzhe-pomogaet-chelovechestvu_24484

Слоны в посудной лавке или искусственный интеллект на службе ИТ-поддержки

Оригинал The Three Elephants in the “AI for IT support” Living Room, автор Стивен Манн (Stephen Mann)

Некоторым людям не нравится искусственный интеллект (AI — artificial intelligence). Возможно, они выросли на фильмах о «Терминаторе» и сталкивались со Скайнетом и покушением на уничтожение человечества машинами.

Или они переживают, что технологии могут отрицательно сказаться на том, что в данный момент является неотъемлемо «человеческим» и это повлечёт либо потерю чего-то, либо снижение квалификации и отрицательно скажется на результате (или всё это вместе).

Когда мы смотрим на возможность применения искусственного интеллекта службой ИТ-поддержки, мы видим, что, по всей вероятности, в этой комнате есть «слон». Что-то, что необходимо обсудить начистоту. Что-то такое, что если оставить недосказанным, сделает принятие возможностей искусственного интеллекта гораздо более сложным, чем оно должно быть – и, по всей видимости, не оптимальным.

На самом деле, в этой комнате есть, по крайней мере, три слона, которых нужно внимательно рассмотреть: три слона, с которыми нужно либо комфортно разместиться и взаимодействовать, либо вежливо выпроводить из помещения. Три, которые сразу приходят на ум:

  • Поставщик услуг с точки зрения человека – «Искусственный интеллект украдёт наши рабочие места (в службе поддержки)».
  • Потребитель сервисов с точки зрения человека – «Люди хотят, чтобы им помогали другие люди, а не технологии».
  • Технологии в сравнении с человеком – «Технологии никогда не смогут понять обстоятельства и потребности других людей».
  1. Украдёт ли искусственный интеллект рабочие места у специалистов службы поддержки?

Посмотрите на этот вопрос в контексте искусственного интеллекта и самообслуживания. Не как «или-или», поскольку эти области пересекаются. Но взгляните на использование искусственного интеллекта с точки зрения того, что в ИТ-отрасли на сегодняшний день сделано с применением самообслуживания. Такое представление более «понятное» для служб поддержки, вследствие чего об этом проще говорить.

Был ли какой-либо переполох вокруг того, что самообслуживание лишит работы специалистов службы поддержки? Нет.

Обратите внимание

Фактически, ИТ-самообслуживание последнее десятилетие и даже больше рассматривалось как спасение для перегруженных работой, находящихся под постоянным давлением служб ИТ-поддержки.

И если вы считаете, что ценность искусственного интеллекта для организаций ИТ-поддержки, например, в этом:

  • Заявки могут миновать сервис деск, тем самым снимая нагрузку со специалистов (специалисты службы поддержки могут заняться более полезными вещами)
  • Конечные пользователи / заказчики решат свои вопросы быстро и квалифицированно и самостоятельно
  • Операционные расходы могут быть сокращены или бюджеты переориентированы на предоставление дополнительных услуг
  • Более глубокое понимание проблем, возможностей и эффективности работы.

То вы легко ошибётесь, думая, что это те положительные моменты, которые может привнести самообслуживание.

Итак, почему проблема потери рабочих мест связывается с искусственным интеллектом, а не с самообслуживанием? Правда в том, что СМИ постоянно поднимают шумиху на тему того, что искусственный интеллект отнимает работу у людей практически оптовыми партиями, но почему-то не упоминают о том, что сотрудники поддержки не только не видят в искусственном интеллекте угрозы, но наоборот, очень позитивно к нему относятся. Об этом свидетельствуют исследования Service Desk Institute (SDI) и ITSM.tools, а также специальные опросы на мероприятиях. Результаты опросов говорят о том, что возможная помощь искусственного интеллекта сотрудникам службы поддержки превышает возможную угрозу для рынка труда в этой сфере.

  1. Люди предпочитают, чтобы им помогали люди?

Опять же, давайте использовать самообслуживание в качестве зеркала возможностей искусственного интеллекта, например, использование чатботов и виртуальных помощников. Особенно это очевидно, если вы считаете, что чатботы — следующая ступень эволюции самообслуживания, высшая, нежели чат.

На сегодняшний день, самообслуживание находится на высокой стадии внедрения с точки зрения технологий, но при этом редко пользуется успехом у конечных пользователей. Всего лишь небольшая часть организаций смогли добиться ожидаемого возврата инвестиций в этой области.

