Искусственный интеллект доклад по информатике: Искусственный интеллект — Что это такое и почему это так важно

Что такое искусственный интеллект и как он работает

Искусственный интеллект – это технология, а точнее направление современной науки, которое изучает способы обучить компьютер, роботизированную технику, аналитическую систему разумно мыслить также как человек. Собственно мечта об интеллектуальных роботах-помощниках возникла задолго до изобретения первых компьютеров.

Людей в середине 50-х годов прошлого столетия сильно поразили возможности вычислительных машин, особенно способности ЭВМ, безошибочно выполнять множество задач одновременно. В головах ученых и писателей сразу возникли фантастические идеи о мыслящих машинах. Именно в этот период начинают зарождаться первые технологии искусственного интеллекта.

Исследования в сфере ИИ ведутся путем изучения умственных способностей человека и переложения полученных результатов в поле деятельности компьютеров. Таким образом, искусственный интеллект получает информацию из самых разных источников и дисциплин. Это и информатика, математика, лингвистика, психология, биология, машиностроение. На основе массива данных с помощью технологии машинного обучения компьютеры пытаются имитировать интеллект человека.

Главные цели ИИ достаточно прозрачны:

• Создание аналитических систем, которые обладают разумным поведением, могут самостоятельно или под надзором человека обучаться, делать прогнозы и строить гипотезы на основе массива данных.
• Реализация интеллекта человека в машине – создание роботов-помощников, которые могут вести себя как люди: думать, учиться, понимать и выполнять поставленные задачи.

История развития искусственного интеллекта

Авторство термина «искусственный интеллект» приписывают Джону Маккарти – основоположнику программирования, изобретателю языка Лисп. В 1956 году будущий лауреат престижной премии Тьюринга продемонстрировал в университете Карнеги-Меллон прототип программы на основе ИИ.

Умными роботами человечество начало грезить в первой четверти 20 века. Известный литератор Карел Чапек в 1924 года поставил в лондонском театре пьесу «Универсальные роботы». Представление поразило публику, а слово «робот» прочно вошло в обиход.

В 1943-45 годах закладываются основы для понимания и создания нейронных сетей, а уже в 1950 году Алан Тьюринг публикует в научном издании анализ интеллектуальной шахматной игры. В 1958 году появляется первый язык программирования искусственного интеллекта – Лисп.

В период с 1960 по 1970 ряд ученых доказали, что компьютеры способны понимать естественный язык на достаточно хорошем уровне. В 1965 году разработали Элизу – первого робота-помощника, который мог говорить на английском языке. В эти же годы направление ИИ стало привлекать правительственные и военные организации США, СССР и других стран. Так Министерство обороны США уже к 70-м годам запустило проект виртуальных уличных карт – прототип GPS.

В 1969 году ученые Стэнфордского университета создали Шеки – робота с ИИ, способного самостоятельно перемещаться, воспринимать некоторые данные и решать несложные задачи.

В Эдинбургском университете четырьмя годами позже (1973) был создан робот Фредди – это шотландский представитель семейства ИИ мог использовать компьютерное зрение для того, чтобы находить и собирать разные модели.

В СССР искусственный интеллект также развивался стремительно. Академики А.И. Берг и Г.С.Поспелов в 1954-64 годах создают программу «АЛПЕВ ЛОМИ», которая автоматически доказывает теоремы. В эти же годы советскими учеными был разработан алгоритм «Кора», который моделирует деятельность человеческого мозга при распознавании образов. В 1968 году Турчиным В.Ф создается символьный язык обработки данных РЕФАЛ.

80-е годы XX века стали прорывными для ИИ. Учеными были разработаны обучающие машины – интеллектуальные консультанты, которые предлагали варианты решений, умели самообучаться на начальном уровне, общались с человеком на ограниченном, но уже естественном языке.

В 1997 году создали известную шахматную программу – компьютер «Дип Блю», который обыграл чемпиона мира по шахматам Гарри Каспарова. В эти же годы Япония приступает к разработке проекта компьютера 6-го поколения на основе нейросетей.

Интересен факт, что в 1989 году другая шахматная программа Deep Thought обыграла гроссмейстера международного уровня Бента Ларсена. После этого поединка машины и человека, Гарри Каспаров заявил:

«Если интеллектуальная машина сможет переиграть в шахматы лучшего из лучших, значит, она сможет писать самую лучшую музыку, сочинять самые лучшие книги. Я не могу в это поверить. Когда я узнаю, что ученые создали компьютер с рейтингом интеллекта 2800, то есть равному моему, я сам вызову машину на шахматный поединок, чтобы защитить человеческую расу»

В 2000-е годы вновь появился интерес к робототехнике. ИИ активно внедряется в космическую отрасль, а также осваивается в бытовой сфере. Появляются системы умного дома, «продвинутые» бытовые устройства. Роботы Кисмет и Номад исследуют районы Антарктиды.

С 2008 начинается эра технологической сингулярности, которая по расчетам экспертов должна выйти в зенит в 2030 году. Начинается интеграция человека с вычислительными машинами, увеличиваются возможности человеческого мозга, появляются биотехнологии.

Принципы ИИ

Прежде чем описываться технологические принципы, без которых немыслимо развитие искусственного интеллекта, стоит познакомиться с этическими законами робототехники. Их в 1942 году вывел Айзек Азимов в своём романе «Хоровод»:

• Робот или система с искусственным интеллектом не может навредить человеку своим действием или же своим бездействием допустить, чтобы человеку был приченен вред.
• Робот должен повиноваться приказам, которые получает от человека, кроме тех, которые противоречат Первому закону.
• Робот должен заботиться о своей безопасности, если это не противоречит Первому и Второму Законам.

До выхода в свет романа Азимова, искусственный интеллект ассоциировался с образом Франкенштейна Мэри Шелли. Искусственно созданное подобие человека с разумом восстает против людей. Эту же страшилку перенесли и в знаменитый блокбастер Голливуда «Терминатор».

Интересен факт, что в 1986 году Айзек Азимов дописал еще один пункт к законам робототехники. Писатель предпочел назвать его «нулевым»:

0. Робот не может навредить человеку, если только не докажет, что в конечном итоге это (вред) будет полезно для всего человечества.

Разобравшись с этическими законами, перейдем к технологическим принципам искусственного интеллекта:

• Машинное обучение (МО) – принцип развития ИИ на основе самообучающихся алгоритмов. Участие человека при таком подходе ограничивается загрузкой в «память» машины массива информации и постановкой целей. Существует несколько методик МО: обучение с учителем – человек задает конкретную цель, хочет проверить гипотезу или подтвердить закономерность. Обучение без учителя – результат интеллектуальной обработки данных неизвестен – компьютер самостоятельно находит закономерности, учится думать как человек. Глубокое обучение – это смешанный способ, главное отличие в обработке больших массивов данных и использование нейросетей.

• Нейросеть – математическая модель, которая имитирует строение и функционирование нервных клеток живого организма. Соответственно в идеале – это самостоятельно обучаемая система. Если перенести принцип на технологическую основу, то нейросеть – это множество процессоров, которые выполняют какую-то одну задачу в масштабном проекте. Другими словами суперкомпьютер – это сеть из множества обычных компьютеров.

• Глубокое обучение относят в отдельный принцип ИИ, так как этот метод используется для обнаружения закономерностей в огромных массивах информации. Для такой непосильной человеку работы, компьютер использует усовершенствованные методики.
• Когнитивные вычисления – одно их направлений ИИ, которое изучает и внедряет процессы естественного взаимодействия человека и компьютера, наподобие взаимодействия между людьми. Цель технологии искусственного интеллекта заключается в полной имитации человеческой деятельности высшего порядка – речь, образное и аналитическое мышление.
• Компьютерное зрение – это направление ИИ используется для распознавания графических и видеоизображений. Сегодня машинный интеллект может обрабатывать и анализировать графические данные, интерпретировать информацию в соответствии с окружающей обстановкой.

• Синтезированная речь. Компьютеры уже могут понимать, анализировать и воспроизводить человеческую речь. Мы уже можем управлять программами, компьютерами и гаджетами с помощью речевых команд. Например, Siri или Google assistant, Алиса в Яндексе и другие.

Кроме того, трудно представить существование искусственного интеллекта без мощных графических процессоров, которые являются сердцем интерактивной обработки данных. Для интеграции ИИ в различные программы и устройства необходима технология API – программные интерфейсы приложений. Используя API можно без труда добавлять технологии искусственного интеллекта в любые компьютерные системы: домашняя безопасность, умный дом, оборудование на ЧПУ и прочее.

Сфера использования ИИ

Искусственный интеллект постепенно приходит во все отрасли человеческой деятельности, делая обычные программные комплексы интеллектуальными:

• Медицина и здравоохранение. Компьютерные системы ведут учет пациентов, помогают в расшифровке диагностических результатов. Например, снимки УЗИ, рентгена, томографа и другого медоборудования. Интеллектуальные системы даже могут по наличию признаков у пациента определять болезнь, предлагать оптимальные варианты лечения. В магазине приложений Гугла можно найти программы-помощники здорового образа жизни. Эти приложения считывают пульс и температуру тела при касании дисплея телефона палицами, чтобы определить уровень стресса человека и подсказать, как его снизить.
• Розничные продажи в онлайн-магазинах. Многим уже знакома релевантная реклама Гугла и Яндекса. С её помощью ритейлеры предлагают товары и услуги в соответствии с интересами пользователя. Например, вы посещали интернет-магазин купальников, какие-то модели рассматривали, читали характеристики и прочее. Покинув магазин, вы некоторое время будете видеть рекламу купальников на других сайтах. По схожему принципу работают блоки «похожие товары» в интернет-магазинах. Системы аналитики изучают поведенческие метрики пользователя, определяют его покупательские пристрастия и показывают релевантные (по их мнению) предложения.
• Политика. Интеллектуальные машины помогли Барак Обаме выиграть вторые президентские выборы. Для своей кампании тогда ещё действующий президент США нанял лучшую команду профессионалов в области анализа данных. Специалисты использовали возможности интеллектуальных машин, чтобы рассчитать наилучший день, штат и аудиторию для выступлений Обамы. По оценкам специалистов это дало перевес в 10-12%.
• Промышленность. Искусственный интеллект может анализировать данные с разных производственных участков и регулировать нагрузку на оборудование. Кроме того, интеллектуальные машины используются для прогнозирования спроса в разных отраслях промышленности.
• Игровая индустрия, образование. Искусственный интеллект активно применяется создателями игр. Умные машины, робототехника постепенно внедряются в образовательные процессы большинства государств.

Основные проблемы ИИ

Как вы понимаете возможности искусственного интеллекта на данной стадии развития не безграничны. Перечислим главные трудности:

1. Обучение машин возможно только на основе массива данных. Это означает, что любые неточности в информации сильно сказываются на конечном результате.
2. Интеллектуальные системы ограничены конкретным видом деятельности. То есть умная система, настроенная на выявление мошенничества в сфере налогообложения, не сможет выявлять махинации в банковской сфере. Мы имеем дело с узкоспециализированными программами, которым ещё далеко до многозадачности человека.
3. Интеллектуальные машины не являются автономными. Для обеспечения их «жизнедеятельности» необходима целая команда специалистов, а также большие ресурсы.

Резюме

Мы познакомились с понятием, что такое искусственный интеллект. Изучили основные принципы: этические и технологические. Рассмотрели главные препятствия на пути развития ИИ. Искусственный интеллект тесно связан с развитием компьютерной техники, а также таких наук как математика, статистика, комбинаторика и других.

