نابغه هوش مصنوعی گوگل از نوآوری جدیدی در شبکه‌های عصبی رونمایی کرد
تاریخ انتشار: ۱۷ آبان ۱۳۹۶ | کد خبر: ۱۵۵۰۸۲۲۲
اگر می‌خواهید یک نفر را به خاطر هیاهوی موجود پیرامون هوش مصنوعی سرزنش کنید، جف هینتون، پژوهشگر ۶۹ ساله‌ی گوگل، یکی از گزینه‌های خوب برای این کار به شمار می‌رود.
این استاد بااستعداد دانشگاه تورنتو، در اکتبر ۲۰۱۲ این حوزه را وارد مسیر تازه‌ای کرد. هینتون با همراهی دو دانش‌آموخته‌ی دیگر، نشان داد که شبکه‌های عصبی مصنوعی، فناوری غیر معمولی که برای دهه‌ها مشغول پشتیبانی از آن بود، می‌توانند پیشرفت بزرگی در توانایی ماشین‌ها برای درک تصاویر فراهم کنند.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمی‌شوند!
اما هینتون در حال حاضر از همان فناوری که نقش اصلی را در پدید آوردنش داشت، انتقاد می‌کند. وی می‌گوید:
من عقیده دارم که نحوه‌ی استفاده‌ی ما از بینایی کامپیوتری واقعا اشتباه است. این شیوه در حال حاضر بهتر از هر روش دیگری جواب می‌دهد؛ اما این به معنی درستی آن نیست.
هینتون از ایده‌ی قدیمی دیگری رونمایی کرده است که نحوه‌ی مشاهده و تغییر شکل هوش مصنوعی توسط کامپیوترها را دگرگون می‌کند. این ایده به علت اهمیت حیاتی بینایی کامپیوتری در زمینه‌هایی همچون خودروهای خودران و تهیه‌ی نرم‌افزاری که نقش پزشک را برعهده بگیرد، موضوعی مهم به‌حساب می‌آید.
اواخر ماه گذشته، هینتون با انتشار دو مقاله‌ی تحقیقی اعلام کرد ایده‌ا‌ی که نزدیک به ۴۰ سال در نظر داشته، نتیجه‌بخش بوده است. او می‌گوید:
مدت بسیار زیادی این ایده برای من کاملا قابل درک بود و اکنون نه‌تنها عملکرد آن رضایت‌بخش است؛ بلکه ما سرانجام به چیزی دست یافته‌ایم که چنین عملکردی دارد.
رویکرد جدید هینتون به نام «شبکه‌های کپسولی» شناخته می‌شود. این رویکرد یک نوآوری در شبکه‌های عصبی است و قصد دارد توانایی ماشین را در درک جهان از طریق تصویر یا ویدئو بهبود ببخشد. در یکی از مقالاتی که ماه گذشته منتشر شد، دقت شبکه‌های کپسولی هینتون با بهترین تکنیک‌های موجود در یک آزمایش استاندارد با عنوان «نحوه‌ی یادگیری نرم‌افزار برای تشخیص ارقام دست‌نویس» مطابقت داشت.
در مقاله‌ی دوم، شبکه‌های کپسولی بهترین نرخ اشتباه پیشین در آزمایشی که توانایی نرم‌افزار در تشخیص اسباب‌بازی‌هایی نظیر کامیون و خودرو را از زوایای مختلف به چالش می‌کشد، تقریبا به نصف رساند. هینتون به همراه همکارانش، سارا سبور و نیکولاس فراست در دفتر تورنتوی گوگل مشغول کار روی تکنیک‌های جدید خود است.
شبکه‌ی کپسولی قصد دارد ضعف امروزی سیستم‌های یادگیری ماشینی را که منجر به محدودیت در کارایی آنها می‌شود، رفع کند. نرم‌افزار تشخیص تصویری که امروزه توسط گوگل و دیگر شرکت‌ها به کار گرفته می‌شود، نیازمند تعداد بسیار زیادی تصویر نمونه است تا به نحو قابل اطمینانی نحوه‌ی تشخیص اشیاء را در هر وضعیتی یاد بگیرد. این موضوع بدین خاطر است که نرم‌افزار در تعمیم معلومات خود به سناریوهای جدید عملکرد تقریبا ضعیفی دارد. برای مثال، اگر یک شیء را از زوایای جدید به نرم‌افزار نشان دهیم، نمی‌تواند دریابد که این همان شیء پیشین است.