Но кто может обвинять людей в том, что они избегают плохо представленных возможностей ИТ-самообслуживания, которые, делают жизнь сложнее, а не легче? Что же нужно, чтобы облегчить жизнь людям:

  1. понимать возможные пути решения и знать, чем некоторые варианты лучше других (для них, а не только для организации)
  2. уметь легко находить, получать доступ и использовать выбранную ими помощь/услугу
  3. убедиться, что выбранный вариант проще и выгоднее использовать, чем тот, которого они придерживались раньше, например, телефон
  4. иметь выбор, который подходит для разных сценариев.

Люди в конечном итоге выбирают то, что проще для них в разных сценариях. Если «нечеловеческий» (ИИ) выбор предлагает более низкий уровень обслуживания, они будут продолжать выбирать «человеческий».

Просто взгляните на множество доступных опций и сценариев, доступных потребителям – какой вариант вы выберете, обращаясь за помощью в Amazon? Самообслуживание? E-mail? Чат? Телефонный звонок? В конечном счёте, выберете то, больше всего подходит вам, в данной ситуации и при данных обстоятельствах. Но для другого человека это могут быть другие варианты.

Суть в том, что люди предпочитают обращаться за помощью к другим людям, пока у них не появится положительный опыт использования других способов получения поддержки. Будь то самообслуживание или чатбот. Люди будут придерживаться того, в чём уверены, до тех пор, пока не узнают и не убедятся в том, что есть способ делать это лучше и по-другому.

  1. Могут ли технологии учиться и использоваться наравне с людьми?

Начнем с выражения «так же, как и люди». Оно предполагает, что все люди могут и всегда предоставляют одинаковый (отличный) уровень сервиса. Все люди имеют схожие знания, навыки и опыт, а также правильное отношение и понимание того, как клиенты хотят, чтобы им помогли. Например, вникая в ситуацию клиента и проявляя сочувствие и эмпатию, когда это необходимо.

При этом нужно учесть, что люди устают, могут быть фрустрированы «ситуациями» на работе или в личной жизни или просто «отключились». Люди не роботы, и опыт поддержки, по всей видимости, может быть различным в разных командах, у разных.

Также люди по своей природе предвзяты – мы используем шаблоны, имеем собственное мнение, которое не обязательно основано на фактах. Мы обобщаем, разделяем и, возможно, строим неправильные предположения.

Иногда такие «умственные сокращения» могут быть полезными, но они также могут нанести вред клиенту или ситуации в целом.

Например, мы по умолчанию считаем, что проблемы с принтером обычно «могут подождать» – при этом принтер в конкретном случаем является важной частью бизнес-операции.

Технологии последовательны и работают с фактами, а не предрассудками (при этом вполне возможно, что человеческие предрассудки могут повлиять на некоторые из исходных «знаний», используемых искусственным интеллектом). Искусственный интеллект самообучается.

И это касается не только механических процедур, «поместить таблицу А в слот Б», он также учится распознавать эмоции, то есть то, как воспринимает клиент их взаимодействие.

Важно

При этом искусственный интеллект может приспосабливаться к ситуации, меняя свое поведение, либо переключать клиента на сотрудника службы поддержки, если это будет необходимо (будем надеяться, что всё-таки раньше, чем это уже будет необходимо).

Итак, правда ли, что «человеческая» поддержка самая предпочтительная для заказчиков? Так оно есть и так оно будет, но только до тех пор, пока технологии не смогут оказывать поддержку лучше.

Как и в случае самообслуживания, необходимо пройти переломный момент, когда технологии станет быстрее и проще использовать, и накопится достаточный опыт.

В конечном счете, они не должны повторять человека во всём, чтобы стать предпочтительным способом получения сервиса и поддержки – они для того, чтобы более полно соответствовать всему спектру потребностей клиентов.

Согласны ли вы с этим или нет? Каких ещё слонов в комнате с искусственным интеллектом вы видите? Пожалуйста, напишите в комментариях.

Источник: https://realitsm.ru/2017/09/slony-v-posudnoj-lavke-ili-iskusstvennyj-intellekt-na-sluzhbe-it-podderzhki/

Темная сторона искусственного интеллекта

Никто не знает как работают самые современные алгоритмы, какими критериями они руководствуются при принятии решений. Это незнание может быть проблемой. Более того: не всегда формализированные правила позволяют принять лучшее решение. Иногда опыт и интуиция нужнее.

Человек, предотвративший ядерную войну

В ночь на 26 сентября 1983 года подполковник Станислав Петров услышал команду запуска ядерных ракет с американской военной базы. Согласно инструкции, Петров должен был поставить в известность руководство страны, чтобы то нанесло ответный удар.

