ظهور شبکههاي عصبي عميق (DNNs) در سالهاي اخير به يک تنوع رو به افزايش در برنامههاي کاربردي دنياي واقعي براي فناوريهاي يادگيري ماشين و هوش مصنوعي از جمله کارهايي مانند تشخيص نقص براي صنعت توليد و تصويربرداري تشخيصي در حوزه پزشکي کمک کرده است. اگرچه اين مدلهاي هوش مصنوعي گاهي مواقع ميتوانند عملکردي برابر يا بهتر از عملکرد انسان نشان دهند، اما چالشها همچنان باقي ميمانند زيرا دقت تشخيص در مواردي رو به کاهش ميرود. از جمله زماني که شرايط محيطي مثل نور و زاويهديد (پرسپکتيو) به طور قابلتوجهي با شرايط محيطي تعريفشده درمجموعه دادههاي مورد استفاده در طول فرآيند آموزش متفاوت باشد.
براي حل اين مسئله، محققان فوجيتسو و CBMM پيشرفت مشترکي در شناخت و درک مباني هوش مصنوعي داشتهاند به طوري که امکان تشخيص دادههاي OOD با دقت بالا را از طريق تقسيم شبکههاي عصبي عميق(DNN) به ماژولهايي مثل شکل و رنگ (در ميان ساير ويژگيها) فراهم ميکند. آنها رويکرد منحصربهفردي را برگزيدهاند که الهامگرفته از ويژگيهاي شناختي انسان و ساختار مغز اوست. همانطور که در مقاله ارائهشده از سوي اين گروه در کنفرانس NeurIPS 2021 نشان داده شده است، يکي از مدلهاي هوش مصنوعي که با استفاده از اين فرآيند ساخته شده بود، در يک ارزيابي که در آن با شاخص CLEVR-CoGenT دقت تشخيص تصوير را اندازهگيري ميکردند، به عنوان دقيقترين مدل رتبهبندي شد.
دکتر سيشي اوکاموتو، يکي از اعضاي کمپاني فوجيتسو ميگويد: از سال2019 فوجيتسو در تحقيقاتي مشترک با مرکز CBMM که متعلق به دانشگاه MIT است، شرکت کرده تا ما بتوانيم به درک خودمان در اين خصوص که چگونه مغز انسان اطلاعات را براي توليد رفتار هوشمندانه با هم ترکيب ميکند، عمق بيشتري بدهيم و به دنبال آن باشيم که چگونه به ساخت يک هوش مصنوعي با چنين قابليتي تحقق بخشيم و چگونه از اين دانش که به حل مشکلات فعلي صنايع مختلف و عموميت مردم کمک ميکند، نهايت استفاده را برده باشيم. اين دستاورد نقطه عطف بزرگي براي توسعه فناوري هوش مصنوعي در آينده است که ميتواند ابزار جديدي را براي مدلهاي آموزشي ارائه دهد. به طوري که اين ابزار بتواند بهطور انعطافپذير به موقعيتهاي مختلف پاسخ دهد و حتي دادههاي ناشناختهاي را که به طور قابلتوجهي با دادههاي آموزشي اصلي متفاوت است، با دقت بالا تشخيص دهد و ما مشتاقانه منتظر آن امکانات هيجانانگيز دنياي واقعي هستيم که اين فناوري ميتواند درهاي آنها را به روي ما باز کند (با خود به ارمغان بياورد).
دکتر توماسو پوگيو، داراي نشان علمي Eugene McDermott Professor ، از دپارتمان مغز و علوم شناختي (علوم ذهنشناسي) دانشگاه MIT و مدير مرکز مغزها، ذهنها و ماشينها ميگويد: وقتي شرايط اطلاعات خارج از دادههاي آموزشي را ميسنجيم (OOD)، شکاف قابلتوجهي بين شبکههاي عصبي عميق (DNNs) و انسانها وجود دارد که در کارکردهاي هوش مصنوعي بهشدت ايجاد اختلال ميکند، به ويژه از لحاظ ايمني و شفافيت. تحقيقات الهام گرفتهشده از علوم اعصاب ممکن است منجر به فناوريهاي جديدي شوند که قادر به غلبه بر سوگيري مجموعهدادهها هستند. نتايجي که تاکنون در اين برنامه تحقيقاتي بهدست آمده، گام خوبي در اين راستاست.