Создание искусственного интеллекта реферат по информатике

ПЛАН. 1. Введение. 2. Феномен мышления. 3. Создание искусственного интеллекта. 3.1 Механический подход. 3.2 Электронный подход. 3.3 Кибернетический подход. 3.4 Нейронный подход. 3.5 Появление перцептрона. 4. Заключение. 5. Список литературы. 1. ВВЕДЕНИЕ. Современные философы и исследователи науки часто рассматривают междисциплинарные науки как одно из достижений заново открытых в 20 веке. Искусственный Интеллект и искусственная жизнь представляет прекрасный пример такой интеграции многих научных областей. К сожалению, жизнь слишком сложна, чтобы можно было наметить общие направления в исследованиях. Доказательством может служить тот факт, что некоторые заинтересованы в исследовании «систем, демонстрирующих феномены живых систем», другие изучают природу химического репродуцирования или пытаются решить философские проблемы самопознания. В понятие «искусственный интеллект» вкладывается различный смысл – от признания интеллекта у ЭВМ оснащенных программными продуктами распознавания текста и речи до отнесения к интеллектуальным лишь тех систем, которые решают весь комплекс задач, осуществляемых человеком. Теория искусственного интеллекта при решении многих задач сталкивается с определёнными проблемами. Одна из таких проблем состоит в выяснении вопроса, доказуема ли теоретически (математически) возможность или невозможность искусственного интеллекта. На этот счёт существуют две точки зрения. Одни считают математически доказанным, что ЭВМ в принципе может выполнить любую функцию, осуществляемую естественным интеллектом. Другие полагают в такой же мере доказанным математически, что есть проблемы, решаемые человеческим интеллектом, которые принципиально недоступны ЭВМ. Эти взгляды высказываются как кибернетиками так и философами. Одна из многих проблем (можно сказать основная) состоит в том, что системы, обладающие психикой, отличаются от ЭВМ тем, что им присущи биологические потребности. Отражение внешнего мира проходит через призму этих потребностей, в чем выражается активность психической системы. ЭВМ не имеет потребностей, для неё информация незначима, безразлична. У человека над слоем биологических потребностей надстраиваются социальные потребности, и информация для него не только биологически но социально значима. Однако технические системы все-таки могут иметь аналог телесной организации. Развитая кибернетическая система обладает рецепторными и эффекторными придатками. На практике под крышей термина искусственная жизнь гнездится грандиозное разнообразие различных проектов от моделей копирования ДНК и систем с обратной связью до изучения коллективного разума и динамики роста населения. много споров и различных точек зрения, но это уже другой вопрос, важно, что современные вычислительные машины этим свойством не обладают. Вот если бы случилось так, что какая-то ЭВМ, решившая, скажем задачи по электромагнетизму и квантовой механике, объединила бы эти два раздела науки и вывела уравнения квантовой электродинамики, а потом с их помощью предсказала бы новые явления в этой неизвестной ей ранее области, тогда, наверное, мы были бы в праве назвать её думающей. И прежде всего потому, что она сама, без всякой программной подсказки, решила заняться качественно новой задачей. Слово «решила» как раз и означает, что она мыслит. Всякая интеллектуальная задача представляет собой поиск способа достижения поставленной цели, а иначе это будет не решением задачи, а просто действием по точной инструкции. Когда мы говорим, что школьник решает задачу, это означает прежде всего, что он должен сообразить, какую взять для этого формулу, какие подставить в неё числа. Однако, если он, заглядывая в тетрадь соседа, подставляет указанные там числа в написанную на доске формулу, это уже не решение, а механическое повторение. Именно так ведут себя современные ЭВМ. Строго говоря, никаких задач они не решают, и часто используемое нами выражение «ЭВМ решает» имеет условный смысл… Способность ставить задачу и самопрограмироваться на её решение – это как раз и есть главное, что характеризует феномен мышления. Можно возразить данному утверждению, отметив, что и рыбы, и примитивные амёбы в погоне за добычей, тоже ставят себе задачи, изменяющиеся в зависимости от конкретных условий, значит – и они мыслят? Это могут быть примитивные формы мышления, ведь объяснить поведение животных во всём многообразии жизненных ситуаций одним лишь инстинктом – это гипотеза.(2) Животным и птицам присуще такое свойство мышления, как способность к обобщению. Например, они узнают пищу в различных конкретных формах, так сказать – пищу вообще. Наше обыденное понимание разумного слишком очеловечено, и, подобно тому, как в XIX веке многим казалась нелепой сама мысль о преемственной связи между человеком и обезьяной сегодня многих из нас смущает мысль о возможности нечеловеческого интеллекта. В частности, сами того не замечая, мы часто связываем представление о мышлении со способностью осознавать своё собственное «я», и это мешает нам более широко взглянуть на феномен мышления. Правда, связь между мышлением и чувством «я», по-видимому, действительно существует. Можно думать, что в условиях прихотливо изменяющейся внешней обстановки сложная система будет устойчивой лишь в том случае, если она обладает способностью ощущать своё состояние, а в этом и состоит суть нашего «я». Анализ показывает, что подобное чувство необходимо уже многим роботам-автоматам. Ведь робот, да и вообще всякая сложная самообучающаяся и активно общающаяся с человеком машина должна сообщать ему о состоянии своей памяти, о том, что ей понятно, а что – нет и почему. А для этого автомат должен ощущать и быть способным выразить своё состояние. Это нужно роботу и для того, чтобы вовремя заметить неполадки в своём «организме». Не осознающий себя робот едва ли сможет долго просуществовать в сложной, быстро меняющейся и воздействующей на него обстановке. 3.СОЗДАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛНКТА . С конца 40-х годов ученые все большего числа университетских и промышленных исследовательских лабораторий устремились к дерзкой цели: построение компьютеров, действующих таким образом, что по результатам работы их невозможно было бы отличить от человеческого разума. Терпеливо продвигаясь вперед в своем нелегком труде, исследователи, работающие в области искусственного интеллекта (ИИ), обнаружили, что вступили в схватку с весьма 0 0 1 Fзапутанными проблемами, далеко выходя щими за пределы традиционной информатики. Оказалось, что прежде всего необходимо понять механизмы процесса обучения, природу 0 0 1 Fязыка и чувс твенного восприятия. Выяснилось, что для создания машин, имитирующих работу человеческого мозга, требуется разобраться в том, как действуют миллиарды его взаимосвязанных нейронов. И тогда многие исследователи пришли к выводу, что пожалуй самая трудная проблема, стоящая перед современной наукой — познание процессов функционирования человеческого разума, а не просто имитация 0 0 1 Fего работы. Что непосредственно затраги вало фундаментальные теоретические проблемы психологической науки. В самом деле, ученым трудно даже прийти к единой 0 0 1 Fточке зрения относи тельно самого предмета их исследований — интеллекта. Здесь, как в притче о слепцах, пытавшихся описывать слона, пытается придерживаться своего заветного определения. Некоторые считают, что интеллект — умение решать сложные задачи; другие рассматривают его как способность к 0 0 1 Fобучению, обобщению и ана логиям; третьи — как возможность взаимодействия с внешним миром путем общения, восприятия и осознания воспринятого. Тем не менее многие 0 01 Fисс ледователи ИИ склонны принять тест машинного интеллекта, предложенный в начале 50-х годов выдающимся английским математиком и специалистом по вычислительной технике Аланом Тьюрингом. Компьютер можно считать разумным,- утверждал Тьюринг,- если он способен заставить нас 0 0 1 Fпове рить, что мы имеем дело не с машиной, а с человеком. 3.1 Механический подход Идея создания мыслящих машин «человеческого типа», 0 0 1 Fкоторые каза лось бы думают, двигаются, слышат , говорят, и вообще ведут себя как живые люди уходит корнями в глубокое прошлое. Еще древние египтяне и римляне испытывали 0 0 1 Fблагоговейный ужас перед культовыми статуями, кото рые жестикулировали и изрекали пророчества (разумеется не без помощи жрецов). Средневековые летописи полны рассказов об 0 0 1 Fавтоматах, способ ных ходить и двигаться почти также как их хозяева — люди. В средние века и даже позднее ходили слухи о том, что у кого-то из мудрецов есть гомункулы (маленькие 0 0 1 Fискусственные человечки) — настоящие живые, спо собные чувствовать существа. Выдающийся швейцарский врач и 0 0 1 Fестествоис пытатель XVI в Теофраст Бомбаст фон Гогенгейм (более известный под именем Парацельс) оставил руководство 0 0 1 Fпо изготовлению гомункула, в ко тором описывалась странная 0 0 1 Fпроцедура, начинавшаяся с закапывания в ло шадиный навоз герметично закупоренной человеческой спермы. «Мы будем как этом, а если и говорит, то отнюдь не считает, что подобные чудеса не за горами. На протяжении всей своей короткой истории исследователи в области ИИ всегда находились на переднем крае информатики. Многие ныне обычные разработки, в том числе усовершенствованные системы программирования, текстовые редакторы и программы распознавания образов, в значительной мере рассматриваются на работах по ИИ. Короче говоря, теории, новые идеи, и разработки ИИ неизменно привлекают внимание тех, кто стремится расширить области 0 0 1 Fприменения и возможности компьютеров, сделать их бо лее «дружелюбными» то есть более похожими на разумных 0 0 1 Fпомощников и ак тивных советчиков, чем те «педантичные и туповатые электронные рабы, какими они всегда были.» Несмотря на многообещающие перспективы, ни одну из разработанных до сих пор программ ИИ нельзя назвать «разумной» в обычном понимании этого слова. Это объясняется тем, что все они узко специализированы; самые сложные экспертные системы по своим возможностям скорее 0 0 1 Fнапоми нают дрессированных или механических кукол, нежели 0 0 1 Fчеловека с его гиб ким умом и широким кругозором. Даже среди исследователей ИИ теперь многие сомневаются, что 0 0 1 Fбольшинство подобных изделий принесет сущест венную пользу. Немало критиков ИИ считают, что такого рода ограничения вообще непреодолимы. К числу таких скептиков относится и Хьюберт Дрейфус, профессор философии Калифорнийского университета в Беркли. С его точки зрения, истинный разум невозможно отделить от его человеческой основы, 0 0 1 Fзаклю ченной в человеческом организме. «Цифровой компьютер 0 0 1 F- не человек, говорит Дрейфус. — У компьютера нет ни тела, ни 0 0 1 Fэмоций, ни потребнос тей. Он лишен социальной ориентации, которая приобретается жизнью в обществе, а именно она делает поведение разумным. Я не хочу сказать, что компьютеры не могут быть разумными. Но цифровые компьютеры, 0 0 1 Fзап рограммированные фактами и правилами из нашей, человеческой, жизни, действительно не могут стать разумными. Поэтому ИИ в том виде, как мы его представляем, невозможен». (1) 3.3 Кибернетический подход Попытки построить машины, способные к разумному 0 0 1 Fповедению, в зна чительной мере вдохновлены идеями 0 0 1 Fпрофессора МТИ Норберта Винера, од ной из выдающихся личностей в интеллектуальной истории Америки. Помимо математики он обладал широкими познаниями в других областях, включая нейропсихологию, медицину, физику и электронику. Винер был убежден, что наиболее перспективны научные исследования в так называемых пограничных областях, 0 0 1 Fкоторые нельзя конкретно отнес ти к той или иной конкретной 0 0 1 Fдисциплины. Они лежат где-то на стыке на ук, поэтому к ним обычно не подходят столь строго. «Если затруднения в решении какой-либо проблемы психологии имеют математический характер, пояснял он, — то десять несведущих в математике 0 0 1 Fпсихологов продвинуть ся не дальше одного столь же несведущего». Винеру и его сотруднику Джулиану Бигелоу принадлежит разработка принципа «обратной связи», который был успешно применен при разработке нового оружия с радиолокационным наведением. Принцип обратной связи заключается в использовании информации, поступающей из 0 0 1 Fокружающего ми ра, для изменения поведения машины. В основу разработанных Винером и Бигелоу систем наведения были положены тонкие математические методы; при малейшем изменении отраженных от самолета радиолокационных 0 0 1 Fсигна лов они соответственно изменяли наводку орудий, то 0 0 1 Fесть — заметив по пытку отклонения самолета от курса, они 0 0 1 Fтотчас расчитывали его даль нейший путь и направляли 0 0 1 Fорудия так, чтобы траектории снарядов и само летов пересеклись. В дальнейшем Винер разработал на принципе обратной связи теории как машинного, так и человеческого разума. Он доказывал, что именно благодаря обратной связи все живое 0 0 1 Fприспосабливается к окружающей сре де и добивается своих 0 0 1 Fцелей. «Все машины, претендующие на «разум ность»,- писал он, — должны обладать способностью преследовать 0 0 1 Fопреде ленные цели и приспосабливаться, т.е. обучаться». Созданной им науке Винер дает название кибернетика, что в переводе с греческого означает рулевой. Следует отметить, что принцип «обратной связи», введенный Винером был в какой-то степени предугадан Сеченовым в явлении «центрального торможения» в «Рефлексах головного мозга» (1863 г.) и рассматривался как механизм регуляции деятельности нервной системы, и который лег в основу многих моделей произвольного поведения в 0 0 1 Fотечественной психоло гии. 3.4 Нейронный подход К этому времени и другие ученые стали понимать, что создателям вычислительных машин есть чему поучиться у биологии. Среди них был нейрофизиолог и поэт-любитель Уоррен Маккалох, обладавший как и Винер философским складом ума и широким кругом интересов. В 1942 г. 0 0 1 FМакка лох, участвуя в научной конференции в Нью-йорке, услышал доклад одного из сотрудников Винера о механизмах 0 0 1 Fобратной связи в биологии. Выска занные в докладе идеи перекликались с собственными идеями Маккалоха относительно работы головного мозга. В течении следующего 0 0 1 Fгода Макка лох в соавторстве со своим 18-летним протеже, блестящим математиком Уолтером Питтсом, разработал теорию деятельности головного мозга. Эта теория и являлась той основой, на которой сформировалось широко 0 0 1 Fрасп ространенное мнение, что функции компьютера и мозга в 0 0 1 Fзначительной ме ре сходны. Исходя отчасти из предшествующих исследований нейронов (основных активных клеток, составляющих нервную систему животных), проведенных Маккаллохом, они с Питтсом 0 0 1 Fвыдвинули гипотезу, что нейроны можно упро щенно рассматривать как устройства, оперирующие двоичными числами. Двоичные числа, состоящие из цифр единица и нуль, — рабочий инструмент одной из систем математической логики. Английский математик XIXв. Джордж Буль, предложивший эту остроумную систему, показал, что 0 01 Fлоги ческие утверждения можно закодировать в виде единиц и 0 01 Fнулей, где еди ница соответствует истинному высказыванию, а нуль — ложному, 0 0 1 Fпосле че го этим можно оперировать как обычными числами. В 30-е годы XX 0 01 Fв. пи онеры информатики, в особенности 0 0 1 Fамериканский ученый Клод Шеннон, по няли, что двоичные единица и нуль вполне соответствуют двум состояниям электрической цепи (включено-выключено), поэтому двоичная 0 0 1 Fсистема иде ально подходит для электронно-вычислительных устройств. Маккалох и Питтс предложили конструкцию сети из 0 0 1 Fэлектронных «нейронов» и показа ли, что подобная сеть г. построил обучающуюся сеть на вакуумных электронных лампах. Однако вскоре к к моменту создания перцептрона он 0 0 1 Fперешел в противопо ложный лагерь. В соавторстве с южно- 0 0 1 Fафриканским математиком Пейпер том, с которым его 0 0 1 Fпознакомил Маккаллох, он написал книгу «Перцептро ны», где математически доказывалось, что перцептроны, подобные 0 0 1 Fро зенблатовсим, принципиально не в состоянии выполнять многие из тех функций, которые предсказывал им Розенблат. Минский утверждал, что, не говоря о роли работающих под диктовку машинисток, подвижных роботов или машин, способных читать, слушать и понимать прочитанное или 0 0 1 Fуслы шанное, перцептроны никогда не обретут даже умения 0 0 1 Fраспознавать пред мет частично заслоненный другим. Глядя на 0 0 1 Fторчащий из-за кресла коша чий хвост, подобная машина никогда не сможет понять, что она видит. Нельзя сказать, что появившаяся в 1969 г. эта критическая работа покончила с кибернетикой. Она лишь переместила интерес аспирантов и субсидии правительственных организаций США, традиционно финансирующих исследования по ИИ, на другое направление исследований — «нисходящий метод». Интерес к кибернетике в последнее время возродился, 0 0 1 Fтак как сто ронники «нисходящего метода» столкнулись со столь 0 0 1 Fже неодолимыми труд ностями. Сам Минский публично выразил сожаление, что его выступление нанесло урон концепции перцептронов, заявив, что , согласно его 0 0 1 Fтепе решним представлениям, для реального прорыва вперед в 0 0 1 Fсоздании разум ных машин потребуется устройство , во многом похожее на перцептрон. Но в основном ИИ стал синонимом нисходящего подхода, который выражался в составлении все более сложных программ для компьютеров, моделирующих сложную деятельность человеческого мозга. Искусственный интеллект и теоретические проблемы психологии. Можно выделить две основные линии работ по ИИ. Первая связана с совершенствованием самих машин, с 0 0 1 Fповышением «интеллектуальности» ис кусственных систем. Вторая связана с задачей оптимизации совместной работы «искусственного интеллекта» и собственно интеллектуальных возможностей человека. Переходя к собственно психологическим проблемам ИИ О.К. Тихомиров выделяет три позиции по вопросу о 0 0 1 Fвзаимодействии психологии и искусст венного интеллекта. 1) «Мы мало знаем о человеческом разуме, мы хотим его воссоздать, мы делаем это вопреки отсутствию знаний»- эта позиция характерна для многих зарубежных специалистов по ИИ. 2) Вторая позиция сводится к констатации ограниченности 0 0 1 Fрезультатов исследований интел лектуальной деятельности, 0 0 1 Fпроводившихся психологами, социологами и фи зиологами. В 0 0 1 Fкачестве причины указывается отсутствие адекватных мето дов. Решение видится в воссоздании тех или иных интеллектуальных 0 0 1 Fфунк ций в работе машин. Иными словами, если машина 0 0 1 Fрешает задачу ранее ре шавшуюся человеком, то знания, которые можно подчерпнуть, анализируя эту работу и есть 0 0 1 Fосновной материал для построения психологических те орий. 3) Третья позиция характеризуется оценкой исследования в области искусственного интеллекта и психологии как совершенно независимых. В этом случае допускается возможность только потребления, использования психологических знаний в плане психологического обеспечения работ по ИИ. Закономерно возникает вопрос о влиянии работ по искусственному интеллекту на развитие психологической 0 0 1 Fнауки. О.К.Тихомиров выде ляет в качестве первого 0 0 1 Fрезультата — появление новой области психоло гических исследований, а именно, сравнительные исследования того, как одни и те же задачи решаются человеком и машиной. Кроме 0 0 1 Fтого, уже пер вые работы по искусственному интеллекту 0 0 1 Fпоказали, что не только об ласть решения задач затрагивается сопоставительными исследованиями, но и проблема мышления в целом. Возникла потребность в 0 0 1 Fуточнении кри териев дифференциации «творческих» и «нетворческих» процессов. Более того, и исследования восприятия и исследования 0 0 1 Fпамяти нахо дятся под сильным влиянием машинных аналогий (монография Р.Клацки). Оригинальное отражение работ по ИИ несет на себе новая психологическая теория поведения (исследования Д. Миллера 0 0 1 FК.Прибрама Ю.Галанте ра). В то время как для традиций отечественной психологии необходимо разведение понятий поведения и деятельности. Популярные идеи системного анализа позволили сделать сравнение принципов работы искусственных систем и 0 0 1 Fсобственно человеческой дея тельности важным эвристическим приемом выделения именно специфического психологического анализа деятельности человека. В 1963 г. выступая на совещании по философским 0 0 1 Fвопросам физиоло гии ВНД и психологии, А.Н. Леонтьев сформулировал следующую позицию: машина воспроизводит операции человеческого мышления, и следовательно соотношение «машинного» и «немашинного» есть соотнесение 0 0 1 Fоперациональ ного и неоперационального в человеческой деятельности в то время этот вывод был достаточно прогрессивен и выступал против кибернетического редукционизма. Однако в последствии при сравнени операций, из которых слагается работа машины, и операций как единиц деятельности человека выявились существенные различия — в психологическом смысле «операция» отражает способ достижения результатов, процессуальную характеристику, в то время как прменительно к машинной работе этот термин используется в логико-математическом смысле (характеризуется результатом). В работах по искусственному интеллекту постоянно используется термин «цель». Анализ отношения средств к цели 0 0 1 FА.Ньюэлл и Г.Саймон на зывают в качестве одной из 0 0 1 F»эвристик». В психологической теории дея тельности «цель» является конституирующим признаком действия в отличии от операций (и деятельности в целом). В то время как в искусственных системах «целью» называют некоторую конечную 0 0 1 Fситуацию к которой стре мится система. Признаки этой ситуации должны быть четко выявленными и описанными на формальном языке. Цели человеческой деятельности имеют другую природу. Конечная ситуация может по разному 0 0 1 Fотражаться субъек том: как на понятийном уровне, так и в 0 0 1 Fформе представлений или перцеп тивного образа. Это отражение может характеризоваться разной степенью ясностьи, отчетливости. Кроме того, для человека характерно не просто достижение готовых целей но и формирование новых. Также работа систем искусственно интеллекта, характеризуется непросто наличием операций, 0 0 1 Fпрограмм,»целей», а как отмечает О.К.Тихоми ров,- оценочными функциями. И у искусственных систем есть своего рода «ценностные орентации». Но специфику человеческой 0 0 1 Fмотивационно-эмоцио нальной регуляции деятельности составляет использование не только константных, но и 0 0 1 Fситуативно возникающих и динамично меняющихся оце нок,

Искусственный интеллект: между мифом и реальностью

Могут ли машины стать умнее, чем люди? Нет, считает Жан-Габриэль Ганасия: это всего лишь миф, навеянный научной фантастикой. В своей статье он напоминает об основных этапах развития этой отрасли науки, о достижениях современной техники и об этических вопросах, все больше требующих к себе внимания.

Жан-Габриэль Ганасия

Искусственный интеллект (ИИ) – это отрасль науки, официально увидевшая свет в 1956 году на летнем семинаре в Дартмут-колледже (Хановер, США), который организовали четверо американских ученых: Джон Мак-Карти, Марвин Мински, Натаниэль Рочестер и Клод Шеннон. С тех пор термин «искусственный интеллект», придуманный, вероятнее всего, с целью привлечения всеобщего внимания, стал настолько популярен, что сегодня вряд ли можно встретить человека, который никогда его не слышал. С течением времени этот раздел информатики развивался все больше, а интеллектуальные технологии в последние шестьдесят лет сыграли важную роль в изменении облика мира.