Однако проанализировав дополнительные факторы (псевдо-запуски были произведены только с одной установки), Петров посчитал, что произошло ложное срабатывание системы и оказался прав.

Позже Станислав Петров стал известен как “человек, который предотвратил ядерную войну” и получил несколько зарубежных наград за этот случай.

Это как раз тот пример, когда не знания и четкое следование инструкции, а интуиция человека в буквальном смысле спасла мир от катастрофы.

Как учить искусственный интеллект

В последние годы много беспилотных автомобилей появлялось на дорогах американских городов. Одно из таких авто — экспериментальный автомобиль, разработанный исследователями из компании Nvidia. С одной стороны, он не отличается от других автономных автомобилей.

Читайте также:  Эмуляция функций человеческого мозга

Но в то же время это авто лучше других показало растущую мощь искусственного интеллекта. Автомобиль не следовал ни единой инструкции, предоставленной инженером или программистом.

Вместо этого он полагался полностью на алгоритм, созданный им самим в результате наблюдения за тем, как человек водит автомобиль.

Можно сказать, что беспилотная машина от Nvidia – это первая в своем роде машина, научившаяся ездить исключительно по примеру человека.

Это впечатляющее достижение для искусственного интеллекта и серьезный шаг для самообучающихся алгоритмов. Однако осознание таких возможностей алгоритмов немного пугает.

Ведь если машина руководствуется не четко определенными алгоритмами, сформулированными человеком, а собственными правилами и критериями, то нам не совсем понятно как именно она принимает свои решения.

Информация от датчиков автомобиля поступает прямо в огромную сеть искусственных нейронов, которые обрабатывают данные, а затем получают команды, необходимые для работы рулевого колеса, тормозной и других систем.

Совет

В целом, поведение беспилотного авто практически не отличается от ситуации, если бы им руководил человек. Но что если в один прекрасный день алгоритм сделает что-то неожиданное, что повлечет за собой серьезные последствия, например, врежется в дерево или не тронется с места на зеленый свет?

Система настолько сложна, что даже разработавшие её инженеры не могут предугадать все её действия.

Иными словами, нет очевидного способа создать такую систему, которая бы всегда могла объяснить, почему она сделала то, что она сделала и не сделала что-то другое.

 То, как работает такой автомобиль, демонстрирует важную проблему искусственного интеллекта: отсутствие понимания принципов его работы.

Основная технология искусственного интеллекта, известная как глубинное обучение, активно и успешно использовалась в последние годы для решения целого ряда проблем.

Среди них — создание субтитров для фильмов, распознавание голоса, машинный перевод.

 Эти же методы глубинного обучения со временем смогут диагностировать смертельные болезни, вести торговлю акциями и зарабатывать на этом миллионы долларов.

Но этого не произойдет (или не должно произойти), если мы не найдем способ сделать глубинное обучение более понятным их создателям и подотчетным пользователям. В противном случае будет трудно угадать ситуации, когда может случиться сбой. Это одна из причин, по которой инновационный автомобиль Nvidia — пока только эксперимент.

Обратите внимание

Уже сегодня математические модели используются для решения вполне утилитарных задач, например, чтобы определить кто получит условно-досрочное освобождение, кому дадут кредит и кого возьмут на работу. Если бы вы могли получить доступ к этим алгоритмам, вы бы могли понять их способ мышления, их критерии принятия решений. Но пока глубинное обучение не позволяет этого сделать.

Тем не менее, необходимость понимания схемы работы алгоритмов озвучивается уже на законодательном уровне.

Более того, есть мнения о том, что возможность допросить систему искусственного интеллекта о достижении конкретных выводов является фундаментальным юридическим правом.

Начиная с лета 2018 года, Европейский союз готовится потребовать от компаний, использующих ИИ, предоставление объяснений насчет работы искусственного интеллекта и принятия решений.

Тем не менее, это требование может быть очень сложным для реализации и даже для очень простых сайтов, например, тех, которые используют глубокое обучение для показа рекламы или рекомендации песен.

Мы, люди, не всегда можем по-настоящему объяснить наши мыслительные процессы, но мы находим способы интуитивно доверять и понимать других людей.

Будет ли это также возможно с машинами, которые думают и принимают решения иначе, чем люди? Мы никогда раньше не строили машины, которые работают так, что их создатели их не понимают.

Насколько хорошо мы можем рассчитывать на понимание машин и алгоритмов, которые могут быть непредсказуемыми и непостижимыми?

Нейронные сети: четкий алгоритм или самообучение?

