AI capable de prédire notre santé

2018
Anonim

L'intelligence artificielle peut prédire notre santé grâce à une modification du concept de réseaux de neurones artificiels, ce qui permettra de catégoriser les informations et d'identifier les modèles de manière plus efficace.

,,,,

Le département d' intelligence artificielle de l'Université de Toronto tente de créer un système d' apprentissage en profondeur capable de prédire la santé d'un patient . Cependant, les systèmes qui stockent les dossiers médicaux ne sont pas préparés pour fournir les informations nécessaires à la création de l'avance proposée.

Les gens consultent le médecin pour différentes raisons et à différents moments de leur vie, ce qui crée des données arbitraires que les réseaux de neurones artificiels ont des problèmes à classer .

Duvenaud et ses collaborateurs, du Vector Institute, proposent de redéfinir ces réseaux de neurones pour permettre à AI de développer des prototypes, tels que celui proposé par l'Université de Toronto.

Un réseau de neurones traditionnel est constitué de couches qui travaillent ensemble pour rechercher des modèles dans les données qui leur sont fournies. La proposition de Duvenaud détruit ces couches . Pour comprendre ce que ce processus implique, nous devons d’abord comprendre le fonctionnement des réseaux de neurones artificiels.

Les réseaux de neurones sont la base de l'apprentissage en profondeur

Le processus le plus courant pour former un réseau de neurones artificiels consiste à archiver de nombreuses données marquées . Autrement dit, si nous voulions créer un système qui reconnaît les animaux, il nous faudrait nourrir un réseau de neurones avec des photos d'animaux synchronisées avec leurs noms correspondants. Une fois toutes ces données synchronisées, les formules créées pour résoudre ce casse-tête peuvent être utilisées encore et encore pour classer de nouveaux animaux.

Toutefois, une formule unique englobant l’ensemble du processus de nom de photo est trop large et génère des résultats inexacts. Ce serait comme utiliser une seule formule pour différencier les chiens et les chats: vous pourriez créer une formule basée sur leur taille ou leurs oreilles, mais cela créerait des faux positifs et des négatifs, car aucune règle générale ne les différencie .

C'est ici que les couches du réseau de neurones prennent de l'importance . Ces couches séparent le processus en différentes étapes. Par exemple, le premier calque pourrait collecter tous les pixels et, selon une formule, sélectionner ceux qui sont les plus pertinents pour les chats et les chiens. La couche suivante pourrait créer des motifs extraits de ces groupes de pixels et déchiffrer les images qui ont de longues moustaches ou des oreilles. Les couches suivantes identifieront progressivement les caractéristiques plus complexes des animaux, jusqu'à ce que la dernière couche décide en fonction de l'accumulation de motifs. Ce processus, étape par étape, permet aux réseaux de neurones de créer des prévisions plus précises .

Le concept de couches a beaucoup aidé le domaine de l'IA. Même si cela a également été un pas en arrière, car si vous recherchez un modèle qui est transformé en permanence, il devra être divisé en différentes étapes. Pour revenir à l'exemple des antécédents médicaux, cela signifierait regrouper les dossiers médicaux en périodes temporaires telles que des mois ou des années, ce qui serait très inexact. Pour cette raison, la meilleure façon d’approcher la réalité est de diviser les histoires en unités plus spécifiques, telles que des jours ou même des heures. Cette division poussée à l'extrême supposerait le meilleur réseau de neurones, avec un nombre infini de couches pour enregistrer des options infinitésimales différentes .

Cette idée est-elle pratique?

Si cela vous semble familier, c'est que ce problème a déjà été tenté avec le calcul . Le calcul détesté fournit de grandes équations pour résoudre ces options infinitésimales . En résumé, le calcul a été développé pour éviter le cauchemar de créer des unités en constante mutation, c'est-à-dire pour éviter ce que supposent les réseaux de neurones artificiels.

Mais la magie de Duvenaud et de tous ses collaborateurs résout ce conflit de la manière la plus évidente. Duvenaud a proposé de remplacer les couches neuronales par des équations de calcul . Cette proposition éliminerait le système de réseau pour le convertir en un bloc appelé ODE (équations différentielles ordinaires) .

Il est assez difficile de comprendre ce concept, mais Duvenaud utilise une analogie pour que ceux qui sont moins compris sur le terrain puissent comprendre ce que cette avancée signifiera. Duvenaud considère un instrument comme un violon, avec lequel vous pouvez faire glisser votre main sur les cordes pour jouer les différentes notes; maintenant nous en considérons un comme le piano, où il existe un nombre spécifique de touches pour jouer les notes. Un réseau neuronal artificiel traditionnel est comme un piano .

ODE changerait le système en violon. Dans ce nouveau système, il n'est pas nécessaire de spécifier un nombre spécifique de couches (clés) au début du processus. L'ODE permet d'établir un niveau de précision, et le modèle trouvera le moyen le plus efficace de s'entraîner, en fonction de la marge d'erreur établie au départ .

Le concept n'est pas encore prêt à être appliqué

Un inconvénient est que les réseaux neuronaux artificiels neuronaux vous permettent de savoir combien de temps il vous faudra pour vous entraîner afin d'atteindre vos objectifs, ce qui ne serait pas possible avec le nouveau système ODE . Le travail de Duvenaud est une preuve de la validité du concept qui, malheureusement, n’est pas encore prêt à être appliqué . C'est une proposition qui doit être mise à l'épreuve avec différentes expériences et confirmée quand elle pourra commencer à être utilisée.

On pense que l'application la plus efficace de ce système sera, pour le moment, dans les systèmes basés sur des lignes temporaires telles que les systèmes de santé .

Articles Populaires

Lire La Suite