რა არის მანქანური სწავლება? მზად ვართ ხელოვნური ინტელექტისთვის ჯანდაცვაში?

კომპიუტერის გამოგონებისა და შეუცვლელად ქცევის შემდეგ ადამიანებმა იკითხეს: რამდენად ჭკვიანი შეიძლება იყოს? შესაძლებელია ხელოვნური ინტელექტი? როგორ ვასწავლოთ თვითსწავლა? ასე დაიბადა კითხვა: რას ნიშნავს მანქანისთვის სწავლა? 1959 წელს Arthur Samuel-მა თქვა, რომ კომპიუტერს პროგრამირებისგან დამოუკიდებლად სწავლის უნარის შეძენა შეეძლო და შაშის თამაში შექმნა. სხვებისგან იგი წინა სვლებიდან სწავლითა და თვითგანვითარებით განსხვავდებოდა.

რა არის მანქანური სწავლება (Machine Learning)?

მანქანური სწავლება სტატისტიკის, ინფორმაციის თეორიის, ალგორითმებისა და ფუნქციური ანალიზის გაერთიანებით კომპიუტერის ან ხელოვნური ინტელექტის მოწყობილობის მიერ არსებულ მონაცემებზე დასკვნის გამოტანაა. დღეს იგი ხმისა და სახის ამოცნობაში, ავტონომიური მანქანის ძიების ანალიზში, მონაცემთა მოპოვებასა და მედიცინაში გამოიყენება.

რა ეტაპზე ვართ?

ტექნოლოგიების ტენდენციების შემსწავლელი Gartner-ის ჯგუფის აღმავალი ტექნოლოგიების hype ციკლში მანქანური სწავლება „მოლოდინების მწვერვალზე“ (The peak of expectations) მდებარეობს. ადრე ამ წერტილში მყოფი 3 განზომილებიანი პრინტერები ახლა ხელმისაწვდომია და სწრაფად ვითარდება. ასევე მალე მანქანურ სწავლებას უფრო ხშირად შევხვდებით.

პერსონალური გენომიკისა და ბიოსენსორებიდან ელექტრონულ ჩანაწერებსა (ESK) და სადაზღვევო მოთხოვნებამდე მონაცემებისგან შექმნილი, ჯანდაცვის გარდაქმნაზე მიმართული დიდი მონაცემები (big data) უკვე ცნობილია. მათი გამოყენებით მანქანური სწავლება სხვადასხვა ანალიზსა და დამხმარე პროგნოზებს გვთავაზობს. ჯანდაცვაში ამას გადაწყვეტილების მხარდაჭერის სისტემები ეწოდება. თუმცა პროგნოზი ახალი არაა: APACHE ინტენსიურ თერაპიაში მიმდინარეობისა და სიკვდილის რისკს, ASCVD კი ქოლესტერინის წამლის საჭიროებას აფასებს. მანქანური სწავლებითა და კლინიკური მონაცემებით ათასობით მსგავსი პრობლემის პროგნოზული მოდელი იქმნება.

ჯანდაცვაში ხელოვნური ინტელექტის საქმე ადვილი არ არის

მსოფლიო ეპიდემიების პროგნოზისა და დაკვირვების Google Flu პროექტის წარუმატებლობის მთავარი მიზეზი მონაცემთა ანალიზის იმედგაცრუება იყო. ჯანმრთელობის მონაცემების გადაცემასა და დამუშავებაში მართლაც დიდი პრობლემებია. ტრადიციული აღრიცხვა ფართო მონაცემებს ქმნიდა, დღევანდელი წყაროები კი უფრო შეზღუდულია, გარკვეულ შაბლონებზე მორგების სირთულის გამო.

გამოყენება მოიცავს დიაგნოსტიკას, პერსონალიზებულ მკურნალობას, წამლის აღმოჩენასა და რადიოლოგიას. მთავარი დაბრკოლებაა სტანდარტიზაცია და მართვა. მოლოდინების მწვერვალზე მყოფი ტექნოლოგიის „იმედგაცრუების ღრმულის“ 3. ფაზიდან „განათების ფერდობის“ 4. ფაზაზე სწრაფად გადასასვლელად ძველი შეცდომები უნდა გავაცნობიეროთ. ჯანდაცვაში ელექტრონული ჩანაწერები უფრო ნაყოფიერი და მანქანური სწავლებისთვის ეფექტიანი უნდა გახდეს.