کاربردهاي احتمالي در آينده ممکن است شامل ساخت نوعي هوش مصنوعي براي نظارت بر ترافيک شود که ميتواند به تغييرات شرايط مختلف و مشاهدات گوناگون پاسخ دهد و همچنين هوش مصنوعي ديگري که در تصويربرداري تشخيصي در حوزه پزشکي کاربرد دارد و ميتواند انواع مختلف ضايعات را بهدرستي تشخيص دهد.
- درباره این روش جدید
يافتههاي اين تحقيقات بر اين واقعيت متمرکز است که مغز انسان ميتواند با دقت تمام اطلاعات بصري را جمعآوري و طبقهبندي کند، حتي اگر درشکل و رنگ اشيايي که مشاهده ميکنيم، تفاوتهايي وجود داشته باشد. اين روش جديد نوعي شاخص منحصربهفرد را محاسبه ميکند که برمبناي نحوه مشاهده يک شيء توسط نورونها و همينطور چگونگي طبقهبندي تصاوير ورودي توسط شبکههاي عصبي عميق (DNN) است. اين مدل، افزايش شاخص موردنظر را به منظور ارتقاي تشخيص موثرتر نمونهدادههاي OOD هدف تشديد ميکند.تا به امروز فرض بر اين بود که بهترين روش ساخت يک مدل هوش مصنوعي با دقت تشخيص بسيار بالا، تنظيم شبکههاي عصبي عميق (DNN) به عنوان يک ماژول واحد و بدون تقسيمبندي آن است. اگرچه، محققان فوجيتسو و CBMM با تقسيم DNN به ماژولهاي جداگانه بسته به شکل، رنگ و ديگر ويژگيهاي اشياء بر اساس شاخص جديد توسعهيافته، با موفقيت به دقت تشخيص بالاتري دست يافتهاند.
- برنامههای آینده
فوجیتسو و CBMM امیدوارند که در آینده یافتههای خود را برای توسعه و ارتقای هوش مصنوعی بیشتر اصلاح کنند تا این مدل جدید بتواند قضاوتهای انعطافپذیری مانند انسان داشته باشد و در نتیجه، امکان بهکارگیری آن در زمینههای مختلفی مانندتولید و مراقبتهای پزشکی ایجاد شود.
درباره فوجیتسو
فوجیتسو شرکت پیشرو ژاپنی در زمینه فناوری اطلاعات و ارتباطات (ICT) است که طیف کاملی از خدمات، راهحلها و محصولات فناوری را ارائه میدهد. تقریبا 126هزار کارمند فوجیتسو در بیش از 100 کشور از مشتریان پشتیبانی میکنند. ما از تجربه و قدرت اطلاعات و ارتباطات برای شکلدادن به آینده جامعه با مشتریان خود استفاده میکنیم. شرکت سهامی فوجیتسو (بورس اوراق بهادار توکیو : 6702) درآمد تلفیقی 3.6 تریلیون ین (34 میلیارد دلار آمریکا) را برای سال مالی منتهی به 31 مارس 2021 گزارش کرده است. برای اطلاعات بیشتر، لطفا به
www.fujitsu.com مراجعه کنید.