برای آنکه به کامپیوتر یاد بدهیم یک گربه را از زوایای گوناگون تشخیص دهد؛ نیازمند هزاران تصویر از گربه در حالت‌های مختلف خواهیم بود. در‌حالی‌که یک کودک برای آنکه نام حیوان خانگی را یاد بگیرد، نیازمند چنین آموزش مشخص و گسترده‌ای نخواهد بود.
ایده‌ی هینتون برای از میان برداشتن شکاف بین بهترین سیستم‌های هوش مصنوعی و انسان‌های خردسال، قرار دادن قدری دانش بیشتر از جهان در نرم‌افزار بینایی کامپیوتری است. کپسول‌ها که دسته‌های کوچکی از نورون‌های مجازی هستند، به‌منظور ردیابی اجزای مختلف یک شیء نظیر بینی و گوش‌های یک گربه و موقعیت‌های نسبی آنها در فضا طراحی شده‌اند. یک شبکه‌ی متشکل از کپسول‌های فراوان می‌تواند با به‌کارگیری این آگاهی، دریابد هنگامی که صحنه‌ای جدید از یک شیء می‌بیند؛ نه یک شیء جدید، بلکه در واقع تنها منظره‌ای جدید از همان شیء مشاهده می‌کند.
هینتون در سال ۱۹۷۹ – هنگامی که در تلاش برای آگاهی از این موضوع بود که چگونه انسان‌ها از تصاویر ذهنی استفاده می‌کنند – به این نتیجه رسید که سیستم‌های بصری نیازمند چنین ادراک حسی هندسی هستند. وی در ابتدا در سال ۲۰۱۱ از یک طراحی اولیه برای شبکه‌های کپسولی رونمایی کرد. پژوهشگران این حوزه، برای مدت‌ها در انتظار تصویر کامل‌تری بودند که دو هفته‌ی پیش از آن رونمایی شد. کیانهان چو، استاد دانشگاه نیویورک که از پژوهشگران تشخیص تصویر محسوب می‌شود، می‌گوید: «همه منتظر این [نوآوری] و به دنبال دورخیز بزرگ بعدی جف بودند.»
هنوز برای تشخیص بزرگی قدم برداشته‌شده توسط هینتون بسیار زود است و خودش نیز این را می‌داند. این کهنه‌کار عرصه‌ی هوش مصنوعی ترجیح می‌دهد به جای افتخار به اینکه ایده‌اش اکنون توسط شواهد پشتیبانی می‌شود؛ به شرح این موضوع بپردازد که عملکرد شبکه‌های کپسولی هنوز نیازمند اثبات با مجموعه‌ی تصاویر بزرگ است و پیاده‌سازی فعلی آن در مقایسه با نرم‌افزار تشخیص تصویر رایج، سرعت پایینی دارد.
هینتون امیدوار است که بتواند این کمبودها را برطرف کند. دیگر افراد فعال در حوزه‌ی هوش مصنوعی نیز درباره‌ی تکامل ایده‌ی او در درازمدت امیدوار هستند.
رولان ممیزویچ، هم‌بنیان‌گذار استارتاپ تشخیص تصویر توونتی بیلیون نورونز و استاد دانشگاه مونترال، می‌گوید طراحی اولیه‌ی هینتون در مقایسه با سیستم‌های موجود، باید قادر به استخراج ادراک بیشتری از یک مقدار داده‌ی مشخص باشد. اگر عملکرد این ایده در اندازه‌ی مورد نیاز ثابت شود؛ به‌کارگیری آن می‌تواند در حوزه‌هایی نظیر مراقبت‌های بهداشتی که داده‌ی تصویری برای آموزش سیستم‌های هوش مصنوعی بسیار کمیاب است، سودمند باشد.