С самого начала развития искусственного интеллекта существовало два мнения о том, насколько понятным или объяснимым он должен быть. Одно мнение состояло в том, что нужно создавать машины, которые рассуждали бы по правилам и логике, а их внутренняя работа должна быть прозрачной для любого, кто может понять язык программирования.

Другие считали, что интеллект будет легче проявляться, если бы машины работали так, как человек: учились, наблюдали и переживали. В этом случае код для управления искусственным интеллектом создает не программист, а сама программа генерирует свой собственный алгоритм на основе данных примера и желаемого результата.

Важно

В этом лежит суть самообучающихся алгоритмов: в них машина, по сути, сама программирует себя. Именно так работает глубинное обучение. И именно этот второй подход стал главной причиной взрывного роста возможностей искусственного интеллекта. Глубинное обучение трансформировало компьютерное зрение и значительно улучшило машинный перевод.

В настоящее время оно используется для принятия всех видов ключевых решений в медицине, финансах, производстве.

Но определенной платой за это стала непрозрачность таких систем. Так как отказаться от глубинного обучения сегодня нельзя, это означает затормозить развитие искусственного интеллекта, и в будущем ИИ будет оставаться условным “черным ящиком”.

Вы не можете просто заглянуть внутрь нейронной сети, чтобы увидеть, как она работает.

Аргументация такой сети (критерии принятия ею решений, критерии выбора вариантов) встроена в поведение тысяч смоделированных нейронов, расположенных в десятках или даже сотнях сложно взаимосвязанных слоев. Количество взаимодействий этих нейронов просто огромно.

И чем сложнее задача, которая решается с помощью ИИ, тем сложнее понять используемую при этом нейронную сеть. В какой-то момент такое понимание становится просто нереальным.

Научить человечности

Эксперты видят два возможных варианта развития сферы искусственного интеллекта. Более простой – на начальных этапах не допускать искусственный интеллект и нейронные сети к принятию важных решений, решений с серьезными последствиями, например, полностью самостоятельная постановка диагноза или построение военных маневров.

Но не стоит забывать, что и люди не всегда руководствуются исключительно инструкциями и четкими правилами. Мы знаем очень много примеров, когда человек действовал вопреки инструкции и оказывался прав.

В описанном в начале статьи случае со Станиславом Петровым можно было сформулировать критерии, по которым подполковник принял судьбоносное решение. На самом деле, есть множество примеров того, как необъяснимая и неизмеримая интуиция оказывается точнее даже самых четко прописанных инструкций и объяснимых причин для действий.

Совет

Многие аспекты человеческого поведения невозможно объяснить в деталях. Не исключено, что это станет со временем нормой и для искусственного интеллекта.

 Тогда нам придется просто научиться доверять искусственному интеллекту, предварительно обучив его социальным нормам и правилам этики.

Подобно тому, как общество построено на основании договора ожидаемого поведения, человечеству придется научить искусственный интеллект уважать наши социальные нормы.

Если мы создаем умные машины для убийства, – роботизированные танки и самонаводящиеся пушки — то нам важно, чтобы они принимали решения в соответствии с нашими этическими суждениями. Иными словами, машину нужно будет научить человечности. Тогда можно будет попробовать доверять ее критериям.

Источник: https://uip.me/2017/06/ai-darkside/

Данные для искусственного интеллекта

В прошлом году был опубликован отчет американских специалистов, в котором экспертная группа учёных, изучив ситуацию в здравоохранении и имеющийся опыт применения искусственного интеллекта (ИИ) пришла к выводу, что применение новых технологий в медицине перспективно и эффективно. Но существует ряд проблем, которые вызывают опасения у экспертов.

Они назвали в числе таких проблем огромный объем данных, качество которых оставляет желать лучшего. IT- системы в медицине генерируют большое количество данных, и важно обеспечить их интеграцию и совмещение друг с другом. Третьей проблемой на сегодня является доступность этой информации.

Электронные карты и информация, находящаяся в них, должны быть объективными и достоверными.

Британские эксперты призвали IT-сообщество более ответственно подойти к подготовке данных. Качество потоков данных влияет на точность алгоритмов машинного обучения, а в конечном виде на результат. Давайте разберемся, как качество данных влияет на результативность применения искусственного интеллекта.

Работа над созданием искусственного интеллекта с компьютерного анализа специально собранных данных, на котором машина сама выявляет закономерности, на основе собранной информации пишет алгоритмы. Эти алгоритмы и становятся основой для работы всей системы в перспективе.

Машинное обучение может осуществляться по-разному. Три способа возможны для создания алгоритмов: программу может обучать учитель, можно обучать с подкреплением, и самообучение.

