روش تازه ای برای قابل اعتمادتر شدن مدلهای هوش مصنوعی در موقعیت های حساس
سرگرمی کامپیوتری: روش جدید محققان دانشگاه «ام آی تی» به برطرف نمودن عدم قطعیت مدلهای هوش مصنوعی کمک می نماید تا این مدلها بتوانند اطلاعات بهتری را برای تصمیم گیری در اختیار محققان و پزشکان قرار دهند.
به گزارش سرگرمی کامپیوتری به نقل از ایسنا، ابهام در تصویربرداری پزشکی می تواند چالش های بزرگی را برای پزشکانی که تلاش در شناسایی بیماری دارند، ایجاد نماید. بعنوان مثال، در عکس برداری با اشعه ایکس از قفسه سینه، تجمع غیر طبیعی مایع در ریه ها می تواند بسیار شبیه به بیماری مزمن انسدادی ریه باشد.
به نقل از ام آی تی نیوز، مدل جدید هوش مصنوعی دانشگاه «ام آی تی»(MIT) می تواند با کمک به شناسایی جزئیات ظریف و افزایش کارآیی فرایند تشخیص، به پزشک در تحلیل اشعه ایکس کمک نماید، اما از آنجائیکه خیلی از بیماری ها امکان دارد در یک تصویر پزشکی وجود داشته باشند، پزشک احیانا می خواهد مجموعه ای از احتمالات را درنظر بگیرد، نه اینکه فقط یک پیشبینی هوش مصنوعی برای ارزیابی داشته باشد.
محققان دانشگاه ام آی تی یک روش ساده و مؤثر ابداع نموده اند که می تواند اندازه مجموعه های پیشبینی را تا ۳۰ درصد کم کند و پیشبینی ها را بیشتر قابل اعتماد کند.
داشتن یک مجموعه پیشبینی کوچک تر می تواند به پزشک کمک نماید تا تشخیص درست را به صورت مؤثرتری انجام دهد. این کار می تواند درمان بیماران را بهبود ببخشد و ساده تر کند. این شیوه می تواند برای بسیاری از وظایف طبقه بندی مانند شناسایی گونه های یک حیوان در تصویری از یک پارک حیات وحش سودمند باشد، چونکه مجموعه ای کوچک تر اما دقیق تر از گزینه ها را عرضه می دهد. «دیویا شانموگام»(Divya Shanmugam) از محققان این پروژه اظهار داشت: با درنظر گرفتن سطوح کمتر، مجموعه پیشبینی ها طبیعتا آموزنده تر هستند، چونکه شما بین انتخابهای کمتری انتخاب می کنید.
این شیوه می تواند غیر قابل اعتماد باشد، چونکه تغییرات کوچک در ورودی ها مانند چرخاندن جزئی یک تصویر می توانند مجموعه های کاملا متفاوتی را از پیشبینی ها بهمراه بیاورند. محققان برای کارآمدتر کردن طبقه بندی، از روشی به نام «TTA» استفاده کردند که برای بهبود دقت مدلهای بینش کامپیوتری توسعه داده شده است.
روش TTA چندین نمونه تقویت شده از یک تصویر واحد را در یک مجموعه داده بوجود می آورد. سپس، یک مدل بینش کامپیوتری را روی همه نسخه های همان تصویر اعمال می کند و پیشبینی های خویش را گرد هم می آورد. شانموگام افزود: بدین ترتیب، شما چندین پیشبینی را از یک مثال واحد دریافت می کنید. تجمیع پیشبینی ها به این شیوه، دقت و پایداری آنها را بهبود می بخشد.
محققان می خواهند در آینده اثربخشی روش خویش را در مدل هایی که متن را به جای تصاویر طبقه بندی می کنند، مورد تأیید قرار دهند. آنها برای بهبود بیشتر کار خود درحال بررسی راه هایی برای کاهش میزان محاسبات مورد نیاز TTA هستند.
منبع: سرگرمی كامپیوتری
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب