استفاده از داده‌ها برای آموزش ابزارهای یادگیری ماشین

 

28 سپتامبر 2020 – 1 میلیون دلار از سمت بنیاد ملی علوم (NSF) برای توسعه سیستم یادگیری ماشین جهت آموزش الگوریتم‌های داده در سراسر جهان، کمک شد. این کمک هزینه تیم UI را قادر ساخت تا با همکاری چند دانشگاه و صنعت را بر عهده بگیرد. این تیم بر آن است که نگرانی‌های مربوط به حریم خصوصی بیمار و امنیت داده‌ها را با توسعه هوش مصنوعی بالینی برطرف کند.

کاربرد هوش مصنوعی در حفظ حریم خصوصی بیماران

محققان خاطرنشان کردند که اگرچه استفاده از هوش مصنوعی در مراقبت‌های بهداشتی تاکنون صورت گرفته است، اما آموزش یک الگوریتم یادگیری ماشین موثر به هزاران نمونه از سوی پزشکان نیاز دارد. این تیم اظهار کرد که این روند می‌تواند منجر به حفظ حریم خصوصی و مسائل امنیتی برای بیماران شود.

کاربرد یادگیری‌ ماشین

استفان بائک، استادیار مهندسی صنایع و سیستم‌ها در UI گفت: “روش‌های سنتی یادگیری ماشین نیاز به یک پایگاه داده متمرکز دارد که در آن می‌توان به طور مستقیم برای آموزش مدل یادگیری ماشین به داده‌های بیمار دسترسی پیدا کرد.”

“چنین روش‌هایی تحت تأثیر موضوعاتی مانند حریم خصوصی بیمار، امنیت اطلاعات، مالکیت داده‌ها و مسئولیت بیمارستان‌ها قرار دارند که باید در زمان استفاده از این پایگاه‌های داده متمرکز رعایت شود”.

راه حلی به نام ImagiQ

این تیم یک راه حل غیر هم زمان و غیرمتمرکز به نام ImagiQ ایجاد کرد. ImagiQ متکی به یک اکوسیستم از مدل‌های یادگیری ماشین است تا موسسات بتوانند مدل‌هایی را انتخاب کنند که برای جمعیت خود مناسب‌تر باشند. سازمان‌ها می‌توانند مدل‌ها و نه داده‌های بیمار را با یکدیگر بارگذاری کنند و به اشتراک بگذارند. به این ترتیب هر موسسه با استفاده از مجموعه داده‌های محلی بیمار، مدل را بهبود می‌بخشد. مدل‌ها دوباره در یک سرور متمرکز بارگذاری می شوند.

نتیجه گیزی از این روش

این رویکرد یادگیری گروهی به شما امکان می‌دهد مطمئن ترین و کارآمدترین مدل ها به عرصه ظهور برسند. در نتیجه یک سیستم AI بهتر برای تجزیه و تحلیل تصاویر مانند اشعه ایکس ریه یا سی تی اسکن که تومورها را تشخیص می‌دهد، به وجود می‌آید. تیم تحت مدیریت UI شامل محققانی از دانشگاه استنفورد، دانشگاه شیکاگو، دانشگاه هاروارد، دانشگاه ییل و دانشگاه ملی سئول است.

 

روندی که این روش در آينده طی خواهد کرد

طی نه ماه آینده، این گروه قصد دارد نمونه اولیه ای از سیستم را توسعه دهد و همچنین در برنامه درسی نوآوری شتاب دهنده شرکت کند تا اطمینان یابد که این راه حل تأثیرات مثبتی بر اجتماع دارد. تا پایان مرحله یک، تیم تحقیقاتی در یک مسابقه زمینی و ارزیابی پیشنهادات شرکت می کند. در صورت انتخاب، با بودجه بالقوه حداکثر 5 میلیون دلار برای 24 ماه، به مرحله دو می‌رود.

باک گفت: ” ImagiQبا تمرکززدایی به روزرسانی‌های مدل و از بین بردن چرخه به روزرسانی همزمان، یادگیری را بیشتر می کند. ما در حال ایجاد یک اکوسیستم کامل از مدل‌های یادگیری ماشین هستیم که با گذشت زمان تکامل یافته و بهبود می یابد. مدل‌ها با کارایی بالا توسط بسیاری از موسسات انتخاب می شوند، در حالی که سایر مدل‌ها به تدریج حذف می‌شوند و خروجی‌های قابل اطمینان تر و قابل اطمینان تری تولید می کنند”.

 

سخن آخر

تیم تحقیقاتی بخشی از مبحث ردیابی به اشتراک گذاری داده‌ها و مدل‌های هوش مصنوعی تحت برنامه شتاب دهنده همگرایی NSF 2020 است که برای استفاده از رویکرد همگرایی برای انتقال تحقیقات و کشف‌های اساسی به عمل آمده است. NSF بیش از 27 میلیون دلار سرمایه گذاری کرده است تا تیم‌های فاز یک را پشتیبانی کرده تا زمینه راه حل داده‌ها و به اشتراک گذاری مدل‌های AI را فراهم کنند.

نوآوری مبتنی بر هوش مصنوعی همگرا از طریق موضوع اشتراک داده و مدل شامل 18 تیم متمرکز بر توسعه راه حل است. این تیم‌های تحقیقاتی همچنین انواع مختلف داده‌ها و چالش‌های مربوط به مدل و انواع داده‌ها را شامل می‌شوند. این سیستم‌ها همچنین شامل توسعه بستر‌های نرم‌افزاری برای تطبیق و اشتراک آسان و کارآمد داده‌ها نیز می‌شوند.

داگلاس موگان، رئیس برنامه شتاب دهنده همگرایی NSF، گفت: “فناوری کوانتوم و داده‌های  AI و مباحث به اشتراک گذاری مدل بر اساس ورودی جامعه انتخاب شده و اولویت‌های تحقیق و توسعه فدرال را مشخص کردند.” . “این گروه دوم این برنامه است و ما از این تیم برای استفاده از مبانی تحقیقات همگرایی و نوآوری محور برای تسریع راه حل هایی که تأثیر مثبت اجتماعی دارند ، هیجان زده هستیم.”