چگونه هوش مصنوعی غیر متمرکز و یادگیری ماشین، پزشکی را تغییر می‌دهند؟

هوش مصنوعی و یادگیری ماشین، دو ابزار مهم در آینده تکنولوژیکی بشر هستند که پیشبرد آن‌ها نیازمند داده‌های بسیار زیادی از سراسر جهان است که توسط مردم عادی ایجاد شده باشند. تجمیع این داده‌ها در یک سیستم متمرکز بسیار ناامن بوده و می‌تواند موجب سواستفاده شرکت‌های بزرگ از فناوری عظیمی مانند یادگیری ماشین شود و خطر بزرگی را ایجاد کند. به همین دلیل غیرمتمرکزسازی ابزارهایی مانند یادگیری ماشین و هوش مصنوعی به منظور پیشرفت بشر بسیار ضروری به نظر می‌رسد. در این مطلب ابتدا به بررسی هوش مصنوعی و یادگیری ماشین پرداخته می‌شود و سپس درباره لزوم ترکیب این ابزارها با بلاک چین و سیستم‌های غیرمتمرکز بحث می‌شود.

0 135

هوش مصنوعی و یادگیری ماشین، دو ابزار مهم در آینده تکنولوژیکی بشر هستند که پیشبرد آن‌ها نیازمند داده‌های بسیار زیادی از سراسر جهان است که توسط مردم عادی ایجاد شده باشند. تجمیع این داده‌ها در یک سیستم متمرکز بسیار ناامن بوده و می‌تواند موجب سواستفاده شرکت‌های بزرگ از فناوری عظیمی مانند یادگیری ماشین شود و خطر بزرگی را ایجاد کند. به همین دلیل غیر متمرکز سازی ابزارهایی مانند یادگیری ماشین و هوش مصنوعی به منظور پیشرفت بشر بسیار ضروری به نظر می‌رسد. در این مطلب ابتدا به بررسی هوش مصنوعی و یادگیری ماشین پرداخته می‌شود و سپس درباره لزوم ترکیب این ابزارها با بلاک چین و سیستم‌های غیرمتمرکز بحث می‌شود. چگونه هوش مصنوعی غیر متمرکز و یادگیری ماشین، پزشکی را تغییر می‌دهند؟

هوش مصنوعی و یادگیری ماشین چیست؟

هوش مصنوعی (Artificial Intelligence)، نظریه‌پردازی و توسعه سیستم‌های کامپیوتری در انجام وظایفی مانند پردازش تصویر، تشخیص زبان، تصمیم‌گیری و ترجمه بین زبان‌ها است که معمولا هوش یک انسان برای انجام آن‌ها لازم است.

یادگیری ماشین (Machine learning)، از الگوریتم‌هایی استفاده می‌کند که به وسیله آن‌ها ماشین می‌تواند انجام وظایفی همانند پیش‌بینی یا طبقه بندی را بدون اینکه برای آن برنامه‌ریزی شده باشد، یاد بگیرد. در واقع، این الگوریتم‌ها یادگیری خود را با استفاده از داده‌ها صورت می‌دهند و کارها از قبل برای آن‌ها مشخص نشده است.

سطوح مختلفی از یادگیری ماشین و AI (هوش مصنوعی) خالص وجود دارد که شامل موارد زیر می‌شود:

  • یادگیری با نظارت
  • یادگیری بدون نظارت
  • یادگیری عمیق

هر سطح نیازمند تعداد زیادی داده‌ است و می‌تواند با سرعت و دقت بالاتر از انسان، اطلاعات مرتبط و قابل استفاده‌ای را ایجاد کند. این همان قدرت هوش مصنوعی و یادگیری ماشین است.

چگونه هوش مصنوعی غیرمتمرکز و یادگیری ماشینی، پزشکی را تغییر می‌دهند؟
چگونه هوش مصنوعی غیر متمرکز و یادگیری ماشینی، پزشکی را تغییر می‌دهند؟

غیر متمرکز شدن چگونه می‌تواند به این موضوع اضافه شود؟

تکنولوژی غیر متمرکز مزایای زیادی دارد. برای مثال، حریم خصوصی داده‌ها و قابلیت ایجاد یک جو مبتنی بر همکاری یکی از مزایای مهم آن است. این موضوع همچنین برای هوش مصنوعی غیر متمرکز هم قابل استفاده است. مدل‌های یادگیری ماشین، چگونه داده‌ها را ایمن نگه می‌دارند و حریم خصوصی را تضمین می‌کنند؟ آن‌ها ارتباط خود را ادامه می‌دهند تا داده‌ها را در دستگاه کاربر نهایی حفظ کنند، به علاوه، وقتی مدل‌ها به یادگیری ادامه داده و بالغ شدند، برای تمام افراد درون شبکه در دسترس هستند.