Изучая опыт работы различных коллективов, бизнес операций и технические аспекты, эксперты советуют стартапам и отдельным программистам, работающим в сегменте медицины, применять метод обучения «с учителем». Обосновывают эксперты свое мнение тем, что в этом методе используются подобранные базы данных.

Обратите внимание

Данные подобраны таким образом, что правильные зависимости уже установлены. Параметры настроены так, чтобы погрешности полученного результата были минимальны. При этом способе обучения обучающаяся программа способна соотнести вводные данные и истинный ответ, что позволяет ей установить истинную взаимосвязь между ответом и сходными данными.

Предположим, мы имеем набор рентгенологических снимков, на которых выделены патологические области. Заключения врачей закодированы. Это база данных используемая для машинного заключения. На основе этих данных программа предлагает несколько моделей, разработчику остается выбрать ту, которая отвечает требованиям, например по верности предположений.

Кроме простоты этот метод отличают небольшие финансовые затраты. Необходимо оплатить работу небольшой команды программистов, предоставить им базу медицинской информации, состоящую из заведомо правильных вопросов-ответов, поставить сроки выполнения проекта. В противном случае для реализации проекта в команде должны быть медики.

Данные надо будет собирать и вносить. На этот этап уходят месяцы работы.

Не надо забывать, что на результат работы сильное влияние оказывает качество входных данных. Обучение программы строится на анализе этих данных, и не зависит от алгоритмов и техники. Как говорится, что посеешь, то и пожнешь.

Какими должны быть качественные входные данные? Необходимо провести определенное, достаточное количество измерений, охватываемое все возможные случаи. Необходимо следить, чтобы данные вводились без ошибок, корректно. Информация должна иметь цифровой формат. Данные должны поступать своевременно и связанно. Что же это значит?

Достаточное количество и максимальный охват точек

Необходимо представить все возможные комбинации состояний, параметров и измерений физиологических показателей здоровья. Если, например, исследуется влияние количества канцерогенного вещества на здоровье организма, то необходимо собрать и представить максимальное количество комбинаций этого параметра и сотней других физиологических параметров.

Данные нужно представить в статистически значимом количестве. Если исследуется система, состоящая из врачей-специалистов, то число персон для выборки должно отражать масштабность исследования. Для сто тысячного количества врачей терапевтов в стране, исследование, опирающееся на пятьсот специалистов, будет не достоверным.

Для успешного процесса машинного обучения необходимы сотни тысяч, а лучше миллионы оцифрованных результатов исследований. Только такое количество может обеспечить создание надежной, достоверной системы ИИ.

Под оцифрованными результатами исследований понимают изображения с разметкой, медицинские протоколы, истории болезней, ЭМК, аппаратный мониторинг физиологических параметров. Что будет, если такого количества данных просто нет? В этом случае высоки риски создания неверных алгоритмов, и, как следствия, незрелой системы ИИ. Такие системы выпускать на рынок безответственно.

Эксперты проанализировали точность систем, показавших хороший результат, которые использовали огромный объем данных.

Так, система ИИ, задачей которой ставился прогноз для пациента, попавшего в больницу, должна была вынести вердикт, выбирая из трех возможных вариантов: положительного (выписка), негативного (уход из жизни), промежуточного (еще одна госпитализация). А вторая попутная задача: спрогнозировать окончательный диагноз.

Разработчики взяли сорок шесть миллиардов реальных комбинаций, оцифрованных и хранящихся в архивах. И только такое гигантское количество данных позволили добиться высокой точности, недостижимой другими аналогичными системами.

Важно

Откуда брать такой объем качественных достоверных данных? Компания-разработчик обратилась в медицинские Центры при Калифорнийском Университете (Сан-Франциско) и Чикагском местных Университетах. Сбор данных оказался трудным делом. Во-первых, обработка большого количества информации требует времени. Во-вторых, расшифровка почерка докторов не всегда возможна.

Компания IBM рассказала, что создавая систему Watson, они загрузили более шестисот тысяч документов и двадцать пять тысяч оцифрованных историй болезней.

Чтобы заполучить миллиарды снимков пациентов, холдинг приобрел медицинскую компанию. А доступ к полсотни миллионов электронных медицинских карт стоил IBM покупки небольшой развивающейся телемедицинской компании.

Читайте также:  Искусственные нейронные сети. основные термины и общие понятия

После этого два года нейронные сети обрабатывали закономерности и выводили алгоритмы.