درباره مرکز مغزها، ذهنها و ماشینها در (MITCBMM)
یک مرکز چندنهادی علوم و فناوری NSF که مقر آن در MIT است که به توسعه شناخت و درک هوش انسانی بر مبنای محاسبات و ایجاد یک تکنیک مهندسی براساس همان شناخت پرداخته است. مرکز CBMM دانشمندان کامپیوتر، دانشمندان علوم شناختی و دانشمندان علوم اعصاب را گرد هم میآورد تا زمینه پژوهشی جدیدی را ایجاد کند؛ یعنی حوزه علم و مهندسی هوش.
این کار تا حدودی از سوی مرکز مغزها، ذهنها و ماشینها (CBMM) پشتیبانی شد، با بودجه جایزه NSF STC به شماره CCF – 1231216
مطالب پیشنهادی: آیا هوش مصنوعی جای انسان را میگیرد
چگونه هوش مصنوعی در پزشکی انسانها را مداوا خواهد کرد؟
جان لیلیوایت، تحلیلگر و نویسنده در زمینه تکنولوژی با الکس زاوورونیکف و آنامیکا مهتا در مورد فعالیتهای شرکتشان صحبت کرده است. الکس زاوورونیکف در سال ۲۰۱۴ شرکت انسیلیکومدیسن را تاسیس کرد.
تخصص شرکت انسیلیکومدیسن استفاده از هوشمصنوعی به منظور ساخت دارو، توسعه نشانگرزیستی و تحقیقات کهن است. آنامیکا مهتا، سخنگوی شرکت انسیلیکومدیسن از چگونگی تاثیر پروژههای پیشگام شرکتشان بر فعالیتهای پزشکی در آینده خبر داد.
دنیایی را تصور کنید که قدرت کامپیوتر تنها راهی برای ساخت داروها نیست، بلکه نشانههای بیماری را قبل از بروز در بدنتان تشخیص میدهد. انسیلیکومدیسن تنها یک استارتاپ نیست، بلکه راهی برای اعتباربخشی به عنوان یک مدل تجاری است.
افرادی که با جنجالهای شرکت خدمات پزشکی ترانوس آشنا هستند، سختیهای مدل تجاری استارتاپهای پزشکی را درک میکنند. شرکت خدمات سلامت و تجهیزات آزمایشی ترانوس، در سپتامبر سال ۲۰۱۸ منحل شد و بنیانگذارانش به جرم کلاهبرداری دستگیر و محاکمه شدند.
ترانوس استارتاپی در زمینه تست خون بود که ۴۰۰ میلیون دلار از سرمایهگذاران سیلیکونولی دریافت کرد و بیش از ۹میلیارد دلار پیش از بستهشدن شرکت به دست آورد. چیزی که شرکتهای دارویی به دنبال آن هستند، تنها تحلیل هوشمصنوعی در بخشهای پزشکی نیست.
آنها به دنبال فروش در بازار نیز هستند. به نظر میرسد شرکتهای تکنولوژی و علوم که درراستای مفهوم هوشمصنوعی هستند، در آینده نزدیک اعتبارات و تجارت را تسخیر میکنند. اینسیلیکومدیسن و گروهش در ایدهآلترین حالت ممکن به درک و چگونگی کارهای تکنولوژی کمک میکند. شرکت اینسیلیکومدیسن به احتمال زیاد در امارات متحده عربی پیشرفت میکند.
با توجه به هشدارهایی که به شرکتهای دارویی براساس هوشمصنوعی داده میشود، آنامیکا مهتا دورهای را برای بررسی شکست شرکتهای پزشکی طراحی کرده است. در این دوره، مهتا و زاووریونکف با بررسی نگرشهای مختلف، چگونگی ترکیب هوشمصنوعی و بیوتکنولوژی را بررسی میکنند.
آنامیکا مهتا در این مورد میگوید: «اگرچه به نظر میرسد مطالعات کافی در زمینه علوم و تکنولوژی انجام گرفته، اما در این مورد به مطالعات بیشتری نیاز است. اکثر مطالعات ثابت میکنند که تکنیکهای سادهای مثل یوگا و مدیتیشن برای رهایی از استرس وجود دارد.