با این روش، هیچ نیازی به نهاد اختصاصی متمرکز وجود نخواهد داشت که این موضوع در حال حاضر اهمیت بالایی دارد زیرا که این قدرت برای تعیین سرنوشت کشف‌های آینده بسیار مهم خواهد بود.

چگونه عمل می‌کند؟

تکنولوژی بلاک چین، طرفین را قادر به تعامل می‌کند.

این ارتباطات بر اساس مجموعه‌ای از قوانین تجاری توافقی بنا شده‌اند. این قوانین می‌توانند انتقالات پرداختی یا مقررات کلی به نام قراردادهای هوشمند را تعریف کنند. یک شبکه غیرمتمرکز، همکاران این قوانین را میزبانی می‌کند تا معاملات پیشنهادی روی یک قرارداد هوشمند را تایید کنند.

این قراردادها می‌توانند برای تعریف شیوه در جایی به کار گرفته شوند که طرفین با روشی بدون اجازه گرفتن از یکدیگر و همچنین بدون اعتماد به یکدیگر در تعامل هستند. این نوع شبکه می‌تواند زمینه ساخت یک پلتفرم را فراهم کند و تجمیع داده‌ها و مدل‌های یادگیری عمیق به گونه‌ای ساخته می‌شوند تا در اختیار گرفتن آن‌ها توسط شرکت‌ها هزینه بالایی در بر نداشته باشد.

در عصر موبایل‌ها و تبلت‌ها، این دستگاه‌ها وسایل محاسباتی اغلب مردم شده است. به دلیل این که امروزه و در عصر حاضر، مصرف کنندگان به دستگاه های موبایل خود وابسته هستند، رابطه‌ی قوی‌ای میان تعاملات کاربران و سنسورهای قدرتمند وجود دارد و این موضوع سبب ایجاد میزان بی سابقه‌ای از داده ها می‌شود که قرار بوده شخصی بمانند.

به خاطر ماهیت حساس این داده‌ها، خطرها و مسئولیت‌هایی در ذخیره آن‌ها در یک مکان متمرکز وجود خواهد داشت؛ اما استفاده از این داده‌ها باعث می‌شود مدل‌هایی از داده‌های کاربران آموخته ‌شود، که تضمین می‌کنند کاربرد و قدرت اپلیکیشن‌های هوشمند، پیشرفت پیدا کند.

مثالی در زندگی واقعی

چگونه این تکنولوژی در پزشکی به کار گرفته می‌شود؟

استفاده‌های زیادی برای این موارد وجود دارد. در دنیای پزشکی، پروژه هایی همانند نورون (Neuron) وجود دارند که محصولات جذابی را در نمونه‌های آزمایشی بتا تولید کرده‌اند. این محصولات کاربران تکنولوژی را راهنمایی و آموزش خواهد داد تا هوش مصنوعی غیر متمرکز خودشان را ارتقا دهند و یا به زبان دیگر یاد می‌گیرند که چگونه آموزگار خود را آموزش دهند. کاربران می‌توانند ببینند که چگونه داده های سلامت خود را بسازند و از کجا و چگونه به این داده ها دسترسی داشته باشند.

ماژول شبانه‌روزی با چشم‌انداز کامپیوتری

یکی از محصولات AI و ML به صورت اتوماتیک آمار وضعیت فیزیکی شما را فقط با گرفتن یک سلفی در نرم افزار ثبت می‌کند. ماژول Selfie2BMI از پیشرفته‌ترین شبکه‌های عمیق عصبی و تکنیک‌های بهینه‌سازی برای پیش‌بینی انواعی از ویژگی‌های آناتومیک مثل قد، وزن، BMI، سن و جنسیت از یک صورت استفاده می‌کند. به جز این آناتومی‌های حیاتی، این ماژول 23 ویژگی صورت همانند پوست، محل رویش مو، چین و چروک، دندان و دیگر ویژگی ها را هم مورد بررسی قرار می‌دهد.

تجزیه و تحلیل تست خون

یکی دیگر از استفاده‌های نوآورانه نورون، عوامل مکالمه‌ای طراحی شده برای تقویت نتایج گرفته شده پس از تست خون می‌باشد. این موضوع کاربر را قادر می‌سازد تا هر سوالی را درباره 400 بیومارکر خون بپرسد و به جواب برسد. در صدها هزار سند پزشکی و FAQهای معمول، پاسخ به سوالات پیچیده درباره نتایج خونی توضیح داده شده است و این عامل می‌تواند مکالمه را بر اساس سن کاربر، جنسیت و شرایط او اختصاصی کند تا بتواند پاسخ های مرتبطی پیدا کند و از طریق محتوای تعاملی او را آموزش دهد.