Корректность и достоверность данных

Машина, программа, интеллект не может самостоятельно выявить ошибки. Он по умолчанию принимает данные за истинные. Поэтому подготовка и ввод данных, особенно таких сложных, как медицинских параметров, требует ответственного, вдумчивого подхода.

Любые ошибочные цифры: в диагностике, в лечении, текстовые или цифровые приведут к ошибочным выводам. Важно устранить не только профессиональные ошибки, но и ошибки языковые, орфографические, пунктуационные. Если программа использует несколько языков, то стоит проверить истинность написания медицинских терминов.

Поэтому важно обеспечить этап верификации и валидации данных. Для отличного результата и успешной работы искусственного интеллекта нельзя загрузить, полученные от медицинских работников данные все подряд.

Обработка и проверка данных должна осуществляться в несколько этапов на наличие орфографических ошибок, семантического соответствия истинности, связанности данных и их полноты.

Форматирование данных

Полученные объемы данных из Медицинских Центров должны быть отформатированы и приведены к виду для цифровой обработки.

Если речь идет о рентгенологических исследованиях, то нельзя использовать снимки с аналоговых аппаратов. Необходимо позаботится, чтобы они были сделаны на цифровом оборудовании.

Совет

Стандартные характеристики физиологических статусов должны быть закодированы. Например, для данных о группе крови используются система НСИ.

Меньше всего хлопот с обработкой числовой информации физиологических параметров. Все что мы измеряем числами, например, рост, вес, давление крови, так и вводится. Оптимально собирать и передавать данные в виде связанных величин: код величины – значение. Следует избегать текстовой информации, использования разметки HTML, форматирования.

Как быть с неструктурированной информацией? Записями обследований и жалобами пациента, описание обстоятельств заболевания или травмы. Эту информацию нельзя отбрасывать, так как нюансы важны для создания точного интеллекта. Но и обработка, структурирование такой информации крайне сложная процедура. Можно использовать ее в таком виде, приведя к удобному единому формату.

Выбор формата для данных еще одна важная подзадача, требующая взвешенного подхода. Разница в формате дат, обусловленная различием в национальных традициях или использовании времени в разных часовых поясах, может негативно сказаться на построении системы клинических рекомендаций, и может стать препятствием для создания временной последовательности событий.

Еще одна важная характеристика данных это своевременность

Вся информация, вводимая в базы данных, должна иметь временные характеристики. Это не формальность. Даты используются алгоритмами в разных целях. Поэтому ввод данных поздними числами может повлиять на качество работы интеллекта. Своевременность и последовательность ввода данных не менее важна для обработки информации, чем единый формат дат.

Связанность данных

Специфика создания IT-систем в медицине заключается в том, что человеческий организм необычайно сложен, многообразен и изменчив. Описание состояния организма пациента требует использования большого количества параметров. Искусство врача, на уровне интуиции определить, какой из многих факторов является влияющим на недомогание.

Самые незначительные изменения в организме человека приводят к серьезным заболеваниям. Но и обратная связь важна: результаты лабораторной диагностики зависят от пола, возраста, и даже от качества реактивов в лаборатории. Еще сюда же можно добавить наследственность, хронические заболевания, характер работы.

Поэтому выявление связей между, на первый взгляд, не связанных ничем параметров важный вопрос в подготовке данных. Поэтому машинному интеллекту необходимо предоставить весь спектр информации о пациенте, чтобы он (или оно) могло правильно сформировать заключение, сделать верный прогноз.

Этот процесс аналогичен работе врача, который не только изучает результаты анализов, но и учитывает персональную информацию.

Эффективность медицинских систем обеспечивается связанностью данных.

Например, если собирается информация исследований в лаборатории, то ее необходимо дополнить социальным статусом, данными наблюдений врача, информацией о составе семьи, диагностированных у пациента заболеваний, сведения о работе, наследственных патологиях в семье.

Важно даже полученное образование, образ жизни… вообще все, что только можно собрать. Логично сделать вывод, что количество связанных данных, так же как и их качество влияют на потенциальную точность работы системы.

Последний аспект: совместимость

Большое количество связанных данных влечёт за собой проблему их совместимости. Для сбора связанных данных рекомендовано использовать различные источники. Чем больше, тем лучше, но страдает совместимость баз. Этот момент хорошо иллюстрирует изучение лекарственной терапии.

Чтобы получить объективную картину, необходимо собрать информацию обо всех аспектах лекарственной терапии из лечебных учреждений различной формы собственности, региональной принадлежности. В разных регионах, в разных учреждениях по-разному подходят к обработке и хранению информации.