Однако популярность термина «искусственный интеллект» во многом объясняется его ошибочным толкованием – в частности, когда им обозначают некую искусственную сущность, наделенную разумом, которая якобы в состоянии конкурировать с людьми. Эта мысль из области древних легенд и преданий, звучащая как миф о Големе, с недавних пор реанимируется такими нашими современниками, как британский физик Стивен Хокинг (1942-2018 гг.), американский предприниматель Илон Маск и американский инженер Рэй Курцвейл, а также сторонниками создания так называемого сильного или общего ИИ. Не будем, впрочем, говорить о данном понимании этого термина, ибо оно скорее представляет собой появившийся под влиянием научной фантастики продукт богатого воображения, а не осязаемую научную реальность, подтвержденную опытами и эмпирическими наблюдениями.

Для Джона Мак-Карти и Марвина Мински, как и для прочих организаторов летнего семинара в Дартмут-колледже, ИИ изначально представлял собой область науки, занимающейся компьютерным моделированием различных способностей интеллекта, идет ли речь об интеллекте человеческом, животном, растительном, социальном или филогенетическом. В основе этой научной дисциплины лежит предположение о том, что все когнитивные функции, как то обучение, мышление, расчет, восприятие, память, даже научное открытие или художественное творчество, могут быть описаны с точностью, дающей возможность запрограммировать компьютер на их воспроизведение. На протяжении более чем шестидесяти лет существования ИИ не появилось ничего, что позволило бы неоспоримо доказать либо опровергнуть гипотезу, которая продолжает оставаться открытой и побуждает ученых к новым изобретениям.

История взлетов и падений

За короткое время своего существования ИИ претерпел многочисленные изменения. В истории его развития можно выделить шесть этапов.

◼️ Период пророчеств

Поначалу, под влиянием первых успехов, исследователи позволяли себе несколько опрометчивые заявления, которые впоследствии неоднократно ставились им в упрек. Так, например, в 1958 году американец Герберт Саймон, позже ставший лауреатом Нобелевской премии по экономике, заявил, что если бы машины допускались к международным соревнованиям, то в ближайшие десять лет они стали бы чемпионами мира по шахматам.

◼️ Мрачные времена

Прогресс замедлился в середине 1960-х годов. В 1965 году десятилетний мальчик одержал в шахматном матче победу над компьютером; в 1966 году в докладе, подготовленном по заказу Сената Соединенных Штатов Америки, говорилось о внутренних ограничениях, присущих машинному переводу. Около десяти лет пресса отзывалась об ИИ неодобрительно.

◼️ Семантический ИИ

Исследования не прекратились, но пошли в новых направлениях. Ученые заинтересовались психологией памяти, механизмами понимания, которые они пытались имитировать на компьютере, и ролью знаний в мыслительном процессе. Это привело к появлению значительно развившихся в середине 1970-х годов методов семантического представления знаний, а также к созданию экспертных систем, названных так потому, что для воспроизведения мыслительных процессов в них использовались знания квалифицированных специалистов. В начале 1980-х годов на экспертные системы возлагались большие надежды в связи с широкими возможностями их применения, например, для медицинской диагностики.

◼️ Неоконнекционизм и машинное обучение

Технические усовершенствования позволили разработать алгоритмы машинного обучения (Machine Learning), благодаря которым компьютеры смогли накапливать знания и автоматически перепрограммироваться на основе собственного опыта.

Такие интеллектуальные системы стали применяться для выполнения самых различных задач (идентификация отпечатков пальцев, распознавание речи и т. д.), а комбинации различных методов из области ИИ, информатики, искусственной жизни и других дисциплин использовались для создания гибридных систем.

◼️ От ИИ до интерфейсов «человек – машина»

С конца 1990-х годов ИИ стали объединять с робототехникой и интерфейсом «человек – машина» с целью создания интеллектуальных агентов, предполагающих наличие чувств и эмоций. Это привело, среди прочего, к появлению нового исследовательского направления – аффективных (или эмоциональных) вычислений (affective computing), направленных на анализ реакций субъекта, ощущающего эмоции, и их воспроизведение на машине, и позволило усовершенствовать диалоговые системы (чат-боты).

◼️ Возрождение ИИ

С 2010 года мощность компьютеров позволяет сочетать так называемые большие данные (Big Data) с методами     глубокого обучения (Deep Learning), которые основываются на использовании искусственных нейронных сетей. Весьма успешное применение во многих областях (распознавание речи и изображений, понимание естественного языка, беспилотный автомобиль и т.д.) позволяет говорить о возрождении ИИ.

Применение

Многие результаты, достигнутые с использованием технологий ИИ, превосходят человека: в 1997 году компьютер одержал победу над действующим в то время чемпионом мира по шахматам, а недавно, в 2016 году, другие компьютеры обыграли лучших в мире игроков в го и покер. Компьютеры доказывают или помогают доказывать математические теоремы; автоматически, на основе методов машинного обучения и с помощью огромных массивов данных, объем которых исчисляется в терабайтах (10 в 12-й степени) и даже в петабайтах (10 в 15-й степени), создаются знания.

Методы машинного обучения позволяют одним автоматам распознавать устную речь и записывать ее подобно секретарям-машинисткам прошлых лет, а другим – точно идентифицировать лица или отпечатки пальцев среди десятков миллионов других и обрабатывать тексты, написанные на естественных языках. Благодаря этим же методам самостоятельно движутся автомобили, компьютеры лучше врачей-дерматологов диагностируют меланомы по фотографиям родинок, сделанных с помощью сотовых телефонов, роботы воюют вместо людей; а конвейеры на заводах все больше автоматизируются.

Ученые также прибегают к этим методам для определения функций биологических макромолекул, в частности белков и геномов, исходя из последовательности их компонентов – аминокислот для белков и оснований для геномов. В целом, во всех науках наблюдается серьезный эпистемологический разрыв, обусловленный качественным отличием экспериментов in silico – получивших такое название потому, что выполняются на основе больших данных с помощью мощных процессоров с кремниевыми чипами – от экспериментов in vivo (на живой ткани) и особенно in vitro (в стеклянных пробирках и чашках Петри).

Самообучающиеся интеллектуальные системы широко применяются практически во всех сферах, особенно в промышленности, банковском деле, страховании, здравоохранении и обороне. Многие рутинные процессы теперь можно будет автоматизировать, что преобразит наши профессии и, в конечном итоге, устранит некоторые из них.

Этические риски

ИИ подразумевает не только рациональный анализ и воспроизведение при помощи компьютеров большинства аспектов интеллекта – может быть, лишь за исключением юмора. Машины значительно превышают наши когнитивные способности в большинстве областей, что заставляет нас опасаться некоторых этических рисков. Это риски трех видов: дефицит работы, которая вместо людей будет выполняться машинами; последствия для независимости человека и, в частности, для его свободы и безопасности; опасения, что более «умные» машины будут доминировать над людьми и станут причиной гибели человечества.

Однако при ближайшем рассмотрении становится очевидно, что работа для людей не пропадает, а трансформируется, требуя новых навыков. Точно так же независимость человеческой личности и ее свобода не подвергаются неминуемой опасности из-за развития ИИ – при условии, однако, что мы останемся бдительными перед лицом вторжения технологий в частную жизнь.

И наконец, в противоположность некоторым утверждениям, машины не несут в себе экзистенциального риска для человечества, поскольку их автономия носит лишь технический характер и в этом смысле не соответствует цепочкам материальной причинности, идущим от информации к принятию решений. Кроме того, машины не самостоятельны в моральном плане, и потому, даже если иногда они сбивают нас с толку и вводят в заблуждение своими действиями, они все же не обладают собственной волей и подчиняются тем целям, которые мы перед ними ставим.

Фото: Макс Агилера-Хеллвег

Системы искусственного интеллекта – их развитие и области применения

Термин искусственный интеллект (ИИ) в 1956 году ввел Джон Маккарти на международной конференции в Дартмутском университете.

В 60-ых годах прошлого столетия разработками заинтересовалось министерство обороны США — проектировались компьютеры, имитирующие человеческие рассуждения. Эти работы легли в основу современных решений. Сегодня под ИИ подразумевают особые свойства программ, которые могут выполнять сложные функции, схожие с человеческой деятельностью.

Разберемся с основными понятиями:

Искусственный интеллект
(англ. Artificial intelligence (AI)) — под этим термином понимается область информатики, в рамках которой разрабатываются компьютерные программы для выполнения задач, способных имитировать человеческий подход — обнаруживать смысл, обобщать и делать выводы, выявлять взаимосвязи и обучаться с учетом накопленного опыта.

Искусственный интеллект никого не заменяет, цель его применения — расширение и дополнение возможностей человека.

Машинное обучение
 — одно из направлений искусственного интеллекта, благодаря которому воплощается ключевое свойство — самообучение на основе получаемых данных. Чем больше объем информации и ее разнообразие, тем проще ИИ найти закономерности и тем точнее будет выдаваемый результат.

Нейронная сеть
(нейросеть) в контексте этой тематики — один из видов машинного обучения — особая математическая модель и ее программная реализация, которая в упрощенном виде воссоздает принципы строения и работы биологической нейронной сети.

Ключевое свойство нейросети — использование опыта для самообучения, т.е. чем больше данных в распоряжении ИИ, тем меньше совершается ошибок.

Обработка естественного языка
(англ. Natural Language Processing, NLP) — способность программного решения или компьютера распознавать, понимать и воспроизводить привычный язык человека.
Система искусственного интеллекта — пользовательское ИИ-приложение или их комплекс для решения бизнес-задач, выполнение которых традиционно оставалось за человеком.

Развитие искусственного интеллекта как направления связывают с необходимостью решать конкретные задачи, которые зачастую трудоемки для людей. Однако пока каждая разработка закрывает свой узкий круг задач: для медицинских целей, для автоматизации и оптимизации рутинных процессов, умный глобальный поиск информации и т.д.

Почему технологии искусственного интеллекта набирают популярность именно сейчас?

С середины XX века писатели-фантасты и режиссеры неустанно создают произведения на тему ИИ и роботов. Однако реальное применение высоких технологий стало возможно лишь недавно — 10-15 лет назад, этому способствовало несколько факторов:

• стали доступнее вычислительные ресурсы высокой мощности (производительности). Речь идет не только о самом наличии таких машин, но и о ценовой политике. А с развитием облачных технологий пропала необходимость размещать все локально — еще один пункт, на котором экономятся средства.
• накопились достаточные объемы информации для обучения ИИ. Во-первых, человечество стало активно использовать компьютеры в работе, что со временем позволило собрать необходимые данные в цифровом виде. Во-вторых, мы научились обрабатывать структурированную и неструктурированную информацию.
• компании опробовали и увидели эффект от применения технологий искусственного интеллекта —быстрое распознавание документов и дальнейшая обработка, выдача рекомендаций на основе анализа, сокращение трудоемкости ручных операций и моментальное выявление рисков.
• всеобщий курс крупных организаций на цифровую трансформацию, что подразумевает не только внедрение передовых технологий для усиления конкурентных преимуществ, но и смену подхода к привычным процессам в целом.

Применение искусственного интеллекта

Спрос на передовые технологии растет в каждой отрасли. Например, в здравоохранении нужны «умные» личные помощники, которые вовремя напомнят о приеме лекарств, проследят за физической активностью человека, а в перспективе помогут выбрать тактику лечения, в торговле ИИ помогает прогнозировать обороты товара, а в финансовых операциях — выявлять мошенничество.

Прикладных задач для программ искусственного интеллекта много, но все они базируются на нескольких ключевых свойствах:

• ИИ — программное решение, которое используется для автоматизации ручных задач человека, часто выполняемых и в большом объеме.
• программы искусственного интеллекта чаще всего работают вкупе с другими прикладными приложениями и заметно повышают их эффективность: например, голосовые помощники в смартфонах, боты в интернет-магазинах, автоматические обработчики документов у секретаря.
• прогрессивные алгоритмы обучения и постоянная адаптация: ИИ находит закономерности в больших объемах данных, поэтому способен давать рекомендации и прогнозировать показатели.
• объемы данных, которые может анализировать и использовать в работе ИИ, огромны. С появлением достаточно мощных (производительных) компьютеров стало возможно хранить и обрабатывать множество информации.
• высокая точность в решении задач, при этом точность возрастает с увеличением объема данных, доступных для анализа и обучения. Кроме того, машина не устает — ошибки, которые допускает человек в силу усталости, невнимательности, неправильных расчетов исключаются.

Ближе к реальности — ИИ в бизнес-процессах современного офиса

Крупные современные организации в большинстве своем прошли этап цифровизации основных деловых процессов — делопроизводство, управление совещаниями, работа с контрактами, обращениями граждан и организаций и т.п. Дальнейшее развитие проектов происходит в двух направлениях: первое — охват новых областей, таких как кадровое делопроизводство, управление командировками, второе — снижение трудоемкости выполнения ежедневных задач.

Снизить трудоемкость и избавить от рутины как раз помогает применение интеллектуальных сервисов, таких как Directum Ario.

1 минута

среднее время обработки одного письма

Делопроизводство. Исключается ручной перенос информации из поступившей корреспонденции в систему электронного документооборота (СЭД):

1. документы подхватываются со сканера или электронной почты, а затем сортируются по комплектам
2. сервисы Ario также распознают текст и извлекают необходимую информацию
3. все экземпляры классифицируются и заносятся в СЭД с автоматическим заполнением карточек.

Умный поиск Directum Smart Search поможет быстро найти информацию, даже если не заданы точные критерии, а запрос введен в свободной форме и отражен лишь приблизительный смысл.

более 95%

точность определения счета и статьи затрат

Бухгалтерия. Упрощается обработка входящих комплектов, а корректность их заполнения проверяется автоматически:

1. поступающие первичные учетные документы распознаются с помощью Ario и распределяются так, что бухгалтер получает их в виде готовых комплектов на проверку;
2. программа искусственного интеллекта проверяет полноту комплекта, правильность указанных сумм, сопоставляем с заказом, спецификациями и номенклатурой. Максимально точно определяется счет и статья затрат.

В платежных документах система с применением ИИ определяет бухгалтерский счет и статью затрат по назначению платежа и контрагенту.

Также упрощается подготовка авансовых отчетов — документы создаются автоматически на основании электронных билетов и фотографий чеков. Сервисы Ario заполняют поля отчета и отправляют на согласование.

5 минут

обработка договора и выявление изменений

Договорная деятельность. Повышается эффективность уже автоматизированных процессов: сервисы Ario проверяют, насколько отличается содержание цифровой версии договора с подписанным бумажным экземпляром. Все несовпадения выделяются. Кроме того, система искусственного интеллекта контролирует наличие обязательных реквизитов и проверяет условия договора с точки зрения возможных рисков: штрафы, пени, сроки платежей.

1-2 минуты

среднее время обработки обращения

Работа с обращениями. Сервисы Ario определяют поступающие запросы по содержанию и классифицируют обращения по типам, например, заявки в службу поддержки и обращения от юридических и физических лиц.

Регистрационные карточки заполняются автоматически, в т.ч. определяется ответственный. Регистратору остается проверить правильность заполнения.

более 92%

корректность извлечения данных из документов

Кадровые процессы. Сервисы Ario помогают распознавать личные документы (паспорт, справки, дипломы и т.п.), полученные со сканера или почты. Специалист HR-службы получает документы по кандидату с уже заполненными карточками в системе.

Подробнее на странице Ario

Вендоры, в том числе Directum предлагают не просто сервисы, а целый набор решений, чтобы закрывалась целая область задач. Более того, флагманский продукт компании — интеллектуальная система управления процессами и документами Directum RX.

Что мешает эффективному использованию ИИ-технологий?

Какими бы доступными ни были сегодня возможности программы искусственного интеллекта, остается крайне весомое препятствие на пути к раскрытию их полного потенциала. Как ни удивительно, главная трудность — сам человек, его доверие и глубина знаний.

Первое, с чем приходит сталкивать — недоверие к технологии. Пользователи зачастую не понимают, как все это работает, поэтому не могут до конца «довериться» машине и постоянно перепроверяют результаты. Так и должно быть на первых порах работы с новой технологией, но спустя полгода корректность действий ИИ не должна вызывать вопросы. Крайняя степень недоверия — откровенный саботаж использования решений или отказ предоставлять полные и актуальные данные для обучения ИИ.

Второе ограничение связано с компетенциями ИТ-специалистов, которые внедряют и сопровождают такие решения. Не секрет, что ИИ — это сложные технологии, трудоемкие в реализации.

Подводя итог, нужно сказать, что применение искусственного интеллекта — это уже иной подход к работе. Сотрудникам важно самим непрерывно учиться, осваивать технологии. То, что в новинку сегодня, завтра будет привычным делом и в конечном счете сэкономит ресурсы, позволит заняться задачами более высокого уровня — стратегии, разработка, творчество и т.п.

Применение искусственного интеллекта (ИИ, AI) в промышленности

Искусственный интеллект (ИИ, artificial intelligence, AI)

Тема «искусственный интеллект» чрезвычайно обширна. Русскоязычная Википедия приводит шесть определений этого термина; мы будем ориентироваться на следующие два:

• Искусственный интеллект — это направление в информатике и информационных технологиях, задачей которого является воссоздание с помощью вычислительных систем и иных искусственных устройств разумных рассуждений и действий.
• Искусственный интеллект — это способность системы правильно интерпретировать внешние данные, извлекать уроки из таких данных и использовать полученные знания для достижения конкретных целей и задач при помощи гибкой адаптации.¹

Из первого определения следует, что ИИ тесно связан с робототехникой. Создание интеллектуальных роботов является одним из важных направлений развития ИИ. Интеллектуальность требуется роботам, чтобы они могли манипулировать объектами и, при необходимости, определять свое местонахождение, планировать перемещение. Поскольку на производстве роботы часто работают рядом и вместе с людьми, возникают проблемы безопасности персонала. Поэтому уже появились т.н. «коллаборативные роботы» (коботы), оснащенные датчиками, которые контролируют положение находящегося поблизости человека и не допускают причинения ему вреда.