تجزیه و تحلیل تست ژنومیک

یک عامل مکالمه‌ای قوی برای تقویت مشاوره ژنتیک طراحی شده‌ است که به سوالاتی از دامنه سوالات ساده آموزشی گرفته تا سوالات پیچیده شخصی پاسخ می‌دهد. این سیستم یک حافظه دارد که تمام توصیه‌های داده‌شده را ذخیره می‌کند و وقتی چیزی را نمی‌داند، به دنبال پاسخ در داده‌های وسیع خود می‌رود و همچنین می‌تواند شما را به همکاران کربنی خود ارجاع دهد.

تجزیه و تحلیل داروها

یک ماژول شبانه روزی که با دوزهای درمانی، عوارض جانبی و دیگر راهنمایی ها آموزش داده شده تا بتواند به سوال های شخصی پاسخ بدهد و اگر نتایج تحلیل‌های ژنومیک وجود داشته باشد، به موتور های پیشنهاد فارماکوژنومیک متصل خواهد شد.

چرا این یک تکنولوژی مهم و اساسی است؟

این موضوع باعث می‌شود که تجربه پزشکی، برای کاربران ارتباطی تر و مناسب شود.

مشکلات کلیدی متعددی وجود دارند که هوش مصنوعی غیر متمرکز شده با آن‌ها مقابله می‌کند و به کاربر فرصت در دست گرفتن کنترل سلامتی خود را می‌دهد.

مسئولیت یکپارچه

این  راه‌حل‌ها می‌تواند به شرکت‌کنندگان در پیدا کردن و جمع کردن داده‌های پزشکی شخصیشان کمک کند. اغلب مردم به اطلاعات پزشکی خودشان دسترسی ندارند، آن‌ها نمی‌دانند وضعیتشان چگونه است و از کجا باید شروع کنند، اگر هم بدانند، دانش کامپیوتری آن‌ها بسیار محدود است؛ همچنین این پلتفرم از یک اجتماع سازنده متن باز هم پشتیبانی می‌کند تا بتوانند به کمک ابزارهای نوآورانه‌‌ای که بر روی پلتفرمشان شکل می‌گیرد، یکپارچگی و طبقه‌بندی داده‌ها را تسهیل کنند و الگوریتم‌هایی ارائه کنند تا این داده ها تفسیر شوند و یک کاگل (Kaggle) غیرمتمرکز برای بیولوژی شخصی شده به وجود بیاورند.

داده‌های ارگانیک و بی‌طرفانه

بلاکچین به عنوان دفتر حساب سه ورودی به کار می‌رود تا ما بتوانیم منابع داده ها را پیگیری و تصدیق کنیم. این موضوع سبب پیش‌بینی عالی، رسیدگی به منبع داده‌ها و ذخیره قانونی داده‌های پزشکی و رعایت پروسه‌های KYD می‌شود.

همچنین به منظور حل مشکل داده‌های جانب‌دارانه، این تکنولوژی، مراقبت‌های بهداشتی ایمن‌تری برای کاربران ایجاد می‌کند. به عنوان مثال، داده‌های به دست آمده از کنترل‌های تصادفی برای دادگاه‌ها، اغلب همراه با غرض و تعصب هستند. ماهیت شدیدا انتخابی دادگاه‌ها معمولا به ضرر خانم‌ها، مسن‌ها و کسانی که شرایط پزشکی خاص همانند حاملگی دارند می‌باشد و معمولا خانم‌های باردار به کلی نادیده گرفته می‌شوند.

نگرانی‌های حریم خصوصی

مردم ممکن است نسبت به اشتراک گذاشتن داده‌های پزشکی خود در شبکه و جایی که غریبه‌ها هم حضور دارند، تردید داشته باشند. با غیرمتمرکز کردن داده‌های تمام کاربران، داده‌ها رمزنگاری و تغییرناپذیر شده‌اند. به علاوه، نورون درخواست‌های HIPAA را با نگهداری اطلاعاتی که در دستگاه ذخیره شده‌اند و  در فضای ابری یا سرور متمرکز وجود ندارند، آدرس‌دهی می‌کند.

فرصت‌های پیش رو

در حالیکه صنعت مراقبت‌های بهداشتی هنوز با ساخت یک پزشک در یک ماشین فاصله زیادی دارد، اما در پزشکی، متخصصین عمومی‌(GP ها) و متخصصین وجود دارند. پزشک های عمومی‌مشابه با GAI) AI عمومی) هستند که در این نقطه از توسعه تکنولوژیکی غیرقابل دسترسی می‌باشند. اما متخصصین همانند AI های عمودی و به واقعیت نزدیک‌تر هستند. نورون پتانسیل رسیدن به یک ایفای نقش‌کننده زیرمجموعه را لیست می‌کند. نورون پتانسیل رسیدن به یک ایفای نقش کننده پیشرو در این زمینه را دارد.

شاید از این مطالب هم خوشتان بیاید.

ارسال پاسخ

آدرس ایمیل شما منتشر نخواهد شد.