از برخی جنبه‌ها، شبکه‌های کپسولی یک انشعاب از جریان اخیر در هوش مصنوعی به‌حساب می‌آیند. یک تفسیر از موفقیت اخیر شبکه‌های عصبی این است که انسان‌ها تا حد ممکن باید دانش کمتری در نرم‌افزار هوش مصنوعی رمزنگاری کنند و در عوض آن را وادار کنند تا خود مسائل را از ابتدا دریابد. گری مارکوس، استاد روانشناسی در دانشگاه نیویورک که سال گذشته اقدام به فروش یک استارتاپ هوش مصنوعی به اوبر کرد، می‌گوید اقدام اخیر هینتون نشان‌دهنده‌ی یک تنفس خوشایند از هوای تازه است. مارکوس استدلال می‌کند که پژوهشگران هوش مصنوعی باید اقدامات بیشتری در راستای شبیه‌سازی چگونگی کارکرد مغز و توانایی ذاتی آن برای یادگیری مهارت‌های حیاتی نظیر بینایی و زبان انجام دهند. وی می‌گوید:
هنوز بسیار زود است که پیش‌بینی کنیم این ساختار مشخص تا کجا پیش خواهد رفت؛ اما تماشای اینکه هینتون مشغول شکستن چارچوبی است که ظاهرا این حوزه را در بر گرفته، فوق‌العاده است.
true برچسب ها : Google neural network computer vision trueمنبع: امتداد نیوز
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را به‌طور اتوماتیک از وبسایت www.emtedadnews.com دریافت کرده‌است، لذا منبع این خبر، وبسایت «امتداد نیوز» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۱۵۵۰۸۲۲۲ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتی‌که در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
چاقوی هوش مصنوعی چگونه نظام سلامت را جراحی می‌کند
به گزارش خبرنگار مهر؛ در سال‌های اخیر، ظهور فناوری هوش مصنوعی مولد و ادغام این فناوری انقلابی در صنایع مختلف، فرآیندها و نتایج را در همه ابعاد زیست و فعالیت بشر متحول کرده است. یکی از مهمترین حوزه‌هایی که هوش مصنوعی در آن تأثیر عمیقی داشته و بسیاری از فرایندهای جاری آن را دستخوش تغییر شدید کرده، سلامت دیجیتال و پزشکی است.
به عقیده بسیاری از کارشناسان، در مقطع کنونی و به واسطه ظهور فناوری هوش مصنوعی، انقلاب علمی و فنی دیگری در صنعت مراقبت‌های سلامت و پزشکی درحال وقوع است. به گواه بسیاری از اعضای جامعه سلامت و کاربران، این فناوری در حال تغییر حوزه بهداشت و بهبود کیفیت خدمات و نتایج درمان‌های پزشکی است. از همین روی، استفاده از دستگاه‌ها و سیستم‌های مبتنی بر این فناوری برای تشخیص بیماری‌ها به شدت در حال افزایش بوده و فرایندهای هوشمندسازی بخش سلامت در بسیاری از کشورهای جهان روند صعودی گرفته است.
در این نوشتار کوتاه به بررسی کاربرد هوش مصنوعی در تغییر چشم انداز مراقبت‌های بهداشتی می‌پردازیم.
در تعریف کلی، هوش مصنوعی به شبیه سازی فرآیندهای هوش انسانی توسط ماشین‌ها از طریق سیستم‌های کامپیوتری اشاره دارد. بر همین مبنا، الگوریتم‌های هوش مصنوعی می‌توانند داده‌ها را تجزیه و تحلیل کنند، از آنها بیاموزند و بر اساس اطلاعات جمع‌آوری‌شده تصمیم‌گیری و پیش‌بینی کنند. از سوی دیگر، سلامت دیجیتال شامل استفاده از فناوری برای بهبود ارائه مراقبت‌های بهداشتی، تشخیص، نظارت و درمان است. در عصر حاضر و با پیشرفت شگرف فناوری، بسیاری از حوزه‌ها از سوابق الکترونیکی سلامت گرفته تا دستگاه‌های پوشیدنی، کارآمدی نظام سلامت را افزایش داده و راه‌حل‌های سلامت دیجیتال به شیوه‌های مدرن مراقبت‌های بهداشتی تبدیل شده‌اند.