Способность ИИ самостоятельно получать знания в процессе работы тесно связана с проблематикой машинного обучения (machine learning, ML). Это направление было центральным с самого начала развития ИИ.

Для решения нечeтких и сложных проблем, таких как распознавание геометрических фигур или кластеризация объектов, используются нейронные сети, так что это направление также тесно связано с проблематикой ИИ.

Помимо названных выше направлений методы ИИ применяются в следующих технологиях:

• разумные сенсоры;
• интернет вещей и промышленный интернет вещей;
• обработка естественного языка;
• машинное зрение;
• глубинное обучение;
• экспертные системы;
• распознавание текстов, речи, изображений;
• бизнес-аналитика;
• интеллектуальные системы информационной безопасности;
• машинный перевод;
• другие технологии и направления развития.

Применение ИИ в промышленности

На производственных предприятиях ИИ может применяться практически на всех уровнях:

На уровне проектирования: для повышения эффективности разработки новых продуктов, для автоматизации выбора и оценки поставщиков, при анализе требований к запчастям и деталям.

На уровне производства: для совершенствования бизнес-процессов, при автоматизации производственных линий, для снижения количества ошибок, для упрощения процесса производства за счет использования функций распознавания изображений и диалогового интерфейса.

На уровне логистики: для улучшения планирования маршрутов транспортных средств, для уменьшения сроков доставки сырья, для улучшения взаимодействия с клиентами и поставщиками с помощью интерактивного общения, для отслеживания отправлений и процесса доставки на всех его этапах, в перспективе — для предсказания колебания объемов отгрузок до того, как они произойдут.

На уровне продвижения: для прогнозирования объемов услуг поддержки и обслуживания, при управлении ценообразованием.²

Общая тенденция применения ИИ в промышленности такова: благодаря его использованию производство все больше и больше автоматизируется, вплоть до того, что участие человека практически исключается. В частности, компания LG планирует в 2023 году открыть завод, где все процессы – от закупки расходных материалов до контроля выпускаемой продукции и ее отгрузки – будут осуществляться с помощью искусственного интеллекта. Также ИИ будет контролировать износ оборудования, выполнение поставленных планов и другие факторы, которые обычно отслеживает человек.³

Финансовые перспективы

На ежегодной международной конференции AGENDA19, посвященной цифровым и передовым технологиям и проходящей под лозунгом Стратегия.Идеи.Действия (Strategy.Ideas.Action) одной из семи главных тем была такая:  The Latest Applications of Artificial Intelligence and Machine Learning» (Новейшие применения искусственного интеллекта и машинного обучения»). ⁴ В ходе конференции был сделан обзор тенденций рынка AI/ML и представлены рекомендации, призванные помочь лидерам рынка понять, что нужно делать, чтобы добиться успеха в быстро меняющейся бизнес-среде. В частности, было отмечено:

• в основе цифровой трансформации (digital transformation, DX) лежит AI;
• к концу 2019 года 40% инициатив DX будут использовать службы AI, а AI будет технологией, которая будет продвигать DX.
• к 2021 году 75% коммерческих приложений будут использовать AI;
• к 2022 году AI будет выполнять 75% IT-операций;
• к 2024 году интерфейсы с поддержкой AI заменят 30% современных экранных приложений;
• к 2024 году 7-процентный рост автоматизации на основе ИИ вызовет новую волну бизнес-процессов.

Расходы на AI-системы к 2022 году достигнут 79 миллиардов долларов. Третья часть мировых расходов на AI придется на банки и розничную торговлю.

В июне 2017 г. Госсовет КНР выпустил «Программу развития искусственного интеллекта нового поколения», в которой сказано, что искусственный интеллект стал новой сферой международной конкуренции. Это стратегическая технология, которая будет определять будущее развитие, международную конкурентоспособность страны, а также ее национальную безопасность и уровень влияния в мире. ⁵

Но пока еще степень использования AI низкая. Наилучшие варианты использования AI на предприятиях варьируются от «автоматизированных агентов обслуживания клиентов» до «автоматизации IT» и «анализа и расследования случаев мошенничества».

В целом делается вывод, что AI поможет улучшить бизнес сегодня и завтра: повысить конкурентоспособность, улучшить взаимодействие с клиентами, ускорить инновации, повысить рентабельность и производительность сотрудников.⁶ 

Ссылки:
1. https://ru.wikipedia.org/wiki/Искусственный_интеллект
2. http://www.tadviser.ru/index.php/Продукт:Искусственный_интеллект_(ИИ,_Artificial_intelligence,_AI)
3. https://robo-sapiens.ru/stati/oblasti-primeneniya-iskusstvennogo-intellekta/
4. https://www.idg.com/product/agenda/
5. https://www. idc-community.com/2019/03/22/artificial-intelligence-15-takeaways-from-agenda19-to-help-you-succeed-with-ai/
6. https://russiancouncil.ru/analytics-and-comments/analytics/kitay-upustil-promyshlennuyu-revolyutsiyu-ne-propustit-tsifrovuyu/

Искусственный интеллект — угроза или помощник для человечества?

• Ксения Гогитидзе
• Би-би-си, Лондон

10 февраля 2017

Автор фото, Thinkstock

Подпись к фото,

Симбиоз человека и машины — один из путей развития человечества

Умные машины научились блефовать, обыгрывать профессионалов в шахматы или Го, переводить и распознавать человеческий голос. Каждую неделю мы узнаем о все новых подвигах компьютерных программ, уже умеющих ставить медицинские диагнозы, рисовать не хуже Рембрандта, петь или генерировать текст. Стоит ли человеку опасаться искусственного интеллекта?

По-настоящему «горячей» тема искусственного интеллекта (ИИ/AI) стала в последние несколько лет. Ученые связывают это с бурным развитием нейронных сетей (одно из направлений исследований в области искусственного интеллекта), которое, в свою очередь, стало возможным с появлением мощных компьютеров.

«С начала 2010-х годов под влиянием впечатляющих успехов, полученных в результате применения многослойных нейронных сетей (в первую очередь сверточных и рекуррентных), эта область привлекла серьезное внимание как со стороны ученых и инженеров, так и со стороны инвесторов», — комментирует автор одной из российских шахматных программ, специалист по методам машинного обучения Сергей Марков.

Ученое сообщество может спорить о сроках появления умных машин, но сходится в одном: развитие технологий окажет безусловное влияние на общество, экономику и отношения между людьми в будущем. Уже сейчас раздаются призывы обдумать этические принципы разработки искусственного интеллекта, удостоверившись в том, что искусственный интеллект развивается в безопасном для людей направлении.

Экономический эффект и влияние на рынок труда

Научная фантастика и Голливуд сформировали представление об «искусственном интеллекте» как о следующей форме жизни на планете, которая поработит человечество в Матрице или организует ему ядерный Судный день. Выживших добьет Терминатор.

Автор фото, Getty Images

Подпись к фото,

Умрет ли человечество от Skynet?

В действительности, несмотря на последние достижения в области искусственного интеллекта, до появления разумных машиносуществ еще далеко, признают ученые и специалисты. И те, и другие, впрочем, советуют на некоторые аспекты обратить внимание уже сейчас.

По оценкам исследовательской организации McKinsey Global Institute, в ближайшие десять лет новые технологии радикально изменят рынок труда на планете, что позволит сэкономить порядка 50 трлн долларов.

Изменения коснутся сотен миллионов рабочих мест. Люди все больше и больше будут перекладывать часть своих служебных заданий и многие рутинные задачи на машину, что позволит им сосредоточиться на творческой работе.

«С некоторой точки зрения у человечества в целом есть важная и интересная задача — развиваться каждому конкретному индивидууму гораздо быстрее, чем человечество развивает системы искусственного интеллекта», — считает эксперт, директор по распространению технологий «Яндекса» Григорий Бакунов.

Но вместе с автоматизацией неминуемо пострадают менее квалифицированные кадры, и уже сейчас необходимо задуматься, как их защитить, переучить и подготовить к новой жизни.

Пострадать, как показывает практика, могут не только синие воротнички, но и работники умственного труда. Несколько дней назад Goldman Sachs заменил команду из 600 трейдеров на двух человек и автоматизированные программы алгоритмического трейдинга, для обслуживания которых были наняты 200 разработчиков-программистов.

Автор фото, Thinkstock

Подпись к фото,

Многие задачи вскоре станут по силам роботизированным системам, которые последовательно начнут заменять людей

Искусственный интеллект сам по себе не тождественен автоматизации процессов, но развитие ИИ приведет к тому, что все больше задач будет по силам компьютерной программе.

Среди вариантов решения проблемы вытеснения человека машиной на рынке труда, как указывает Аллисон Дютман, координатор программ Foresight Institute — некоммерческой организации, базирующейся в Силиконовой долине для продвижения новых технологий, — введение понятия «универсальный базовый доход», который бы получал каждый житель вне зависимости от уровня дохода и занятости. Подобный доход финансировался бы за счет так называемого инновационного налога Land Value Tax, введение которого сейчас активно обсуждается в Силиконовой долине.

Личность ли искусственный интеллект?

Является ли роботизированная система личностью? Может ли умный компьютер голосовать? Какого он пола? Отношения человека и умной машины уже сейчас обсуждают депутаты Европарламента, задаваясь вопросом, следует ли наделять будущих роботом статусом «электронной личности».

Как указывает Дютман, люди нехотя делятся правами с теми, кто им непонятен, а значит будут сопротивляться «очеловечиванию» ИИ.

Автор фото, AFP

Подпись к фото,

Человека и машину разделяет главное — способность думать

«Принимая во внимание, как долго человечество шло к тому, чтобы наделить равными правами всех людей, вне зависимости от цвета их кожи, расы или гендера, можно уже сейчас предположить, что и машины они не сходу не признают равными.

Вместе с этическими появляются и юридические тонкости: кто возьмет на себя ответственность в случае аварии беспилотного автомобиля или поломки умного медицинского устройства — и нравственные вопросы: стоит ли развивать беспилотное оружие, способное действовать без ведома человека?

Третья этическая головоломка обсуждается чаще других и волнует человечество гораздо больше: что теоретически может сделать с человечеством суперинтеллект, настоящая умная машина?

Научить ИИ этике

Специалисты в области развития ИИ признают: пусть не в ближайшие 20-30 лет, но человечество все же доживет до появления настоящего искусственного интеллекта, который будет умнее своего создателя.

«Последний бастион будет взят тогда, когда будет создан так называемый «сильный ИИ» (Strong AI, Artificial General Intelligence), то есть такой ИИ, который будет способен решать неопределенно широкий спектр интеллектуальных задач», — говорит Сергей Марков.

А главное, такой ИИ сможет самостоятельно думать.

Исследованием угроз, которые таит ИИ, а также этическими проблемами, связанными с новыми технологиями, занимаются многие институты, в числе которых организация Future of Life Institute (Институт будущего жизни), Foresight Institute, Future of Humanity Institute, OpenAI и другие.

Решение Аллисон Дютман из Foresight Institute — дать компьютеру прочитать всю научную литературу, научные статьи, поднимающие вопрос об этике, и сделать эту информацию основой для его будущих решений.

Что такое Нейронные сети и какое у них будущее?

Большинство экспертов связывают прогресс в развитии ИИ с развитием нейронных сетей.

Нейронные сети — это одно из направлений исследований в области искусственного интеллекта, основанное на моделировании биологических процессов, которые происходят в человеческом мозгу.

Именно им мы обязаны появлению впечатляющих результатов в распознавании речи и изображений, постановке медицинских диагнозов, переводе текста и создании изображений, генерации речи и музыкальной композиции.

Автор фото, iStock

Подпись к фото,

Именно с развитием нейронных систем связывают ученые развитие искусственного интеллекта

На сегодня, как признают специалисты, нейронные сети признаны одним из лучших алгоритмов машинного обучения, а решения на их основе показывают на данный момент самые выдающиеся результаты.

И это несмотря на то, что современные нейронные сети устроены в полторы тысячи раз проще, чем головной мозг крысы.

«Пока что создаваемые нами нейронные сети относительно невелики по сравнению, скажем, с нейронной сетью человеческого мозга и, кроме того, они представляют собой весьма упрощенный аналог естественных нейронных сетей. Поэтому пока что при помощи нейронных сетей мы решаем в основном сугубо прикладные задачи», — рассказывает Сергей Марков.

Сейчас создаются специализированные процессоры для обучения таких сетей (так называемые нейроморфические процессоры), которые позволят увеличить скорость вычислений на несколько порядков.

Разработчики не просто заняты сейчас увеличением количества нейронов в сети, но и изменением конструкции сетей. «Сложные системы конфигурации сетей — то, с чем сейчас производится наибольшее число экспериментов», — рассказывает Григорий Бакунов.

Автор фото, iStock

Подпись к фото,

«Умных» помощников человека в ближайшее время станет больше — микросенсоры в стене, сенсор размером с пуговицу, оповещающий человека в случае опасности

А тот факт, что такие системы стали сравнительно доступными большому числу рядовых разработчиков, привел к появлению стартапов, экспериментирующих с нейронными сетями, например Prisma (приложение позволяет обрабатывать фотографии, превращая их в стилизации картин известных художников) и Mubert (онлайн-композитор электронной музыки).

Что нас ждет в ближайшее время

Как прогнозирует профессор Университетского колледжа Лондона и Principal Scientist Nokia Bell Labs Ник Лейн, человека будут окружать еще больше «умных вещей». Они станут компактнее и эффективнее.

Профессор приводит такой пример: если раньше встроенный в стену сенсор мог лишь осознавать, что кто-то прошел мимо, то в будущем он будет не только знать, кто конкретно прошел, но и как ведет себя человек, не нуждается ли в чем, не представляет ли он угрозу для себя или окружающих.

Сенсор размером с пуговицу сможет оповещать человека в случае опасности.

С профессором согласен и Григорий Бакунов из «Яндекса»: «В ближайшее время нас ждет бум развития узких искусственных интеллектов, которые помогают решать какую-то одну довольно простую задачу, но которую они будут решать даже лучше, чем человек».

Автор фото, iStock

Подпись к фото,

Все больше появляется этических вопросов, связанных с развитием ИИ

Система распознавания голоса, например, уже сейчас распознает некоторые голосовые команды и адреса лучше, чем человек.

«Наиболее вероятным путем развития нашей цивилизации является путь синтеза человека и машины: палка, одежда, автомобиль, мобильный телефон, кардиостимулятор или кохлеарный имплантат — по мере развития наши инструменты все более и более напоминают продолжение наших тел. Уже завтра машины смогут получать от человека мысленные команды, воспринимать мысленно формируемые визуальные образы, передавать информацию непосредственно в мозг — такие проекты уже сейчас существуют за стенами наиболее продвинутых технологических лабораторий», — подытоживает Сергей Марков.

Журналисты пока еще нужны?

Газета Financial Times в прошлом году провела довольно рискованный эксперимент, одновременно поставив задачу написать текст своему профильному корреспонденту и умной программе по имени Эмма. Обе статьи затем должен был прочитать редактор Financial Times и угадать, за какой из двух заметок стоит журналист, а за какой компьютер.

Перед этим своеобразным «краш-тестом» корреспондент Financial Times признавалась: «Я думаю, программа точно справится с задачей быстрее меня. Но, надеюсь, я все-таки сделаю это лучше».

Так и случилось: Эмма действительно оказалась быстрее — программа сгенерировала текст на основе статистики об уровне безработицы в Британии за 12 минут. Журналистке потребовалось 35 минут. И, как она сама впоследствии признавалась, Эмма превзошла ее ожидания. Программа не только умело обращалась с фактами, но и поставила новость в контекст, предположив, как возможный «брексит» (дело было в мае 2016 года, до референдума о выходе Британии из ЕС) может изменить ситуацию.

Автор фото, Thinkstock

Подпись к фото,

Заменят ли людей роботизированные системы? Лет 50 у человечества в запасе есть, успокаивают специалисты

Но кое-что Эмма сделала все же хуже журналистки. «Статья Эммы была написана немного более корявым языком. Но главное, в ней было очень много цифр, — признавался редактор FT. — А, пожалуй, главное, что мы тут пытаемся делать, так это выбирать только действительно важные цифры».

Эмма — продукт стартапа Stealth. В компании говорят, что у Эммы есть команда живых помощников, но утверждают, что все, что она пишет или делает, — продукт исключительно ее «мозгов».

И все-таки — надо ли бояться ИИ?

Многие, если не все специалисты, задействованные на сегодняшний день в разработке систем искусственного интеллекта, охотно признают, что ИИ не скоро сделает людей ненужными. Именно потому, что искусственный интеллект еще не настолько умен. Главное, чего ему на сегодняшний день не хватает, — автономной возможности думать.

«Сейчас бояться ИИ ни в каком виде не стоит. Можно подождать лет 30-40, пока действительно какие-то радикальные изменения произойдут», — считает Бакунов.

Но кое-что уже происходит: понемногу стирается грань между работой или задачей, выполненной человеком, и задачей, выполненной машиной. Как объясняют специалисты, уже сейчас порой бывает сложно понять, кто сидит внутри системы — человек или машина.