با این حال، حتی اگر برای ۲۱ روز با دقت این حرکات را انجام دهید، تغییرات مولکولی در بدن شما نشان میدهد که این تکنیکها باعث ایجاد نشانههای استرس شدهاند.» مهتا در ادامه صحبتهایش را اینگونه توضیح میدهد: «به عنوان مثال، اگر شما تحت فشارهای استرسی باشید، سطح کورتیزول در بدنتان افزایش مییابد.
اولین قدم آموزش هوش مصنوعی برای شناسایی نشانگرهای زیستی است.» برای شناسایی تغییراتی که در بدن ایجاد میشود، شناسایی نشانگرهای زیستی اهمیت بسزایی دارد، زیرا ممکن است با تغییرات معکوس، بیماران درمان شوند.
اگر شما استرس داشته باشید، تغییرات مولکولی در بدن شما موجب بیماریهای مزمنی چون سرطان میشود. اگرغذای مناسبی نداشته باشید، درنهایت دچار بیماریهایی نظیر دیابت یا بیماری سوختوساز بدن میشوید. این مثالها برای همه ما آشناست.
اما چیزی که تغییر کرده، پیشرفتهای علم ژنومیک است. این پیشروی به پزشکان این امکان را میدهد تا با استفاده از عکسهای مولکولی از تغییرات کوچکی که در بدن اتفاق میافتد و موجب بیماری میشود، اطلاع پیدا کنند. دیابت یا بیماریهای قلبی هیچگاه یکدفعه ظاهر نمیشوند.
اما طبق گفته مهتا، «در سطوح مولکولی میتوان آنها را دید». به عبارتی، با داشتن تصاویر ساختار مولکولی یا ماتریکس ساختارها میتوانیم از وقوع بیماریهایی مثل بیماری قلبی یا حتی سرطان مطلع شویم. چه میشد اگر میتوانستیم به کامپیوترآموزش دهیم تا به صورت خودکار سطوح مولکولی تمام انسانها را تشخیص دهد؟ در آن صورت چه اتفاقی میافتاد؟
همچون بسیاری چیزها در هزاره جدید، رسیدن به اهداف تاریخی با دو چیز شروع میشود؛ دادههای بسیار و تصاویر گربهها. بله، تصاویرگربهها. مهمترین مسئله آموزش به کامپیوتر است. با این آموزش، کامپیوتر تصاویرفوری مولکولی را تشخیص میدهد، همچنین تصویرصورت یک گربه را در پایگاه داده از میان ۲۵۰میلیون عکس دیگر جدا میکند.
در واقع آموزش یک کامپیوتر برای تشخیص یک گربه، ممکن است در آینده باعث تشخیص و کمک به درمان سرطان شود. این جادوی داده را به نام یادگیری عمیق نیز میشناسند. همچنین یادگیری عمیق از مولفههای مرکزی تمام اشکال هوش مصنوعی است. این مولفهها شامل اتومبیلهای بدون سرنشین، اپلیکیشن روسی پریسما و جستوجوگرتصاویر گوگل میشود.
در حال حاضر، دادههای پخششدهای از صورت گربهها منتشر شده است؛ دادههایی که تفاوت چشم گربه را با چشم انسان و یا سگ نشان میدهد. برنامههای نوشتهشده در کامپیوتر با استفاده از شبکههای عصبی تصاویر را تشخیص میدهد.
این برنامهها به ظاهرساده هستند، اما در حقیقت اینطور نیست، زیرا برنامهنویسی خطی نیست. در حال حاضرکامپیوترها با تحلیل دادهها و الگوهای برنامهنویسیشده میتوانند تصاویر گربه را شناسایی کنند. در نهایت فرایند یادگیری عمیق، شما را به سمت چیزی که هستید، هدایت میکند.