К сожалению, не выработаны единые стандарты медицинских данных, нет единой системы кодирования лекарств. И это создает непреодолимые сложности при совместимости данных. Несовместимость баз данных, собранных из разных организаций, представляет большую проблему для разработки ИИ.

Обратите внимание

Решение этой проблемы кроется в временных и ресурсных затратах на валидацию и совместимости информации, приведению данных к единому классификатору. Хорошая новость, что эту процедуру автоматизировали. Она называется Mapping, после которого или вместо которого проводится Linking.

Это специальная автоматическая обработка, приводящая все данные к единому классификатору. Но качество такой обработки пока оставляет желать лучшего, люди пока еще работают качественнее, хотя и медленнее.

Вывод первый:

Результативность системы искусственного интеллекта зависит от миллиона качественных измерений. Отсутствие таковых данных требует больших ресурсов в сбор, подготовку и валидацию. Если же создание качественной базы данных не возможно, то успех предприятия по разработке системы ИИ – под сомнением. Необходимо отказаться от работы над проектом и решать проблему альтернативными методами.

Вывод второй:

Прежде, чем приступить к созданию системы искусственного интеллекта, необходимо обсудить с разработчиком качество, количество и формат данных. Ответственная проработка этого вопроса на стадии подготовки позволит быстрее подготовить базу данных и не терять время на стадиях разработки и запуска.

Подробнее

Источник: https://telemedicina.ru/news/equip/dannye-dlya-iskusstvennogo-intellekta

Искусственный интеллект в медицине

Искусственный интеллект спешит на помощь.

Искусственный интеллект в тренде. Он уже рисует картины, водит автомобиль и отвечает на звонки в организациях.

Всё шире применяется он и в медицине, причём показывает высокую эффективность. И покажет ещё бо́льшую, если привлечь простых людей к сбору данных и изменить законодательство.

Правда, некоторые связанные с его внедрением проблемы в рамках текущей мировой политэкономической ситуации кажутся неразрешимыми.

Медицина, ориентировавшаяся ранее, в основном, на лечение острых заболеваний, теперь больше внимания уделяет недугам хроническим, многие из которых не так давно и болезнями не считались. Врачи сталкиваются с необходимостью лечить ожирение, депрессии, болезни пожилого возраста.

Диабет, сердечная недостаточность, аутоиммунные расстройства всё чаще диагностируются вне фазы обострения, на самых ранних стадиях, причём речь всё чаще идёт не только о поддерживающей терапии, но о возможности полностью излечить, исправить эти системные сбои организма.

Развивается превентивная медицина, позволяющая распознать предрасположенность к определённым типам заболеваний ещё до их проявления и принять меры. Быстро растут объёмы медицинских данных, и мы начинаем понимать, что от скорости и качества их анализа зависят наше здоровье и качество жизни.

И что всё это — работа для искусственного интеллекта.

Что такое искусственный интеллект

Здесь под искусственным интеллектом (ИИ) мы будем понимать способность машины имитировать умное поведение людей, то есть — умение ориентироваться в меняющемся контексте и принимать с учётом этих изменений оптимальные, позволяющие достичь цели решения.

Сегодня масштабно используются две технологии ИИ — экспертные системы и нейронные сети. В то время как экспертные системы отживают свой век, нейронные сети (НС) завоевали рынок благодаря способности учиться.

Выделяют несколько видов ИИ:

  1. Узкий ИИ (narrow AI) — спроектирован, чтобы решать определённую задачу;
  2. Общий ИИ (general AI, AGI) — сможет решать любые задачи, с которыми справится человек;
  3. Superintelligence — будет опережать человека по сложности решаемых задач.

В данной статье под ИИ я буду подразумевать «узкий ИИ», реализованный на базе нейронных сетей. Механизм работы последних был вдохновлён биологическими нейронными сетями. В компьютерном виде НС представляют граф с тремя или более слоями нейронов, соединённых в слоях тем или иным образом. У соединений есть веса, играющие важную роль в обучении НС.

Примитивно обучение нейронных сетей можно представить так: на входные нейроны подаются данные, дальше они обрабатываются нейронами на внутреннем слое, и на выходных нейронах получаются некоторые значения.

Если полученные значения нас не устраивают, мы меняем веса соединений в нейронной сети и заново её учим (подробнее об этом можно почитать в книге Дэвида Криселя (David Kriesel) A Brief Introduction to Neural Networks).

Важно

Чем больше релевантных данных подаётся на входные нейроны, тем релевантнее выходит и результат работы сети.