«Нет критериев, когда мы сможем понять, что внутри машины зародилось сознание», — задается вопросом Бакунов.

Человек станет скрепкой?

Известный адепт алармистской точки зрения, в рамках которой ужасы, описанные в Терминаторе, могут стать реальностью, — философ Ник Бостром — придерживается мнения, что достигший интеллектуального уровня человека ИИ способен будет уничтожить человечество.

Автор фото, Getty Images

Подпись к фото,

Станет ли описанное в фильме нашей повседневной реальностью?

Бостром объясняет на примере скрепок: вы ставите перед искусственным интеллектом задачу делать скрепки, как можно больше и лучше. ИИ в какой-то момент понимает, что человек представляет угрозу, потому что может выключить компьютер, что будет противоречить задаче делать как можно больше скрепок. В случае, если человек не представляет угрозу, ИИ решает, что человеческие тела состоят из атомов, которые можно использовать для производства отличных скрепок. Итог — компьютер изведет человечество на скрепки.

Такой сценарий многим кажется преувеличением. По мнению Сергея Маркова, например, «высокая эффективность выполнения нелепой цели несовместима с нелепостью этой цели — грубо говоря, ИИ, способный переделать весь мир в скрепки, будет неизбежно достаточно умен для того, чтобы отказаться от такой цели».

Искусственный интеллект как золотая рыбка

Британский специалист в области искусственного интеллекта, профессор когнитивной науки в Университете Сассекса Маргарет Боден относится к утверждениям о скором пришествии умных машин скептически.

Автор фото, Getty Images

Подпись к фото,

В мае 1997 года компьютер Deep Blue II впервые выиграл матч у Гарри Каспарова

Профессор приводит пример «золотой рыбки», когда в обмен на свободу рыбак загадывает три желания. Одно из желаний — вернуть сына с войны, второе — 50 тысяч долларов и третье — возможность наутро загадать еще одно желание.

В тот же вечер в дом рыбака постучали. Сына вернули с войны — в гробу. Рыбак получил страховку в 50 тысяч долларов.

«Замените в этой притче рыбку на ИИ, и все станет ясно — объясняет Боден. — Ах, да, на следующий день рыбак воспользовался третьим желанием и — отменил предыдущие два».

Возможен ли перенос сознания в машину?

Сергей Марков:

«Если говорить о возможности полного переноса сознания, то современными предшественниками такой технологии будущего являются проекты, подобные Blue Brain, направленные на создание действующих электронных аналогов мозга, а также проекты, направленные на создание интерфейсов мозг-машина (BCI) — аппараты для протезирования потерянного зрения, слуха, замены утраченных конечностей, даже частей мозга.

Автор фото, Science Photo Library

Подпись к фото,

Цель специалистов в области ИИ — создать «сильный искусственный интеллект», который был бы способен решать широкий спектр задач

Очень интересным и перспективным направлением является оптогенетика (в принципе для сопряжения мозга и машины можно менять не только машины, но и саму нервную ткань, создавая в ней искусственные фоторецепторы).

Когда будет решен широкий спектр инженерных задач в рамках таких частных проектов, я думаю, что задача переноса сознания станет вполне разрешимой. Уже сейчас мечтатели предлагают гипотетические схемы для осуществления подобного проекта.

Например, Ян Корчмарюк, предложивший в свое время название «сеттлеретика» для направления исследований, связанных с переносом сознания, считает, что наиболее перспективной схемой является использование специализированных нанороботов, внедряемых в нейроны человеческого мозга. Впрочем, для успешного воплощения подобной схемы необходимо решить целый ряд сложных инженерных проблем».

Программирование и искусственный интеллект

Учебный процесс ведется по углубленной программе. Большинство практических дисциплин преподают ведущие специалисты компаний-разработчиков программного обеспечения (Яндекс, Mail.ru Group, JetBrains, DevExperts и др.). К чтению курсов привлекаются лучшие преподаватели вузов Санкт-Петербурга.

Среди студентов большое число победителей всероссийских и международных олимпиад по математике, информатике и программированию. Выпускников высоко оценивают российские и зарубежные компании. Студенты и аспиранты, которые принимают участие в научных исследованиях, получают специальные стипендии и выигрывают гранты. Их научные статьи публикуются в зарубежных изданиях, индексируемые Web of Science и Scopus.

Программа ориентирована на наиболее способных студентов, что позволяет вести обучение на глубоком теоретическом и практическом уровне. Фундаментальные знания в области теоретической информатики (computer science), непрерывной и дискретной математики преподаются известными специалистами в соответствующих дисциплинах. В практической части уделяется внимание разработке программного обеспечения и современным информационным технологиям. Занятия этой части проводятся представителями индустрии.
В образовательной программе выделены две специализации:

1. Технологии разработки программного обеспечения. Данная специализация ориентирована на студентов, прошедших усиленную подготовку в рамках бакалавриата и сконцентрирована на темах связанных с управлением проектами. В рамках специализации рассматривается не только реализация программного обеспечения, но и весь жизненный цикл в целом: от проектирования до внедрения и сопровождения. Освоение этой специализации откроет пути подъема по карьерной лестнице в направлении менеджерских позиций.
2. Технологии разработки информационных систем. Данная специализация ориентирована на студентов, желающих получить актуальный опыт в реализации информационных систем с концентрацией на разработке программного обеспечение. В рамках специализации рассматриваются современные языки программирование и их приложение к созданию мобильных и веб-приложений. Освоение этой специализации позволит развиваться в направлении получения глубокой экспертизы в одной из предметных областей.

Выпускники ОП «Программирование и искусственный интеллект» являются востребованными специалистами не только в Санкт-Петербурге и России, но и за рубежом. Студенты имеют возможность участвовать в исследованиях, проводимых в рамках международной научной лаборатории «Компьютерные технологии» и проходить практику в ведущих компаниях-разработчиках программного обеспечения, таких как Яндекс, JetBrains, Mail.ru Group, Одноклассники, Wärtsilä. Знания и опыт, полученные в результате обучения, позволяют выпускникам становиться ведущими исследователями в таких областях, как программная инженерия, машинное обучение и бионформатика. Многие выпускники становятся ведущими специалистами и руководителями в области разработки программного обеспечения, в том числе, открывают собственные стартапы.

История, реальность и хайп -SIIM 2019

Искусственный интеллект в информатике здравоохранения: обман или реальность?

Годб Мед Информ. 2019 Aug; 28 (1): 3–4.

Кейт Фульц Холлис

¹ Орегонский университет здравоохранения и науки, Департамент биомедицинской информатики и клинической эпидемиологии, Портленд, Орегон, США

Лина Ф. Суальмия

² Нормандский университет 108, Университет Руанды , Франция

Brigitte Séroussi

³ Sorbonne Université, Université Paris 13, Sorbonne Paris Cité, INSERM UMR_S 1142, LIMICS, Париж, Франция

⁴ AP-HP, Hôpital Tenon 1, Париж,

Орегонский университет здравоохранения и науки Департамент биомедицинской информатики и клинической эпидемиологии, Портленд, Орегон, США

² Normandie Université, Univ Rouen, LITIS EA 4108, Rouen, France

³ Sorbonne Université 13, Université Paris, Université 13 Париж Сите, INSERM UMR_S 1142, LIMICS, Париж, Франция

⁴ AP-HP, Hôpital Tenon, Париж, Франция

Для корреспонденции t o Кейт Фульц Холлис Орегонский университет здравоохранения и науки Департамент биомедицинской информатики и клинической эпидемиологии, Портленд, Орегон, США

Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution-NonCommercial-NoDerivatives License, которая разрешает неограниченное использование воспроизведение и распространение только в некоммерческих целях; а также использование и воспроизведение, но не распространение адаптированных материалов только в некоммерческих целях при условии надлежащего цитирования оригинальной работы.

Эта статья цитируется в других статьях в PMC.

Сводка

Цели
: Предоставить редакторам введение в Ежегодник Международной ассоциации медицинской информатики (IMIA) за 2019 год.

Методы
: В этой редакционной статье представлен обзор и введение в Ежегодник IMIA за 2019 год, который включает специальную тему «Искусственный интеллект в здравоохранении: новые возможности, проблемы и практические последствия». Обсуждается специальная тема, представлено заявление президента IMIA и изменения в охарактеризованы состав редакции Ежегодника.

Результаты
: Искусственный интеллект (ИИ) в медицине возник в 1970-х годах из новых подходов к представлению экспертных знаний с помощью компьютеров. С тех пор ИИ в медицине постепенно эволюционировал в сторону подходов, основанных на данных, с отличными результатами в анализе изображений. Однако интеграция, хранение и управление данными по-прежнему представляют собой очевидные проблемы, среди которых отсутствие объяснения результатов, полученных с помощью методов искусственного интеллекта, основанных на данных.

Заключение
: С увеличением доступности данных о здоровье и недавними разработками эффективных и улучшенных алгоритмов машинного обучения возобновился интерес к ИИ в медицине.

Цель состоит в том, чтобы помочь специалистам в области здравоохранения улучшить уход за пациентами при одновременном сокращении затрат. Тем не менее, другие затраты на ИИ, включая этические проблемы при обработке персональных данных о здоровье алгоритмами, должны быть включены.

Ключевые слова: Информатика, медицина, информационные технологии здравоохранения, Ежегодник медицинской информатики IMIA, искусственный интеллект

Искусственный интеллект и информатика здравоохранения

Искусственный интеллект (ИИ) в медицине возник в 1970-х годах.Первые системы ИИ были, по сути, системами поддержки принятия решений, основанными на знаниях, а первые методы машинного обучения использовались для вывода правил классификации из помеченных наборов данных. Эти первые системы имели хорошие характеристики. Однако на реальных пациентах они никогда не применялись рутинно. Одна из причин заключалась в том, что эти системы были автономными системами, не связанными с электронными медицинскими картами пациентов (ЭМК). Другая причина заключалась в том, что из-за субъективности экспертизы, выраженной в базах знаний этих экспертных систем, разработанные здесь системы не были приняты там, и большинство из них оказались более полезными для обучения, чем для клинической практики.

После нескольких «зим» шумиха вокруг ИИ вернулась с новыми методами машинного обучения, сфокусированными на сложном «глубоком обучении» посредством создания «более глубоких» многослойных искусственных нейронных сетей с коннекционистами. По мере того, как эти новые методы ИИ появляются и почти так же быстро становятся новостями, естественно возрастает озабоченность уровнем контроля, который мы допускаем, когда анализируем темпы внедрения новых методов ИИ и необходимость их быстрого внедрения. В мае 2019 года команды Google и Нью-Йоркского университета сообщили, что модели глубокого обучения для диагностики рака легких могут повысить точность.
1
, и исследование быстро вызвало заголовки во многих газетах и ​​журналах.В некотором смысле новости о
Природная медицина
отчет, казалось, преувеличивал успех метода (например,
Нью-Йорк Таймс
статья была «А.И. Сдал тест на выявление рака легких. Он получил пятерку »
2
). И так же, как появляется много статей с идеями о том, что ИИ может улучшить понимание биологических процессов и терапевтических методов борьбы с болезнями, столько же статей предостерегает от использования и нереалистичных ожиданий от методов ИИ. Некоторые заголовки предостережения по поводу ИИ включают: «Искусственный интеллект в здравоохранении: соответствует ли ценность шумихе?»
3
и «Лучшая медицина с помощью машинного обучения: что реально, а что искусственно?»
4
.

По всем этим причинам редакторы Ежегодника Международной ассоциации медицинской информатики (IMIA), работая с рабочими группами IMIA, решили, что специальной темой Ежегодника IMIA в 2019 году будет: «Искусственный интеллект в здравоохранении: новые возможности, вызовы, и практическое значение ». Цель состоит в том, чтобы сосредоточиться на новой волне искусственного интеллекта в медицине и описать, каковы новые возможности для таких инструментов, новые задачи и есть ли какие-либо приложения в медицинской практике, качестве здравоохранения или затратах.

Основные моменты в Ежегоднике за этот год

В основном докладе этого года «Цена искусственного интеллекта», подготовленном Энрико Койера из Австралийского института инноваций в области здравоохранения Университета Маккуори, Австралия, рассматриваются цифровые писцы и опыт радиологов, использующих искусственный интеллект. . Существует много дискуссий о потенциальных преимуществах ИИ в здравоохранении, и в основном докладе объясняется, что помимо постоянного потока доступных приложений ИИ, существуют дополнительные затраты на разработку новой технологии и подготовку ИИ, который мы хотим, включая изменения в способах. здравоохранение практикуется, пациенты нанимаются, ведутся медицинские записи, и работа возмещается.

В соответствии с темой ежегодника этого года, E.H. Shortliffe в Колумбийском университете, США, представляет отличный и обстоятельный обзор ИИ за долгую историю его использования в медицинской информатике. E.H. (Тед) Шортлифф рассматривает начало работы в области искусственного интеллекта в США с Министерством обороны США и последующую работу над ИИ Национальным институтом медицины (NIH). В частности, профессор Шортлифф описывает некоторые вопросы, поднятые организацией AI in Medicine Europe (AIME), где ключевые вопросы, такие как, как мы включаем потребности пользователей, обучение и финансирование при разработке проектов AI.Ответы на эти вопросы, как указано в документе, требуют нашего внимания, чтобы вся работа в области информатики продолжалась. Как отмечает Э. Шортлифф отмечает в своем выступлении: «(f) или тех из нас, кто десятилетиями занимается исследованиями в области искусственного интеллекта в медицине и здравоохранении, текущая видимость и энтузиазм в отношении нашей области одновременно освежает и пугает».

Автором второго доклада в разделе «История медицинской информатики» Ежегодника является Казимир А.Куликовски в Университете Рутгерса, США. Казимир А. Куликовски дает обзор ранних направлений ИИ в медицине и некоторых последующих разработок, мотивированных совершенно разными целями научных исследований для биомедицинских исследований. Он описывает компьютерное моделирование клинических рассуждений и решение более общих проблем здравоохранения с точки зрения сегодняшнего «бума искусственного интеллекта». Он также напоминает нам, насколько важны «гуманистические модели лечения, которые реагируют на обмен рассказами пациента и практикующего врача», «поскольку именно рассказы и идеи экспертов-людей поощряют то, что Норберт Вайнер назвал этическим« человеческим использованием людей », так что центральное место в соблюдении клятвы Гиппократа ».

В специальном разделе Ежегодника за 2019 год, посвященном ИИ, представлены лучшие статьи по ИИ в медицине, опубликованные в 2018 году. Редакторы специального раздела нашли статьи, описывающие подход искусственного интеллекта, который объединяет физиологическую модель с изучением состояний и параметров на основе эмпирических данных, преодолевая некоторые ограничения как несовершенных моделей и разреженных данных, так и тех, которые решают очень важную проблему. обеспечения федеративного обучения с сохранением конфиденциальности в здравоохранении и в значительно продвинутой сфере, представляя подход к сложной проблеме обучения, которая является очень сложной для федеративной среды с ограничениями конфиденциальности (т.e., изучение конкретных мер сходства пациентов в зависимости от контекста и поиск похожих пациентов на разных сайтах). Потребность в больших наборах данных и совместном использовании данных рассматривается также в исследованиях искусственного интеллекта и в информатике, поскольку нам всегда нужны лучшие способы использования больших наборов данных, которые отвечают на вопросы. В специальном разделе представлены несколько проблем, связанных с машинным обучением для больших и разнородных данных, и приятно видеть, что новая работа в области ИИ помогает нам понять, как данные могут быть быстро обработаны и использованы.

Заявление президента IMIA

Обязательно ознакомьтесь с письмом президента IMIA Кристофа Ульриха Леманна, MD, FAAP, FACMI, FIAHSI. Он рассказывает о некоторых проектах IMIA, таких как новая академия, Международная академия информатики наук о здоровье, которая сейчас находится под председательством бывшего президента IMIA профессора Райнхольда Хо, о захватывающем и рекордном количестве заявок на MEDINFO 2019, организованных в Лионе. Французской ассоциации медицинской информатики и призыв к действию для IMIA использовать информацию для улучшения здоровья и благополучия пациентов во всем мире.Мы глубоко признательны президенту Леману за упорный труд и огромное руководство, которое он передал профессору Сабине Кох в Лионе, Франция, на выставке MEDINFO 2019. Большое спасибо, доктор Леманн!

Изменения в редакционной группе Ежегодника

Редакционная группа Ежегодника была частично обновлена ​​в 2019 году. Во-первых, Кейт Фульц Холлис, научный сотрудник отдела медицинской информатики и клинической эпидемиологии Орегонского университета здравоохранения и науки (Орегон, США), заменила Джона ЧАС.Холмс, и мы приветствуем Кейт в качестве главного редактора Ежегодника. Читатели будут рады видеть, что в этом году раздел «Биоинформатика и трансляционная информатика» (БТИ) вернулся в Ежегодник. Поздравляем двух редакторов секции BTI, Малику Смайл-Таббоун, доцента компьютерных наук Университета Лотарингии (Нанси, Франция), и Бастьена Ранса, доцента медицинской информатики Парижского университета (Париж, Франция).