با عنایت به این قابلیت هوش مصنوعی، فناوری مذکور در مراقبت‌های بهداشتی این پتانسیل را دارد که کارآمدی تصمیمات بالینی را افزایش دهد، نتایج درمان بیمار را بهبود بخشد و به صورت کلی عملیات را ساده کند. از همین روی می‌توان نتیجه گرفت که ادغام هوش مصنوعی با حوزه سلامت، قابلیت‌های سیستم‌های سلامت دیجیتال را بیشتر می‌کند و ارائه مراقبت‌های کارآمدتر و مؤثرتر را ممکن می‌سازد.
فناوری هوش مصنوعی می‌تواند در راستای غلبه بر بسیاری از چالش‌های حوزه مراقبت‌های بهداشتی، امکاناتی همچون دسترسی سریع به پزشکی و تشخیص از راه دور و برنامه‌های درمانی شخصی را به کاربران ارائه دهد. فناوری مذکور همچنین به شناسایی گسترش و پیش‌بینی شیوع بیماری‌ها کمک می‌کند. استفاده از هوش مصنوعی در مراقبت‌های بهداشتی مزایای متعددی را به کاربران و پزشکان ارائه می‌دهد. از جمله این مزایا می‌توان به موارد زیر اشاره کرد:
تشخیص بهبود یافته بیماری‌ها با یادگیری ماشینی
الگوریتم‌های هوش مصنوعی می‌توانند تصاویر پزشکی، نتایج آزمایش‌ها و داده‌های بیمار را تجزیه و تحلیل کنند و با نتیجه‌گیری مبتنی بر داده‌ها به ارائه دهندگان مراقبت‌های پزشکی در تشخیص دقیق کمک کنند.
شخصی‌سازی درمان با ابزار هوشمند
ابزارهای متعدد مبتنی بر هوش مصنوعی می‌توانند به تنظیم برنامه‌های درمانی شخصی‌سازی شده و بهینه برای بیماران بر اساس ویژگی‌های منحصر به فرد و سابقه پزشکی آنها کمک کنند. بیماران با این ابزار می‌توانند به تناسب شرایط خود، از امکانات و مراقبت‌های مختص به خود برخوردار شوند.
امور اداری برای کادر درمان آسان می شود
سیستم‌های مجهز به هوش مصنوعی می‌توانند وظایف اداری را به طور خودکار انجام دهند. از همین روی، استفاده از چنین ابزاری زمان بندی را برای کادر درمان بهینه می‌سازد، گردش کار را ساده می‌کند و در مجموع به ارائه دهندگان خدمات بهداشتی اجازه می‌دهند که بر مراقبت از بیمار تمرکز بیشتری داشته باشند.
تشخیص زودهنگام تا مداخله پیشگیرانه
هوش مصنوعی می‌تواند مجموعه کلان داده‌ها را برای شناسایی الگوها و روندها تجزیه و تحلیل کند و امکان تشخیص زودهنگام بیماری و عارضه‌های جسمی و مداخلات پیشگیرانه برای درمان را فراهم کند.
هوش مصنوعی و شخصی‌سازی پزشکی
هدف پزشکی شخصی سازی شده درمان متناسب با ویژگی‌های فردی مانند ژنتیک، سبک زندگی و محیط است. هوش مصنوعی با تجزیه و تحلیل مقادیر زیادی از داده‌های بیمار برای شناسایی استراتژی‌های درمانی بهینه برای افراد خاص، نقش مهمی در این حوزه ایفا می‌کند. با در نظر گرفتن تغییرات ژنتیکی، نشانگرهای زیستی و سایر عوامل، هوش مصنوعی می‌تواند به ارائه‌دهندگان مراقبت‌های بهداشتی کمک کند تا درمان‌های هدفمندتر و مؤثرتری به بیماران خود ارائه دهند.