امروز به فرایند یادگیری عمیق برچسب هوش مصنوعی را میزنیم. به اعتقاد مهتا، زمانی که کار برنامهنویسی تمام میشود و وقتی سیستم را برای تشخیص آموزش دادهاند، با انتشار ویدئو یا تصویر گربه، کامپیوتر آن را تشخیص میدهد.
کامپیوتر شما بعد از برنامهنویسی به اندازهای باهوش شده که حتی اگر چشم یا نشانهای از گربه ببیند، به سرعت آن را شناسایی میکند. زاوورونیکف از این ابرانسان هوشمصنوعی بارها صحبت کرده است. او در زمان ارائهای در اسکایپ، اسلایدهایی را نشان داد که این فناوری نوظهور را ثابت میکرد.
زاوورونیکف میگوید: «رنسانس واقعی در این زمینه از سال ۲۰۱۰ شروع شد.» در سال ۲۰۱۵، یادگیری عمیق از دقت در تشخیص چهره فراتر رفت و به دقت در تشخیص متن رسید. علاوه بر این، انسان را با تشخیص و دقت در صدا به ابرانسان نزدیک میکند.
با وجود قانعکننده بودن مواردی که زاوورونیکف و مهتا مطرح کردند، آیا این مسئله کمکی به کسب درآمد میکند؟ در این زمان که هزینههای پزشکی در امارات متحده عربی، آمریکا و تمام دنیا افزایش یافته است، آیا هوش مصنوعی میتواند درمصرف مواد و محصولات دارویی صرفهجویی کند؟
چطور شرکتهای کوچکی مثل اینسیلیکومدیسن در صنعت داروسازی میلیونها دلار برای ساخت یک دارو هزینه میکنند؟ بسیاری از شرکتهای داروسازی قربانی اندازه شرکت میشوند. به گفته زاوورونیکف، شرکتهای داروسازی افرادی را به جنگلهای آمازون و جزایری نادر میفرستند تا مولکولهای جدید را پیدا کنند.
این شرکتها بایگانی عظیمی از مولکولهاست؛ مولکولهایی که کورکورانه توسط روباتها روی سلولهای انسانی و باکتریها آزمایش میشود. مشاهدات زاوورونیکف که به عنوان یکی از منابع اینسیلیکو چاپ شده بود، در جایزه جامعه شیمی آمریکا برنده شد.
در همین راستا، گروه اینسیلیکو پیشنهاد یک خط تولید و فروش دارو برپایه هوشمصنوعی را داد. به عقیده زاوورونیکف، با استفاده از این روشها، آنها قادر خواهند بود نسل جدیدی از مولکولها را دریافت و سپس روی موشها و در نهایت روی مدلهای انسانی آزمایش کنند.
زاوورونیکف ادعا میکند که استفاده از هوش مصنوعی، نیاز به شرکتهای داروسازی و امکانات عظیم روباتیک را کمرنگ میکند، در نتیجه شما تنها به زیرزمین کوچکی به عنوان آزمایشگاه نیاز دارید تا به پیشبینیهای خود اعتبار ببخشید. به هر حال، ممکن است ۹۵ درصد از آزمایشهای پزشکی شما درمورد سرطان شکست بخورد و یا دههها طول بکشد.
مدیرعامل شرکت اینسیلیکونمدیسن با اشاره به طولانیشدن فرایند کشف داروهای جدید، میگوید: «در اکثرمواقع شرکتهای دارویی شکست میخورند، زیرا شرکتها بیش از ۲۰۰ هزاردلار برای درمان بیماران هزینه میکنند؛ هزینهای که برای این شرکتها هیچ بازگشتی ندارد. شرکتها تنها خواستار افزایش تحقیق و پیشرفتشان هستند.» براساس توضیحات مهتا درمورد خط تولید داروهای شرکت اینسیلیکومدیسن، کار آنها سه گام ساده دارد. به عنوان مثال، آزمایش خون یکی از نمونههای حیاتی است.