Пьер Цвейгенбаум и Орели Невеол, которые запустили раздел «Обработка естественного языка» (NLP) Ежегодника в 2014 году, покинули редакционную группу в 2018 году, передав редакционную ответственность за раздел NLP Наталье Грабар, исследователю в области клинической обработки языков в Университете Лилля ( Лилль, Франция) и Сирил Груэн, инженер-исследователь Университета Париж-Сакле (Орсе, Франция).Мы хотим их за это публично поблагодарить!

Мы также рады приветствовать Кристиана Баумгартнера, профессора Института инженерии здравоохранения Европейского центра тестирования медицинских устройств (Грац, Австрия), Себастьяна Коссена, ассистента университетской больницы в Университете Бордо (Бордо, Франция), и Ялини Сенатираджа , адъюнкт-профессор кафедры биомедицинской информатики Медицинской школы Университета Питтсбурга (Питтсбург, США), который в этом году работал редакторами секций информатики датчиков, сигналов и изображений, информатики общественного здравоохранения и эпидемиологии, а также человеческого фактора и организационной Выдает разделы соответственно.

Ссылки

1. Ардила Д., Кирали А.П., Бхарадвадж С., Чой Б., Райхер Дж. Дж., Пенг Лет и др. Скрининг на рак легких от конца до конца с трехмерным глубоким обучением на компьютерной томографии грудной клетки с низкой дозой Nat Med 2019. [ Epub перед печатью] [PubMed] 3. Эмануэль Э. Дж., Вахтер Р. М. Искусственный интеллект в здравоохранении: соответствует ли ценность шумихе? JAMA, май 2019 г. [Epub перед печатью] [PubMed] 4. Сария С., Бьют А., Шейх А. Лучшая медицина с помощью машинного обучения: что реально, а что искусственно? PLoS Med.2018; 15 (12): e1002721. [Бесплатная статья PMC] [PubMed] [Google Scholar]

Машинное обучение для информатики здравоохранения, 2019

Отличие от существующих курсов и переход на них:

В Венском техническом университете в настоящее время проходят следующие курсы по «машинному обучению», то есть

183.605 Машинное обучение для визуальных вычислений, 3 VU, 4,5 ECTS, в зимний период, в котором рассматриваются линейные модели для регрессии и классификации (Perceptron, модели линейных базисных функций), приложения в области компьютерного зрения, нейронные сети, функции ошибок и оптимизация (е.g., псевдообратный, градиентный спуск, метод Ньютона), сложность модели, регуляризация, выбор модели, измерение Вапника-Черновенкиса, методы ядра: двойственность, разреженность, машина опорных векторов, анализ главных компонент и правило Хеббана, канонический корреляционный анализ, байесов регрессия, векторная машина релевантности, кластеризация и векторное квантование (например, k-среднее), обзор моделей глубокого обучения; Распределение ECTS выглядит следующим образом: 112,5 часов из 30 часов лекций, 70 часов за два задания, 2,5 часа собеседований, 1 час письменного экзамена плюс 9 часов времени на подготовку.

183,663 Глубокое обучение для визуальных вычислений, 2 VU, 3 ECTS, в зимний период, охватывает глубокое обучение для автоматического анализа изображений, например для классификации изображений по категориям или обнаружения и различения людей; где глубокое обучение недавно привело к прорывам; в некоторых задачах эффективность существующих методов, основанных на этой технологии, аналогична или даже лучше, чем у людей, что является новинкой в ​​этой области. Цель этой лекции — дать всестороннее введение в глубокое обучение и его применение для решения практических задач, т.е.е. Компьютерное зрение и обработка изображений, параметрические модели, итеративная оптимизация, нейронные сети с прямой связью, обратное распространение, сверточные нейронные сети для классификации, обнаружения и сегментации, библиотеки программного обеспечения и практические аспекты, предварительная обработка, увеличение данных, регуляризация, визуализации, гостевые лекции по медицинским приложениям и этические аспекты; Распределение ECTS выглядит следующим образом: 75 часов из 16 часов лекций, 34 часа упражнений по программированию, 24 часа подготовки к экзаменам, 1 час письменного экзамена

184.702 3VU Machine Learning, зимний семестр, который в основном касается принципов контролируемого и неконтролируемого машинного обучения, включая предварительную обработку и подготовку данных, а также оценку систем обучения. Обсуждаемые модели машинного обучения могут включать, например, Обучение дереву решений, выбор модели, байесовские сети, машины опорных векторов, случайные леса, скрытые марковские модели, а также методы ансамбля;

Помимо сосредоточения внимания на информатике здоровья (биологической, биомедицинской, медицинской, клинической) и проблемах, связанных со здоровьем, мы будем опираться на вышеупомянутые курсы и ссылаться на них, чтобы избежать какого-либо параллелизма, поэтому мы будем уделять особое внимание решению проблем здоровья с другими ML-подходы (как aML, так и iML).

Следовательно, этот курс является дополнительным преимуществом для студентов, изучающих информатику, для развития машинного обучения и демонстрации некоторых примеров в важной области информатики здравоохранения, которая в настоящее время является горячей темой на международном уровне и открывает множество будущих возможностей.

(PDF) Искусственный интеллект в информатике здравоохранения: шумиха или реальность?

4

Ежегодник медицинской информатики IMIA 2019

Fultz Hollins et al.

в дополнение к постоянному потоку приложений искусственного интеллекта

становятся доступными, появляются дополнительные расходы на

разработка новой технологии и подготовка искусственного интеллекта

, которые мы хотим, включая изменения в способах оказания медицинской помощи —

заняты, создано

медицинских записей, работа возмещена.

В соответствии с темой выпуска Ежегодника

этого года, E.H. Shortliffe в

Колумбийском университете, США, представляет отличный и вдумчивый обзор ИИ

за долгую историю его использования в медицинской информатике.

E.H. (Тед) Шортлифф рассматривает начало

работы искусственной разведки в США с

Министерством обороны США и последующие

работы по ИИ Национального института медицины

(NIH).В частности, профессор Шортлифф

описывает некоторые из проблем, поднятых

организацией AI in Medicine Europe

(AIME), где ключевые вопросы, такие как

, включают потребности пользователей, обучение и финансирование

когда мы разрабатываем проекты AI. Ответы на

этих вопросов, как указано в документе, требуют

нашего внимания, чтобы вся работа в области информатики

продолжалась. Как отмечает Э. Шортлифф отмечает в своей статье

: «(f) или те из нас, кто

занимался исследованиями искусственного интеллекта

в медицине и здравоохранении на протяжении десятилетий, текущая видимость

и энтузиазм в отношении

нашей области одновременно освежает и пугает.

Второй вклад в раздел «История

медицинской информатики года» —

— это книга Казимира А. Куликовски

из Университета Рутгерса, США. Казимир А.

Куликовски дает обзор первых

направлений ИИ в медицине и некоторых

последующих разработок, мотивированных

совершенно разными целями научных исследований для

биомедицинских исследований. Он описывает компьютерное моделирование клинических рассуждений

и решение более общих проблем здравоохранения

с точки зрения сегодняшнего «AI-Deep

Learning Boom».Он также напоминает нам, насколько важны

«гуманистических моделей лечения, поддерживающих обмен мнениями между пациентом и практикующим

», «поскольку

историй и идей экспертов-людей поощряют то, что Норберт Вайнер назвал

этическим «человеческим использованием человека», следовательно,

означает соблюдение клятвы Гиппократа ».

В специальном разделе Ежегодника 2019, посвященном ИИ

, рассматриваются лучшие статьи, опубликованные в 2018 году

по ИИ в медицине.Редакторы специального раздела

нашли статьи, описывающие искусственный подход к интеллектуальному

, который объединяет физиологическую модель

с обучением состояний и

параметров из эмпирических данных, преодолевая

некоторые ограничения несовершенного

и разреженные данные, а также те

, которые решают очень важную проблему

, позволяющую сохранять конфиденциальность федеративного обучения —

в здравоохранении и значительно расширяют поле

, представляя подход к сложной проблеме обучения

, которая является очень сложный

для федеративной настройки с ограничениями конфиденциальности

(т.е., обучение схожести пациентов в зависимости от контекста —

измерений и опрос похожих пациентов

на разных сайтах). Потребность в больших наборах данных и обмене данными

рассматривается в исследованиях ИИ, а также

и в информатике, поскольку нам всегда нужны

— лучшие способы использования больших наборов данных, которые отвечают на вопросы

. В специальном разделе

представлены несколько проблем с машинным обучением для больших

и разнородных данных, и приятно видеть, что

новая работа в области ИИ помогает нам понять, как можно быстро обрабатывать и использовать данные

.

Заявление президента IMIA

Обязательно ознакомьтесь с письмом президента IMIA

Кристофа Ульриха Леманна, MD,

FAAP, FACMI, FIAHSI. Он рассказывает о

проектах IMIA, таких как новая академия,

Международная академия наук о здоровье

Информатика, которая сейчас находится под председательством

бывшего президента IMIA профессора Рейнхольда Хо,

захватывающих и рекордных

заявок на MEDINFO 2019, организованных Французской ассоциацией медицинской информатики

кал в Лионе,

и призыв к действию для IMIA

использовать информацию для улучшения здоровья

и благополучия пациентов во всем мире.Мы

глубоко благодарны президенту

Леманну за тяжелую работу и сильное руководство за его труд-

, когда он передает молоток профессору

Сабине Кох в Лионе, Франция, на MEDINFO

2019. Спасибо за внимание. очень нравится доктор Леманн!

Изменения в редакционной группе Ежегодника

Редакционная группа Ежегодника была частично обновлена ​​в 2019 году

. Во-первых, Кейт Фульц Холлис,

научный сотрудник отдела медицинской информатики

и клинической эпидемиологии в Oregon Health and Science

University (Орегон, США), имеет

вместо Джона Х.Холмс, и мы приветствуем

Кейт в качестве главного редактора Ежегодника. Читатели

будут рады видеть, что в этом году раздел

Биоинформатика и трансляционная информатика

(BTI) вернулся в Ежегодник. Благодарности

причитаются двум редакторам раздела

BTI, Малике Смайл-Таббоун, доценту

профессора компьютерных наук в Университете Лотарингии

(Нанси, Франция), и Бастьену

Ранс, доценту кафедры Медицинский формат In-

в Парижском университете (Париж, Франция).

Пьер Цвайгенбаум и Орели Невеол

, которые запустили раздел «Обработка естественного языка

» (NLP) Ежегодника в

2014, покинули редакционную группу в 2018 году, предложив

редакционной ответственности раздела

Натальи Грабар. , исследователь клинического языка

в Университете Лилля (Лилль,

Франция) и Сирил Груэн, инженер-исследователь

в Университете Париж-Сакле (Орсе, Франция).

Мы хотим их за это публично поблагодарить!

Мы также рады приветствовать Кристиана

Баумгартнера, профессора Института инженерии здравоохранения

Европейского центра тестирования медицинских устройств

(Грац,

Австрия), Себастьяна Коссена, университет

, ассистент больницы в Бордо Университет

(Бордо, Франция) и Ялини Сенатираджа,

, адъюнкт-профессор кафедры биомедицинской информатики

Университета

Медицинская школа Питтсбурга (Питтсбург,

США), которые в этом году работали в отделении

.

редакторов разделов «Датчики, сигналы и изображения»

Информатика, общественное здравоохранение и эпидемия —

ology, информатика и человеческий фактор и

разделов «Организационные вопросы» соответственно.

Ссылки

1. Ардила Д., Кирали А.П., Бхарадвадж С., Чой Б., Райхер

Дж.Дж., Пенг Л. и др. Скрининг рака легких на всех этапах

с трехмерным глубоким обучением на малодозовой компьютерной томографии грудной клетки

. Nat Med 2019. [Epub

до печати]

2. Grady D. A.I. Сдал тест на выявление рака легких.

Получил А. — Нью-Йорк Таймс. Нью-Йорк

Times; 2019. Доступно: https: //www.nytimes.

ru / 2019/05/20 / health / Cancer-arti cial-intelli-

gence-ct-scans.html. [Доступ: 26 мая 2019 г.].

3. Emanuel EJ, Wachter RM. Искусственный интеллект

в здравоохранении: соответствует ли ценность шумихе?

JAMA Май 2019 г. [Epub до печати]

4. Сария С., Бьют А., Шейх А. Лучшая медицина

с помощью машинного обучения: что реально, а что

искусственно? PLoS Med 2018; 15 (12): e1002721.

Медицинский искусственный интеллект, наука о данных в области здравоохранения и биомедицинская информатика: какова взаимосвязь? — 17 августа — Блог SBMI Informatics

Биомедицинская информатика включает смесь науки о данных с добавлением компонентов биомедицины и здоровья; он также включает социальные, поведенческие, управленческие, политические и другие аспекты данных и технологий здравоохранения.Наука о данных о здоровье — это недавнее название, которое выросло из появления больших данных о здоровье, хотя биомедицинская информатика существует уже несколько десятилетий. Медицинский искусственный интеллект (ИИ) был фактически самой важной темой биомедицинской информатики в первые дни несколько десятилетий назад. В последнее время медицинский искусственный интеллект переживает период возрождения, наконец, способный решить некоторые из самых сложных реальных проблем благодаря недавним достижениям в области машинного обучения, больших данных и вычислительных мощностей. Область биомедицинской информатики в целом является междисциплинарной областью, в которую входят:

• Клиническая наука и практика: медицина, сестринское дело, стоматология, фармация, здоровье населения
• Общественное и общественное здравоохранение
• Информатика и инженерия: базы данных, алгоритм, программирование, искусственный интеллект, машинное обучение (включая глубокое обучение), нейронные сети, когнитивные вычисления, распределенные вычисления, облачные вычисления, обработка естественного языка и текстов, безопасность, визуализация, мобильные устройства, датчики , интернет вещей, социальные сети и т. д.
• Когнитивные науки, включая когнитивную психологию, лингвистику, науку о мозге и искусственный интеллект
• Математика и биостатистика
• Социальные и поведенческие науки
• Управленческие науки
• Политика в области информационных технологий здравоохранения и правовые вопросы

В биомедицинской информатике упор делается на определенные ключевые процессы ; сбор, хранение, связь, обработка, интеграция, анализ, интеллектуальный анализ, извлечение, интерпретация и представление.Эти процессы преобразовывают данные в информацию, в знания, в интеллект; это субъект . Когда у исследователей есть объекты для оценки, следующим шагом будет выполнение описательных, прогнозных и предписывающих задач или функций . В общей науке о данных или информатике эти процессы, сущности и функции могут применяться к любым доменам . В области биомедицинской информатики домены приложения предназначены для биомедицинских открытий, оказания медицинской помощи и профилактики заболеваний.

Давайте подробнее рассмотрим, как работает этот фреймворк:

• Данные — это необработанные, необработанные, бессмысленные необработанные символы, сигналы или пиксели. Например, «101» может означать несколько вещей; десятичное число сто один, двоичное число пять, значения трех пикселей или даже метка для шоссе. Без контекста большинство типов данных бессмысленно.
• Информация — это интерпретированные данные или данные со смыслом. Например, как только мы знаем, что метрика для 101 — это градус по Фаренгейту, мы немедленно коррелируем это число с температурой.Информация предоставляет описательную функцию и сообщает вам, что произошло, в какой момент и для кого.
• Знание — это организованная информация, которая обоснована или подтверждена. Допустим, мы также знаем, что 101 ° F — это температура полости рта у взрослых. Мы сразу знаем, что это указывает на ненормальное состояние тела (лихорадку), и эта связь подтверждается медицинской практикой и исследованиями. Знание предоставляет функцию прогнозирования и сообщает вам, что может случиться.Температура ротовой полости взрослого человека 101 ° F предполагает, что состояние тела нерегулярное.
• Интеллект — практическое знание. Взрослый с температурой 101 ° F должен принять лекарство от лихорадки, пройти дополнительное обследование и диагностику и, возможно, потребуется обратиться к врачу, если это не простая простуда. Интеллект обеспечивает предписывающую функцию и сообщает вам, что нужно сделать. Температура полости рта для взрослых 101 ° F предписывает действие лекарства от лихорадки и дальнейшее обследование.

Искусственный интеллект (ИИ) и глобальное здоровье: как ИИ может способствовать здоровью в условиях нехватки ресурсов?

Сводная вставка

• Искусственный интеллект (ИИ) быстро развивается и уже используется для поддержки и улучшения медицинских услуг во многих странах с высоким уровнем доходов.

• Искусственный интеллект открывает большие перспективы для улучшения оказания медицинских услуг в условиях ограниченных ресурсов. Необходимы дальнейшие исследования и инвестиции, чтобы ускорить его развертывание в таких условиях.

• Развертывание и масштабирование, в частности, в условиях нехватки ресурсов, также потребует внимания к этическим и юридическим вопросам, в том числе связанным с конфиденциальностью данных.

Введение

Область искусственного интеллекта (ИИ) прошла долгий путь с тех пор, как этот термин был впервые введен в употребление группой исследователей в 1956 году.1 Хотя сейчас существует множество приложений ИИ, которые были развернуты в странах с высоким уровнем доходов , использование в условиях нехватки ресурсов остается относительно новым.Есть признаки того, что это меняется. В 2017 году Организация Объединенных Наций (ООН) созвала глобальное совещание для обсуждения разработки и развертывания приложений искусственного интеллекта для сокращения бедности и предоставления широкого спектра важнейших государственных услуг2. Совсем недавно на другом заседании ООН собрались различные заинтересованные стороны для оценки роли. ИИ может сыграть роль в достижении Целей устойчивого развития (ЦУР) 3.
, ^и

AI — это отрасль информатики, которая занимается моделированием интеллектуального поведения компьютеров.4 Хотя это определение кажется простым, среди экспертов в данной области нет единого мнения относительно того, что конкретно представляет собой интеллект. Однако некоторые эксперты по ИИ предположили, что что-то «действует разумно», когда: (1) то, что оно делает, соответствует его обстоятельствам и его целям; (2) гибкость к изменяющейся среде и меняющимся целям; (3) он учится на собственном опыте; и (4) он делает соответствующий выбор с учетом своих ограничений восприятия и вычислений5.