Тонны медицинских карт пылятся на полках больниц и поликлиник. Между тем, если на их материале обучить нейронные сети, системы искусственного интеллекта многим спасли бы жизни и уменьшили затраты на лечение. Однако открыть сведения об истории болезней — смелый шаг, и многие ему воспротивятся, полагая, что их личные данные могут быть использованы им во вред.

Открытие данных должно происходить с соблюдением множества условий и сопровождаться подписанием различного рода соглашений, гарантирующих (возможно, при участии государств) использование строго по назначению. Но, так или иначе, сделать медкарты доступными для нейронных сетей — необходимо: сегодня «тренировочные сеты» информации — узкое место ИИ в медицине.

Что может ИИ в медицине?

Диагност и ассистент лечащего врача

Врачу бывает сложно верно диагностировать заболевание, особенно если у него не слишком много практики или конкретный случай далёк от его профессионального опыта. Тут на помощь может прийти искусственный интеллект, имеющий доступ к базам с тысячами и миллионами историй болезни (и другой упорядоченной информацией).

С помощью алгоритмов машинного обучения он классифицирует конкретный кейс, быстро просканирует вышедшую за определённый интервал времени научную литературу по нужной теме, изучит имеющиеся в доступе похожие случаи и предложит план лечения.

Более того, ИИ сможет обеспечить индивидуализированный подход, приняв во внимание сведения о генетических особенностях пациента, паттернах движения, собранных его носимыми устройствами, предыдущей истории болезней — всём анамнезе жизни.

ИИ вероятно (по крайней мере, на текущем этапе развития технологий) — не заменит врача, но может стать — уже стал — полезным инструментом, помощником в деле диагностики и лечения.

Приведу некоторые примеры.

IBM Watson for Oncology. IBM Watson — суперкомпьютер, умеющий отвечать на вопросы, сформулированные на естественном языке (то есть не на языке программирования). У него есть доступ к различным источникам данных: энциклопедиям, базам научных статей, антологиям знаний. Благодаря огромным вычислительным мощностям, обработав источники, он выдаёт максимально точный ответ на заданный вопрос.

IBM Watson for Oncology — программа применения мощностей IBM Watson для определения оптимальной доказательной основанной на данных стратегии лечения рака.

Перед запуском этой программы в Watson для обучения были загружены сотни тысяч медицинских документов, в том числе 25 тысяч историй болезни, более 300 медицинских журналов и более 200 учебников, всего около 15 млн страниц текста.

В 2011 году было объявлено о совместном исследовательском проекте IBM и Nuance Communications, результатом которого должен был стать коммерческий продукт для клинического применения в области принятия врачебных решений.

В подготовке к клинической практике суперкомпьютеру помогали исследователи-клиницисты из Колумбийского университета (Columbia University) и Университета Мэриленда в Балтиморе (University of Maryland, Baltimore).

Совет

С 2013 года IBM Watson используется в Мемориальном онкологическом центре им. Слоуна-Кеттеринга в Нью-Йорке (Memorial Sloan Kettering Cancer Center, MSK) для помощи в принятии управляющих решений (Utilization management) при лечении больных раком лёгких и уходе за ними. Разумеется, его база постоянно пополняется новыми историями болезни.

В том же году IBM и Онкологический центр им. М. Д. Андерсона (University of Texas MD Anderson Cancer Center) запустили пилотный проект «миссии по искоренению рака». Однако вскоре было объявлено, что проект (на который на тот момент уже было потрачено 62 млн долларов) не оправдал ожиданий и будет отложен.

В июле 2016 года программа IBM Watson for Oncology была запущена в коммерческую эксплуатацию на базе Manipal Hospitals (ведущая сеть больниц в Индии) — для помощи врачам и пациентам в определении персонализированных методик борьбы с раком. Также сеть Manipal Hospitals предлагает онкологическим больным узнать «мнение Ватсона» онлайн, на своём веб-сайте.

В феврале этого года Медицинский центр Джупитера (Jupiter Medical Center), Джупитер-Айленд, Флорида, США, также объявил о начале использования IBM Watson for Oncology.

В пресс-релизе, посвящённом запуску программы, сообщалось, что «Ватсон» уже способен оказывать действенную помощь клиницистам в разработке планов лечения рака груди, лёгких, толстой кишки, шейки матки, яичников и желудка.

До конца года IBM и MSK планируют обучить IBM Watson for Oncology лечению ещё 9 типов рака, покрыв тем самым потенциально 80% заболеваемости раком в мире.

IBM Medical Sieve

Источник: https://22century.ru/popular-science-publications/artificial-intelligence-in-medicine

Ссылка на основную публикацию