تسریع کشف دارو
فرآیند کشف دارو برای شرکت‌های داروسازی و متخصصان زمان بر و پرهزینه است و بسیاری از نامزدهای دارویی بالقوه در رسیدن به محصول نهایی و عرضه به بازار ناکام هستند. در چنین شرایطی هوش مصنوعی با تسریع در شناسایی نامزدهای دارویی امیدوارکننده، پیش‌بینی تداخلات دارویی و بهینه‌سازی آزمایش‌های بالینی، فرآیند کشف دارو را متحول می‌سازد. با تجزیه و تحلیل ساختارهای مولکولی، مسیرهای بیولوژیکی و داده‌های بالینی، هوش مصنوعی می‌تواند توسعه داروها و درمان‌های جدید را تسریع کند.
پزشکی از راه دور نزدیک می‌شود
پزشکی از راه دور به بیماران این امکان را می‌دهد که مراقبت‌های پزشکی را از راه دور دریافت کنند و نیاز به مراجعه حضوری به مراکز درمانی را از بین می‌برد. هوش مصنوعی خدمات پزشکی از راه دور را با فعال کردن مشاوره مجازی، نظارت از راه دور بر علائم حیاتی بیماران و تجزیه و تحلیل پیش‌بینی‌کننده برای مداخله زودهنگام افزایش می‌دهد. با استفاده از چت ربات‌ها و دستیاران مجازی مبتنی بر هوش مصنوعی، ارائه دهندگان مراقبت‌های بهداشتی می‌توانند مراقبت‌های شخصی را در هر زمان و هر مکان به بیماران ارائه دهند.
هوش مصنوعی در پایش سلامت
دستگاه‌های پوشیدنی و حسگرهای مجهز به فناوری هوش مصنوعی، نظارت مستمر سلامت و تجزیه و تحلیل داده‌ها را در زمانی اندک امکان‌پذیر می‌کنند. این دستگاه‌ها می‌توانند علائم حیاتی، سطح فعالیت و الگوهای خواب را رصد کنند و بینش‌های ارزشمندی را در مورد وضعیت سلامتی بیماران به پزشکان ارائه دهند. الگوریتم‌های هوش مصنوعی می‌توانند انحرافات از الگوهای عادی را تشخیص دهند و به ارائه‌دهندگان مراقبت‌های بهداشتی در مورد مسائل بالقوه سلامتی هشدار دهند و امکان مداخلات به موقع و مراقبت‌های پیشگیرانه را فراهم کنند.
بهبود مراقبت های روانی
هوش مصنوعی همچنین در زمینه سلامت روان برای بهبود تشخیص و درمان اختلالات سلامت روان مورد استفاده قرار می‌گیرد. ابزارهای مجهز به هوش مصنوعی می‌توانند الگوهای گفتار، حالات چهره و سایر نشانه‌های رفتاری را برای ارزیابی وضعیت سلامت روانی بیماران تجزیه و تحلیل کنند. با ارائه توصیه‌های درمانی شخصی و نظارت بر پیشرفت بیماران در طول زمان، هوش مصنوعی می‌تواند ارائه مراقبت‌های بهداشت روانی و نتایج را بهبود بخشد.
چالش‌های ادغام هوش مصنوعی در بهداشت و درمان
همان طور که پیش‌تر ذکر شد، بی شک هوش مصنوعی تحولی بدیع در حوزه مراقبت‌های بهداشتی ایجاد کرده است؛ اما علی‌رغم مزایای بالقوه ادغام هوش مصنوعی در این بخش، پیاده سازی و استفاده از آن در حوزه مذکور بدون چالش نیست. در ادامه به برخی از چالش‌های کلیدی این حوزه می‌پردازیم.
حریم خصوصی و امنیت داده‌ها
داده‌های مستخرج از فعالیت بخش مراقبت‌های بهداشتی، از جمله اطلاعات بیماران و وضعیت سلامتی شهروندان بسیار حساس هستند. همین امر، اطمینان از حفظ حریم خصوصی و امنیت داده‌ها در هنگام استفاده از سیستم‌های هوش مصنوعی در این حوزه را بسیار مهم و حیاتی می‌کند.