Типы AI

Обычно существует два типа AI.Способность машины представлять человеческий разум и выполнять любую интеллектуальную задачу, которую может выполнить человек, называется общим искусственным интеллектом6. Общий искусственный интеллект был первоначальной целью ранних исследований ИИ и преобладающим представлением ИИ в массовой культуре7. Учитывая проблемы и сложность, связанные с разработкой такого рода ИИ, многие исследователи обратили свое внимание на искусственный узкий интеллект: способность машины чрезвычайно хорошо выполнять одну задачу.Практически все современные приложения искусственного интеллекта для здоровья считаются искусственным узким интеллектом .7

Не существует общепринятых классификаций подполей ИИ, относящихся к здоровью. По этой причине мы решили сосредоточиться на областях, которые неоднократно упоминались исследователями и являются последовательными и повторяющимися темами на конференции «Искусственный интеллект в медицине», известной проводимой два раза в год встречи исследователей, посвященной приложениям ИИ, связанным с медициной и здоровьем8. дополнительные темы также неоднократно обсуждались в последние годы, некоторые из этих областей относятся к более приоритетным (т. е. сосредоточены на исследованиях основополагающих принципов ИИ) и, следовательно, не включены здесь.8 Многие из этих областей часто используются вместе в одном приложении.

Экспертные системы

Экспертная система, также иногда называемая системой, основанной на знаниях, представляет собой программу искусственного интеллекта, обладающую компетенцией экспертного уровня в решении конкретных проблем. Процесс построения экспертной системы известен как инженерия знаний. Экспертные системы включают два основных компонента: (1) базу знаний и (2) механизм рассуждений. Механизм рассуждений часто основан на серии сложных правил (например, утверждения «если-то»).Информация, составляющая базу знаний, почти всегда неполна или недостоверна. Развитие нечеткой логики — набора математических принципов представления знаний, основанных на вероятности и неопределенности — в последние годы ускорило эволюцию экспертных систем. Включение нечеткой логики в приложения поддержки принятия решений может помочь лучше понять, как человек будет подходить к сложным проблемам с высокой степенью неопределенности. Хотя многие системы нечеткой логики предназначены для улучшения диагностики хронических состояний, исследователи 9–11 в Южной Африке, например, использовали нечеткую логику для улучшения прогнозов вспышек холеры.12

Машинное обучение

Часто связанное с ИИ, машинное обучение является подполе и одним из приложений ИИ. На практике машинное обучение — это метод автоматизации анализа данных с использованием алгоритмов, которые итеративно идентифицируют закономерности в данных и учатся на них. Приложения машинного обучения обычно делятся на три широкие категории: (1) обучение с учителем, (2) обучение без учителя и (3) обучение с подкреплением. В обучении с учителем используются шаблоны, уже идентифицированные в данных (например, данные обучения).Напротив, приложения для обучения без учителя предназначены для поиска и изучения закономерностей в данных. Наконец, обучение с подкреплением — это расширение контролируемого обучения, в котором «вознаграждения» и «наказания» предоставляются по мере того, как приложение взаимодействует с динамической средой. Интеллектуальный анализ данных связан с неконтролируемым машинным обучением и включает выявление закономерностей в больших наборах данных. Различия тонкие, но важные.

Обработка естественного языка (NLP)

NLP — еще одно подполе ИИ, которое направлено на устранение разрыва между языками, которые люди и компьютеры используют для работы.Используя алгоритмы, которые позволяют машинам определять ключевые слова и фразы в корпусах естественного языка (т. Е. Неструктурированный письменный текст), приложения AI могут определять значение текста. Область НЛП быстро эволюционировала и теперь сосредоточена на управлении и обработке информации из больших наборов данных. Тематическое моделирование — это подход к НЛП, который направлен на автоматическое определение тем, затронутых в документах, путем установления взаимосвязей между хорошо заметными словами.

Автоматическое планирование и составление расписания

Автоматическое планирование и составление расписаний — это относительно зарождающаяся ветвь ИИ, ориентированная на организацию и определение приоритетов действий, необходимых для достижения желаемой цели.Это также иногда называют планированием ИИ. Во многих таких приложениях оптимизированные процессы выполняются другими приложениями искусственного интеллекта или автономным роботом; Это не всегда так. Некоторые приложения для автоматизированного планирования могут использоваться для повышения эффективности процедур, выполняемых человеком.

Обработка изображений и сигналов

AI также может использоваться для обработки больших объемов данных из изображений и сигналов (т. Е. Информации об атрибутах конкретного физического явления). Данные, производимые движением и звуком, являются типичными примерами сигналов.Шаги в алгоритмах обработки изображений и сигналов обычно включают анализ характеристик сигнала и классификацию данных с использованием таких инструментов, как искусственные нейронные сети (ИНС). ИНС — это вычислительные системы, основанные на сетях, содержащих мозг животных. В последние годы наличие физиологических инструментов, таких как носимые фитнес-трекеры, которые обеспечивают биомедицинские измерения, и вычислительная мощность мобильных телефонов позволили практически в реальном времени собирать данные о сигналах, которые можно обрабатывать с помощью приложений искусственного интеллекта.

Дополнительные достижения в области цифровых технологий здравоохранения в условиях ограниченных ресурсов

Страны с высоким уровнем доходов уже извлекают выгоду из интеграции ИИ в свои экосистемы здравоохранения. Один анализ показал, что использование приложений искусственного интеллекта может к 2026 году привести к сокращению расходов на здравоохранение в США примерно на 150 миллиардов долларов в год.13 Есть много причин для оптимизма в отношении того, что искусственный интеллект может также оказаться преобразующим для общественного здравоохранения в бедных ресурсами странах. Большой объем генерируемых данных создал множество возможностей для применения ИИ для улучшения здоровья людей и населения.Это особенно верно в условиях нехватки ресурсов, где наблюдается сильное проникновение мобильных телефонов, развитие облачных вычислений и значительные инвестиции в оцифровку информации о здоровье и внедрение мобильных приложений здравоохранения (mHealth). В результате во многих местах теперь есть необходимые основы для запуска значимых приложений ИИ. Достижения в области искусственного интеллекта также могут помочь расширить и усилить влияние этих и других технологий цифрового здравоохранения в таких условиях.

Медицинская информатика и электронные медицинские записи (EMR)

Медицинская информатика описывает сбор, хранение, поиск и использование медицинской информации для улучшения ухода за пациентами во взаимодействии с системой здравоохранения.Информатика в области здравоохранения может помочь в формировании программ общественного здравоохранения, обеспечивая доступность критически важной информации для принятия обоснованной политики и принятия программных решений. EMR, представляющие собой цифровые версии информации о здоровье пациентов и населения, являются важным источником данных для информатики здравоохранения. Их использование стало гораздо более распространенным в условиях ограниченных ресурсов, которые в эпоху сетевых компьютеров расширили потенциальные приложения ИИ для улучшения информатики общественного здравоохранения и принятия решений.OpenMRS — это один из примеров платформы EMR, которая в настоящее время используется более чем в 15 африканских странах. OpenMRS использовался в Кении для создания и внедрения системы EMR под названием Bora для улучшения здоровья матери и ребенка и улучшения лечения ВИЧ в сельских районах. Исследователи обнаружили, что эта система помогла повысить полноту собираемых данных и закрыть критические пробелы в медицинской помощи14. 15 DHIS2 — еще одна платформа EMR с открытым исходным кодом, используемая для сбора, проверки, анализа и представления совокупных статистических данных по пациентам.Сейчас он используется более чем в 40 странах Азии, Африки и Латинской Америки16.

Облачные вычисления

Расширение облачных вычислений привело к распространению приложений искусственного интеллекта для здравоохранения. Облачные вычисления относятся к использованию сети удаленных серверов для хранения, управления, доступа и обработки данных, а не к одному персональному компьютеру или жесткому диску. Компании быстро внедрили облачные вычисления из-за множества преимуществ, которые они предлагают по сравнению с обслуживанием собственных систем информационных технологий (ИТ), включая повышенную надежность и существенную экономию затрат.Благодаря компаниям, предоставляющим услуги облачных вычислений, организации с ограниченными ресурсами, особенно в странах с низким и средним уровнем дохода (СНСД), теперь могут получить доступ к вычислительным мощностям, которые ранее были недостижимы. В то время как EMR могут поддерживаться в облаке с соответствующими мерами безопасности и конфиденциальности, облачные вычисления могут использоваться с множеством данных, связанных с общественным здравоохранением. Одним из привлекательных преимуществ облачных вычислений является то, что они позволяют реализовать приложения, которые полагаются на ИТ-инфраструктуру, в тех условиях, где она в настоящее время отсутствует.Например, исследователи недавно протестировали приложение для облачных вычислений с использованием данных пациентов, которое было направлено на улучшение интерактивных голосовых телефонных звонков для управления неинфекционными заболеваниями в Гондурасе. Исследователи обнаружили, что вмешательство было эффективным, несмотря на отсутствие адекватной ИТ-инфраструктуры в стране17.

Мобильное здравоохранение

mHealth использует мобильные и беспроводные технологии для достижения целей в области здравоохранения. Быстрая доступность и распространение мобильных телефонов в странах с низкими доходами открыло несколько возможностей для использования этих технологий для поддержки усилий в области здравоохранения.Мобильные телефоны использовались местными медработниками (МСР) для улучшения оказания медицинских услуг в условиях ограниченных ресурсов. В Танзании неправительственная организация разработала инструмент для мобильных телефонов, который помогает работникам-медикам доставлять целевую информацию беременным женщинам и лицам, ухаживающим за маленькими детьми18. В настоящее время проводится оценка общего воздействия этого инструмента. Мобильные телефоны также использовались для передачи медицинской информации пациентам в условиях ограниченных ресурсов, когда личное общение невозможно.Использование службы коротких сообщений для устранения препятствий на пути вакцинации со стороны спроса и улучшения охвата иммунизацией было тщательно задокументировано в ходе рандомизированных контролируемых испытаний в таких странах, как Кения19 и США.20

Приложения искусственного интеллекта в условиях нехватки ресурсов

В академической литературе мало что было описано в академической литературе о приложениях искусственного интеллекта для здравоохранения в условиях ограниченных ресурсов. Однако это не следует рассматривать как показатель текущей деятельности в этой области. В средствах массовой информации и на конференциях освещается множество примеров перспективных технологий.Сообщество «ИИ для развития» опубликовало несколько наблюдений за тем, как ИИ был реализован в условиях нехватки ресурсов. Главный урок, извлеченный из опыта тех, кто работает над ИИ в условиях ограниченных ресурсов, заключается в том, что «ИИ должен встраивать интеллект в существующие системы и учреждения, а не начинать с нуля или надеяться на замену существующих систем, даже если они сломаны» 21. требует знания местных рынков, четких требований к удобству использования и доступа к адекватным обучающим данным через полевые испытания.21 Примеры того, как в настоящее время развертывается ИИ, приведены ниже. Хотя многие из этих вмешательств еще не прошли тщательную оценку, они действительно дают представление о том, как применяются подобласти ИИ, и об их потенциале, выходящем за рамки текущих пилотных проектов.

В условиях ограниченных ресурсов экспертные системы могут использоваться для поддержки программ здравоохранения несколькими способами. Во-первых, медицинские экспертные системы могут помочь врачам в диагностике пациентов и выборе планов лечения, как это делается в странах с высоким уровнем доходов. В некоторых случаях они могут действовать вместо человека-эксперта, если он недоступен, что часто имеет место в бедных общинах.Таким образом, экспертные системы уже развернуты в условиях нехватки ресурсов. Асфиксию при рождении не всегда можно предсказать или предотвратить. Случаи часто требуют немедленной квалифицированной реанимации в родильном зале. Исследователи из Бразилии и США разработали экспертную систему на основе нечеткой логики для прогнозирования асфиксии при рождении для использования в развивающихся странах. Система связывает медицинские, акушерские и неонатальные характеристики матери с клиническим состоянием новорожденного для прогнозирования необходимости реанимации.Исследователи обнаружили, что приложение было 77% чувствительным и 95% специфичным для определения потребности в асфиксии при рождении в центрах третичной перинатальной медицины22.

ИИ уже используется для прогнозирования, моделирования и замедления распространения болезней в эпидемических ситуациях по всему миру, в том числе в условиях нехватки ресурсов. Лихорадка денге — это трансмиссивное заболевание, которое в последние годы быстро распространилось по всему миру. Около половины населения мира в настоящее время подвержено риску23. Исследователи разработали инструмент машинного обучения для определения погодных условий и моделей землепользования, связанных с передачей лихорадки денге в Маниле.Алгоритм машинного обучения на протяжении многих итераций научился точно настраивать свою модель для прогнозирования возникновения денге с возрастающей точностью24. В настоящее время исследователи работают с правительством Филиппин над расширением программы.

В настоящее время существует два способа прямого использования НЛП для решения проблем со здоровьем в условиях ограниченных ресурсов. Во-первых, он используется для эпиднадзора и прогнозирования вспышек болезней с использованием данных из электронных медицинских карт, онлайн-СМИ и социальных сетей.Global Health Monitor — один из примеров онлайн-системы для обнаружения и картирования вспышек инфекционных заболеваний. Инструмент работает, выявляя новости на английском языке и классифицируя их по актуальности. Затем соответствующие статьи наносятся на карту с использованием информации геокодирования, которая может помочь эпидемиологам и руководителям программ отслеживать распространение болезней25.

NLP также используется для анализа неструктурированного текста в медицинской литературе и EMR для поддержки принятия клинических решений или отслеживания поведения населения в отношении здоровья.Используя данные из Интернета, например, НЛП применялось к широкому кругу проблем общественного здравоохранения, от улучшения протоколов лечения до отслеживания различий в состоянии здоровья26. 27 НЛП и машинное обучение также используются для руководства лечением рака в условиях ограниченных ресурсов в том числе в Таиланде, Китае и Индии.28 Исследователи обучили приложение ИИ давать соответствующие рекомендации по лечению рака, давая им описания пациентов и сообщая приложению лучшие варианты лечения.Приложение AI использует NLP для изучения медицинской литературы и историй болезни, включая записи врачей и результаты лабораторных исследований, чтобы дать рекомендации по лечению. При обследовании разных пациентов это приложение было согласовано со специалистами более чем у 90% пациентов в одном исследовании и у 50% — в другом 28.

Планирование искусственного интеллекта также уже применяется для улучшения оказания первичных медицинских услуг в условиях ограниченных ресурсов. Эти инструменты — версии которых находятся в стадии разработки или апробируются — применяются для повышения эффективности программ, начиная от иммунизации и кончая цепочкой поставок или справочными службами в многоуровневой системе.СРЗ часто посещают несколько домашних хозяйств в день — часто разделенные на большие расстояния — где они предоставляют медицинскую информацию, отпускают некоторые лекарства или выполняют ограниченные медицинские процедуры. В сотрудничестве с исследователями и социальным предприятием было разработано приложение для планирования ИИ для оптимизации расписания CHW в сообществах в Африке.29 Поскольку планирование ИИ, как и многие другие дисциплины ИИ, основывается на доступности соответствующих высококачественных данных, достижениях в области мобильной связи и Оцифрованные данные о производительности системы здравоохранения и распределении ресурсов открывают дополнительные возможности для планирования ИИ в условиях нехватки ресурсов.

Обработка сигналов — еще одна связанная область, которой может способствовать быстрое распространение мобильных устройств, которые могут захватывать и передавать сигналы, и появление облачных вычислений. Конкретные возможности в условиях нехватки ресурсов в настоящее время сосредоточены на сигналах, которые можно собирать с помощью мобильных телефонов или однофункциональных дополнительных устройств, которые связаны с мобильными телефонами, или многоцелевых инструментов, которые могут собирать различные виды цифровых данных. Такие возможности обработки сигналов в условиях ограниченных ресурсов являются многообещающими, особенно в сочетании с принципами машинного обучения и облачными вычислениями.Например, обработка сигналов и машинное обучение использовались в Нигерии для прогнозирования асфиксии при рождении с помощью мобильного телефона.30 Приложение использует родовой крик детей, собранный с помощью мобильного устройства, для выявления детей, которые могут испытывать асфиксию при рождении в условиях ограниченных ресурсов. . Приложения, которые собирают и передают сигналы, собираемые датчиками, которые непрерывно записывают все, что контролируется (например, трекеры активности), находятся дальше в таких настройках.

По мере того, как страны с ограниченными ресурсами становятся все более связанными и производимые ими данные становятся более качественными, возможности ИИ по решению проблем со здоровьем, вероятно, будут расширяться.Кроме того, по мере развития стран некоторые из новых цифровых технологий, описанных здесь, могут использоваться для мониторинга популяций пациентов и медицинских данных с целью выявления закономерностей, которые потенциально могут идентифицировать предстоящую вспышку или другие чрезвычайные ситуации в области общественного здравоохранения. Это позволило бы агентствам общественного здравоохранения, таким как ВОЗ, проводить расследования и отслеживать в реальном времени модели причинно-следственных связей, которые могли бы смягчить развитие эпидемии.