سپس ما ماشینهایی را آموزش میدهیم که از شبکههای تحلیلگر استفاده میکنند و براساس دادهها پزشکان داروساز، دارویی را میسازند. در نهایت داروهای جدید را در بازارها امتحان میکنیم. به گفته مدیرعامل شرکت اینسیلیکومدیسن، مزیت هوشمصنوعی در این است که مولکولهایی که ۲۰ سال برای شناسایی زمان لازم دارند را با استفاده از مدلهای حیوانی امتحان و شناسایی میکند.
سیسستم پزشکی در سراسر دنیا با ورود هوش مصنوعی تغییریافته است. یکی از دلایلی که ثابت میکند هوش مصنوعی انقلابی در صنعت داروسازی است، سرعت ساخت و قیمت ارزان داروهاست. از طرفی بیگ دیتا حوزهای عمومی نیست، زیرا این دادهها برای پیشرفت هوش مصنوعی حیاتی هستند.
همچنین از طریق تکنیکهای یادگیری عمیق، بازار مشترکی میان شرکتهای داروسازی قدرتمند و آزمایشگاههای بیوتکنولوژی در آینده شکل میگیرد. با شروع و ادامه این همکاریهای مشترک قیمت دارو نیز تغییر میکند.
این همکاریهای فرهنگی و هوش مصنوعی توسط افرادی مثل ایلان ماسک حمایت میشود. هوش مصنوعی باز (OPEN AI) توسط ایلان ماسک، موسس تسلا و سم آلتمن مدیر شرکت وای کامبینیتر تاسیس شده است. هدف از ساخت هوش مصنوعی باز، اختراع و پژوهش روی هوش مصنوعی باز عمومی برای بازگویی و پیشرفت است، زیرا قدرت هوش مصنوعی پتانسیل تغییرشکل دادن دولتها و تمام صنایع را دارد.
این سازمان حرکات و اطلاعات مختلف تعیینشدهای را بازبینی میکند، برای تنظیم تعادل و مطمئن ساختن تکنولوژیهایی که بهسادگی قدرتمند نمیشوند. باید علاقههای شخصی در بخشهای پزشکی را در نظر بگیریم و دادهها و دسترسیهای تکنولوژی هوش مصنوعی را کنترل کنیم.
اینسیلیکو شاید اولین شرکتی باشد که در حوزه پیشرفت مواد مغذی فعالیت میکند. این شرکت هوش مصنوعی را قاعدهمند میکند. زاوورونیکف ازسیستم مدیریت داده و دادهکاوی استفاده میکند. سیستمهای دادهکاوی که شرکت اینسیلیکومدیسن از آن استفاده میکند، براساس تحقیقی از ایان جی گودفلو، محقق دانشگاه استنفورد و گوگل برین است. چه میشد اگر هوشمصنوعی بهسادگی یک تغییرمولکولی را انجام دهد؟ چه اتفاقی میافتاد اگر این پیشرفتها حقیقتا باعث درمان بیماریها شود؟
هوش مصنوعی به کامپیوترها خلاقیت را میآموزد. زاوورونیکف میگوید: «زمانی که ما کار قانونی انجام میدهیم، میتوانیم انواع مختلفی از داروها را برای بیماریهای مزمن بسازیم. نه فقط میتوانیم سرطان را درمان کنیم، بلکه بیماریهای دیگری را نیز درمان خواهیم کرد.
در واقع سرطان تنها قدم اول است.» با توجه به گزارش پروژههای سلامتی در امارات متحده عربی، این کشور۱۹٫۵ میلیارد دلار تا سال ۲۰۲۰ در این حوزه به دست خواهد آورد، به طور میانگین این قیمت ۱۲٫۷ درصد افزایش مییابد که نشاندهنده این است که هوش مصنوعی انقلابی در صنعت پزشکی به راه انداخته است و شکاف موجود در صنعت پزشکی خاورمیانه را پر میکند.