هوش مصنوعی و چالش تطابق با مقررات
مقررات و استانداردهای مراقبت‌های بهداشتی نیز مانند همه حوزه‌های دیگر باید هنگام توسعه و استقرار ابزارهای مبتنی بر هوش مصنوعی در محیط‌های بالینی مورد بازنگری قرار گرفته و پس از به روز رسانی به صورت دقیق اجرا شوند. عدم توجه به این مسئله، می‌تواند منجر به عدول از استانداردها و بروز برخی مشکلات در این بخش حساس شود.
ادغام ابزارهای مبتنی بر فناوری هوش مصنوعی با سیستم‌ها و انطباق آنها با فرایندهای کاری سنتی، بدون در نظر گرفتن ملاحظات و الزامات پیش‌نیاز، می‌تواند بسیار پیچیده و زمان‌بر باشد و چالش‌هایی برای نظام سلامت ایجاد کند.
نگرانی‌های اخلاقی
در نهایت می‌توان گفت که استفاده از هوش مصنوعی در بخش مراقبت‌های بهداشتی، مسائل اخلاقی بغرنجی مربوط به رضایت بیمار، سوگیری در الگوریتم‌ها و پاسخگویی در قبال تصمیمات اتخاذ شده توسط سیستم‌های هوش مصنوعی را در پی دارند. بی شک رسیدگی به این مسئله حساس، مستلزم مطالعات دقیق و اتخاذ تدابیر لازم جهت کاهش ملاحظات مذکور است.
نقش ناظران انسانی در تشخیص کمرنگ می شود
هوش مصنوعی در بهبود دقت و کارایی تشخیصی نویدبخش پیشرفت بسیار بزرگی است. الگوریتم‌های هوش مصنوعی می‌توانند تصاویر پزشکی اشعه ایکس، ام آر آی و سی تی اسکن را برای تشخیص ناهنجاری‌ها تجزیه و تحلیل کنند و به رادیولوژیست‌ها در تشخیص یاری دهد. با استفاده از تکنیک‌های یادگیری ماشینی و یادگیری عمیق، هوش مصنوعی می‌تواند به شناسایی الگوها و ناهنجاری‌هایی که ممکن است توسط ناظران انسانی و پزشکان نادیده گرفته شود، کمک کند.
آینده ادغام هوش مصنوعی در مراقبت‌های بهداشتی
به عقیده کارشناسان، آینده هوش مصنوعی در بخش مراقبت‌های بهداشتی دارای پتانسیل بسیار زیادی برای تغییر روش ارائه و تجربه کاربران است. پیشرفت‌های حاصل شده در فناوری هوش مصنوعی، مانند پردازش زبان طبیعی، تجزیه و تحلیل پیش‌بینی‌کننده و اتوماسیون رباتیک فرآیندها به نوآوری در مراقبت‌های بهداشتی ادامه خواهند داد. از برنامه‌های درمانی شخصی گرفته تا جراحی با کمک هوش مصنوعی، امکانات این فناوری در مراقبت‌های بهداشتی نامحدود یا حداقل بسیار پرشمار به نظر می‌رسد.
از همین روی می‌توان نتیجه گرفت که کاربرد هوش مصنوعی در سلامت دیجیتال و پزشکی در حال تغییر شکل صنعت مراقبت‌های بهداشتی و بهبود نتایج بیماران است. هوش مصنوعی روش ارائه مراقبت‌های بهداشتی را متحول کرده و آن را کارآمدتر، مؤثرتر و بیمار محورتر می‌کند. در حالی که چالش‌هایی در پیاده‌سازی هوش مصنوعی در مراقبت‌های بهداشتی وجود دارد، مزایای آن بسیار بیشتر از خطرات آن است و راه را برای آینده‌ای هموار می‌کند که در آن هوش مصنوعی نقشی محوری در پیشرفت شیوه‌های مراقبت‌های بهداشتی و بهبود کیفیت مراقبت برای همه ایفا می‌کند.
کد خبر 6075146
همسر شهید آیت الله سیدمصطفی خمینی دار فانی را وداع گفت