Вопросы без ответа и остающиеся проблемы

Шейхтахери и другие
31 описаны многие проблемы, связанные с проектированием и внедрением экспертных систем для поддержки принятия клинических решений.В целом они приходят к выводу, что успешное внедрение любой экспертной системы требует четкого определения клинической проблемы, которую необходимо решить. Создание и обновление базы знаний является сложной задачей в лучших обстоятельствах и может усугубиться в условиях нехватки ресурсов. Многие экспертные системы также не имеют механизма отслеживания точности, что может подорвать доверие врачей и пациентов. Шейхтахери и др.
31 также поднимает интересные вопросы о том, требуются ли экспертные системы для всех областей заболеваний и как следует интегрировать различные системы ИИ.Они предполагают, что отсутствие ответов на эти вопросы помешало экспертным системам перейти от исследования к внедрению.

Приложениям машинного обучения с учителем требуются высококачественные наборы данных, которые можно использовать для обучения алгоритмов машинного обучения для выявления факторов риска или постановки диагноза31. Для многих заболеваний и состояний, относящихся к условиям ограниченных ресурсов, такие наборы данных могут быть трудными и требующими много времени. требуется собрать.31 Кроме того, лучшая диагностика не означает доступ к подходящим или качественным вариантам лечения.Хотя приложения удаленной диагностики и машинного обучения могут помочь в выявлении заболеваний, нет гарантии, что выявленное состояние можно вылечить в любых условиях. Таким образом, принцип «не навреди» и этика в отношении предоставления лечения после тестирования и подтверждения заболевания («тестируй и лечи») при развертывании приложений ИИ актуальны в такой же степени, как и в любом другом контексте.

Каррель и др.
32 описывают некоторые проблемы, связанные с адаптацией клинических систем НЛП к различным условиям здравоохранения.Используя в качестве примера колоноскопический скрининг, они выделяют существенные ресурсы, необходимые для составления корпусов естественного языка, обращаются к различным структурам записей и имеют дело с идиосинкразическим лингвистическим содержанием. Эти проблемы, вероятно, будут умножены при рассмотрении медицинских учреждений в странах с низким уровнем дохода. Страны с ограниченными ресурсами иногда ведут рукописные медицинские записи на местных языках. Следовательно, создание корпусов естественного языка может потребовать значительных усилий.ВОЗ выступает за принятие стандартизированной медицинской терминологии или разработку местных словарей данных для решения некоторых из этих проблем33.

Существенные данные необходимы для создания и внедрения приложений автоматического планирования и составления расписаний.29 Сбор таких данных в условиях нехватки ресурсов часто бывает трудным и требует много времени. Брунскилл и Леш описывают обширный сбор данных, необходимый для создания основы для разработки улучшенного расписания CHW в странах Африки к югу от Сахары.29 Кроме того, эффективность автоматизированных приложений планирования и составления расписаний будет во многом зависеть от качества данных, используемых для разработки приложения. В настоящее время сбор высококачественных данных о системах здравоохранения во многих странах с ограниченными ресурсами затруднен. Такие проблемы могут замедлить развитие автоматизированного планирования и составления графиков там, где они будут больше всего необходимы.

В то время как подключение к Интернету улучшается во всем мире, некоторые настройки с ограниченными ресурсами остаются без доступа к значительной пропускной способности, необходимой для загрузки очень больших наборов данных сигналов в облако.Некоторые приложения, включая инструменты mHealth, используемые CHW, могут работать в автономном режиме и синхронизироваться с удаленными базами данных, когда пропускная способность достаточна. Для локального хранения таких данных также могут потребоваться значительные инвестиции в ИТ-инфраструктуру. Хотя цены на устройства в настоящее время также являются препятствием, ожидается, что они со временем снизятся, поскольку компании воспользуются экономией на масштабе.

Также необходимо учитывать экологические проблемы. Использование ИИ в условиях нехватки ресурсов требует глубокого понимания местного социального контекста, требований к инфраструктуре и дополнительных связанных инфраструктурных потребностей, включая ИТ, сети связи и платформы для оказания первичных медицинских услуг.Многие приложения искусственного интеллекта зависят от наличия надежных систем электронных медицинских карт, создание которых требует значительных инвестиций. Кроме того, приложения ИИ будут иметь ограниченное влияние, если они не будут эффективно интегрировать языки и алфавиты, используемые в электронных медицинских картах многих развивающихся стран.

В странах с высоким уровнем доходов обсуждения этики электронных медицинских карт и ИИ в основном были сосредоточены на конфиденциальности, конфиденциальности, безопасности данных, информированном согласии и владении данными.Большинство из этих соображений применимо к настройкам с ограниченными ресурсами. Однако актуальность этих вопросов варьируется в зависимости от различий в культуре, грамотности, взаимоотношений между пациентом и поставщиком, доступной ИТ-инфраструктуры и нормативных вопросов в СНСУД. Одним из предлагаемых подходов к ведению безопасных и прозрачных медицинских записей является использование «блокчейна», системы распределенной бухгалтерской книги, известной прежде всего тем, что она используется в криптовалютах.

Кроме того, некоторые эксперты выразили обеспокоенность по поводу того, что некоторые приложения искусственного интеллекта могут потенциально усугубить неравенство, в том числе связанное с этническим, социально-экономическим и гендерным аспектами.Они отмечают, что культурные предрассудки могут отражаться в данных, алгоритмах и других аспектах разработки ИИ34. В одном недавнем отчете было обнаружено, что приложение, использующее записи об арестах, почтовые индексы и социально-экономические данные для оценки риска рецидивизма в судах США, было предвзято против чернокожих. граждане35. Эти проблемы усугубляются тем фактом, что многие алгоритмы ИИ представляют собой «черный ящик» и, следовательно, с меньшей вероятностью будут подвергаться оценке на предмет предвзятости. Однако некоторые исследователи работают над оценкой предвзятости, проверяя, насколько хорошо они предсказывают путем случайного изменения ключевых переменных для людей, для которых приложения ИИ пытаются сделать прогноз.36 Чтобы ИИ приносил пользу всем, в том числе в условиях ограниченных ресурсов, эти предубеждения необходимо учитывать при разработке таких приложений. В области здравоохранения обеспечение участия большего числа женщин и тех сообществ с ограниченными ресурсами в разработке приложений искусственного интеллекта также поможет уменьшить такие предубеждения.

Генерация больших объемов данных, естественно, вызывает вопросы о праве собственности на данные и о том, кто может получить доступ к каким конкретным данным в исследовательских или коммерческих целях. Несмотря на то, что на начальном этапе были предприняты определенные усилия по решению этой проблемы, включая Принципы обмена данными в развивающихся странах , которые были выдвинуты в Найроби в 2014 году, их широкое принятие еще не получено.37 Основная концепция, положившая начало разработке этих принципов, заключается в том, что данные, полученные за счет государственных средств, следует рассматривать как общественное благо. Создание хранилища больших объемов данных для глобального здравоохранения поможет обеспечить доступность таких данных в качестве глобального общественного блага. Многие СНСУД подписали соглашения о том, что данные, созданные с использованием государственных средств, должны быть в свободном доступе.37 Однако с точки зрения пациентов и разработчиков законы о конфиденциальности, а также соглашения о доступе к данным и владении рассматриваются как потенциальные угрозы для успешных приложений ИИ, и поэтому они должны должны тщательно контролироваться группами, работающими над разработкой таких приложений для конкретных условий.Приложения, использующие новые технологии, такие как блокчейн, также могут помочь решить некоторые из текущих проблем.

Заключение

Искусственный интеллект открывает огромные возможности для преобразования предоставления медицинских услуг в условиях ограниченных ресурсов. Многие препятствия для систем здравоохранения в таких условиях можно решить и преодолеть с помощью искусственного интеллекта, поддерживаемого другими технологическими разработками и новыми областями. Повсеместное использование смартфонов в сочетании с растущими инвестициями в вспомогательные технологии (например, мобильное здравоохранение, EMR и облачные вычисления) предоставляют широкие возможности для использования приложений ИИ для улучшения результатов общественного здравоохранения в странах с низким уровнем доходов.Хотя мы привели несколько примеров того, как ИИ уже применяется с целью улучшения показателей здоровья в странах с низким уровнем дохода, безусловно, уже внедряется много других приложений ИИ, и, безусловно, их будет больше в ближайшие годы.

Переход от пилотного проекта к масштабу в этих условиях потребует решения нескольких проблем и должен основываться на опыте пользователей этих мощных инструментов. Это означает использование дизайна, ориентированного на человека, при разработке и внедрении новых приложений искусственного интеллекта.Это также означает рассмотрение юридических и этических вопросов через призму прав человека, включая неприкосновенность частной жизни, конфиденциальность, безопасность данных, владение и информированное согласие. Эффективная реализация также потребует понимания местного социального, эпидемиологического, медицинского и политического контекста. Кроме того, при широкомасштабном развертывании необходимо будет руководствоваться надежной программой исследований. ИИ, хотя и не панацея, является одним из нескольких инструментов, которые могут помочь в достижении связанных со здоровьем целей, установленных в ЦУР, особенно тех, которые связаны с обеспечением всеобщего охвата услугами здравоохранения.

Ссылки

1. 1.↵
2. 2.↵
3. 3.↵
4. 4.↵
5. 5.↵
6. 6.↵
7. 7.↵
8. 8.↵
9. 9.↵
10. 10.↵
11. 11.↵
12. 12.↵
13. 13.↵
14. 14.↵
15. 15.↵
16. 16.↵
17. 17.↵
18. 18.↵
19. 19.↵
20. 20.↵
21. 21.↵

    Вспоминая прошлое для значимого AI-D. Весенний симпозиум AAAI: Искусственный интеллект для развития, 2010 г.

22. 22.↵
23. 23.↵
24. 24.↵
25. 25.↵

    N .: Global Health Monitor — веб-система для обнаружения и картирования инфекционных заболеваний. В: Материалы международной совместной конференции по обработке естественного языка. Citeseer, 2008: 951–6.
    

26. 26.↵

    Международный семинар по представлению знаний в области здравоохранения. Платформа наблюдения за общественным здоровьем, использующая источники свободного текста с помощью обработки естественного языка и связанных данных: применение в обнаружении сигналов нежелательной реакции на лекарства с использованием pubmed и twitter: Springer, 2016.

27. 27.↵
28. 28.↵
29. 29.↵

    Routing for Rural Health. Оптимизация графиков посещений общинных медицинских работников. Весенний симпозиум AAAI: Искусственный интеллект для развития, 2010.

30. 30.↵
31. 31.↵
32. 32.↵
33. 33.↵

    Организация WH. Электронные медицинские карты: руководство для развивающихся стран. Манила: Региональное бюро ВОЗ для стран Западной части Тихого океана, 2006 г.

34. 34.↵
35. 35.↵
36. 36.↵

    Симпозиум IEEE. Алгоритмическая прозрачность через количественное влияние ввода: теория и эксперименты с обучающими системами. Безопасность и конфиденциальность (SP): IEEE, 2016.

37. 37.↵

    Принципы обмена данными в развивающихся странах: принципы обмена данными Найроби. Найробо, 2014.

Курсы | Браун Центр биомедицинской информатики (BCBI)

Центр биомедицинской информатики Брауна (BCBI) предлагает курсы для студентов всех уровней (старших классов, студентов, аспирантов и студентов-медиков, а также ординаторов / стипендиатов и младших преподавателей).Для получения дополнительной информации свяжитесь с нами по адресу [электронная почта защищена].

BIOL 1555 / PHP 2561 Методы информатики и данных для здравоохранения
Spring; студенты и аспиранты
Этот семестровый курс представляет собой методологический обзор подходов, используемых в биомедицинской информатике. Особое внимание будет уделено формализмам и алгоритмам, используемым в контексте биомедицинских исследований и здравоохранения. В этих контекстах также будут обучаться практическим навыкам программирования.Этот курс был разработан как основанный на курсе исследовательский опыт бакалавриата (CURE), где студенты получат опыт работы с научным методом, его применением и презентацией. Программа

Обзор биомедицинской информатики BIOL 1565
Осень; студенты и аспиранты
Этот обзорный курс представляет собой обзор области биомедицинской информатики, охватывающий актуальные темы информатики, здравоохранения, биологии и социальных наук.Этот курс разработан как дополнение к Методу биомедицинской информатики (BIOL 1555). Особое внимание уделяется пониманию организации биомедицинской информации, эффективному управлению информацией с использованием компьютерных технологий и влиянию такой технологии на биомедицинские исследования, образование и уход за пациентами. Программа

BIOL 1575 / BIOL 2075 Оценка информационных систем здравоохранения
Весна; студенты и аспиранты
Этот курс охватывает область оценки информационных систем здравоохранения (ИСЗ) для различных ролей и условий в США и во всем мире.Он включает в себя темы проектирования и развертывания информационных систем здравоохранения (ИСЗ), рабочего процесса здравоохранения, количественных и качественных методов оценки и социально-технической среды для ИСЗ. Особое внимание уделяется пониманию диапазона вопросов оценки, которые можно задать, выявлению основных заинтересованных сторон, пониманию доступных методов оценки и разработке тщательных, но достижимых исследований. Примеры будут включать системы с открытым исходным кодом, медицинские приложения и экономическую оценку, роль структур и теорий оценки, а также заметные успехи и неудачи ИСЗ.Рекомендуется: прошедшее или одновременное участие в программе BIOL 1565 или курс общественного здравоохранения, охватывающий клинические исследования. Программа

BIOL 1595 / BIOL2595 Искусственный интеллект в биомедицине
Весна; студенты и аспиранты
Этот курс изучает фундаментальную теорию и методы искусственного интеллекта (ИИ) наряду с их применением в биомедицинской сфере. Он дает репрезентативный обзор традиционных методов, а также современных разработок в области (глубокого) машинного обучения, обработки естественного языка и поиска информации.Курс предназначен для аудитории, не связанной с информатикой, и не требует большого опыта программирования. Курс сопровождается практическими заданиями по применению обсуждаемых методик в биомедицинском контексте. Программа

BIOL 6535 Навыки в области биомедицинской информатики и обработки данных
Лето; студенты-медики, студенты и аспиранты
Этот трехнедельный факультатив перед началом работы знакомит студентов с базовыми навыками анализа данных, необходимыми для поддержки исследований в области биомедицины и здравоохранения.Программа

BIOL 6683 Введение в электронную историю болезни
Осень; студенты-медики
Электронная медицинская карта (EHR) стала важным инструментом для поддержки и оценки оказания медицинской помощи. Этот предварительный выбор по выбору даст представление о том, как развивались ЭУЗ, как они могут повлиять на клиническую практику, и о взглядах на их будущее использование. Этот курс включает в себя лекции, интерактивные дискуссии и рассказы врачей из первых рук, демонстрирующие, как ЭУЗ используются на практике.Основная особенность курса — использование реальной системы EHR для моделирования взаимодействия врача и пациента.

CEBI 0971 Навыки биомедицинской информатики и обработки данных для биомедицины и здравоохранения
Лето; старшеклассники
Современное здравоохранение полагается на способность наилучшим образом интерпретировать имеющиеся данные и преобразовывать их в полезную информацию для медицинских работников и биомедицинских исследователей. Этот курс содержит лекции и практический опыт, чтобы познакомить студентов дошкольного образования с концепциями науки о данных и областью биомедицинской информатики.К концу курса студенты развили базовые навыки использования биомедицинских данных и данных о здоровье, которые могут быть использованы для поддержки биомедицинских исследований, медицины и общественного здравоохранения.

Введение в статистику в рандах
Зима; аспиранты
Этот курс знакомит с основными статистическими навыками использования R для поддержки исследований в области наук о жизни и общественного здравоохранения. Общий курс проводится в контексте выбранных студентами проектов с целью установления необходимых фундаментальных статистических методов для поддержки долгосрочных исследовательских целей.Программа

Краткий курс клинической информатики 5×5: 5 тем и навыки работы с компьютером за 5 дней
Зима и лето [запланировано]; ординаторы / стипендиаты и младшие преподаватели
Этот интенсивный пятидневный короткий курс будет включать в себя как лекции, так и практические занятия по внедрению концепций науки о данных и области биомедицинской информатики с акцентом на суб-дисциплину клинической информатики. Участников обучат основным компьютерным навыкам для исследования и анализа электронных данных о состоянии здоровья.Кроме того, участники будут ознакомлены с инструментами поддержки принятия решений, отчетности и анализа, связанными с системами электронных медицинских карт (ЭУЗ) в местных системах здравоохранения. Знания и навыки, полученные в ходе этого курса, подготовят участников к более продвинутым однодневным занятиям и другим предметам. курсы, предлагаемые в течение года (например, по статистике и машинному обучению). Программа

Большие данные и машинное обучение в здравоохранении Модуль
Лето; часть курса «Принятие решений на основе данных» для магистра по руководству в сфере здравоохранения .
Этот недельный онлайн-модуль предоставит обзор ключевых аспектов искусственного интеллекта с упором на большие данные и машинное обучение, которые все больше и больше могут повлиять на практику и оказание медицинской помощи.