انتشار این مقاله


زمان مرگ خود را می‌دانید؟ از هوش مصنوعی بپرسید

بدانیم بهتر است یا ندانیم؟!

آلبرت اینشتین از در هم تنیدگی کوانتومی بیزار بود، و آن را «عمل شبح‌وار از راه دور» می‌خواند. این عمل شبح‌وار، پدیده‌ای است که در مقیاس‌های بسیار کوچک رخ می‌دهد. یکی از این مقیاس‌های بسیار ریز را در داخل پردازنده‌های رایانه می‌توان پیدا کرد. اگر گوشی‌باز حرفه‌ای باشید، به احتمال خیلی زیاد پردازنده‌ی موبایلی که هم‌اکنون در دست‌تان گرفته‌اید از معماری ۸ نانومتری برخوردار است. یعنی ترانزیستورهای به کار گرفته شده در پردازنده‌ی گوشی شما، تنها ۸ نانومتر با یک‌دیگر فاصله دارند. حال شاید بپرسید زمان مرگ چه ربطی به فاصله‌ی بین ترانزیستورهای پردازنده‌ی گلکسی نوت ۱۰ پلاس دارد (اوه، این ۷ نانومتره!). جواب ساده این است که خیلی ربط دارد! جواب طولانی‌تر اما به مقوله‌ای به نام «یادگیری ماشین» مربوط می‌شود. یادگیری ماشین و به تبع آن، هوش مصنوعی به طرز هراس‌انگیزی در حال قدرت گرفتن هستند. شاید باور نکنید، اما ترانزیستورها زمان مرگ ما را می‌دانند! آن‌ها هر چقدر بیش‌تر به یک‌دیگر نزدیک می‌شوند، چهره‌ی ترسناک‌تری پیدا می‌کنند.

اگر زمان مرگ خود را بدانیم چه می‌شود؟

مجله‌ی New Scientist به تازگی یک مورد بسیار عجیب از «عمل شبح‌وار از راه دور» در حوزه‌ی فناوری گزارش کرده، که به قول شما «برگ‌ریزون» هم بوده است.

پیشنهاد نویسنده: رایانش کوانتومی: نتیجه رقابت آلیس و باب بر سر تصاحب فوتون، تعیین‌گر خواهد بود!

جریان از این قرار است که یک‌سری متخصص قلب کنجکاو، نوار قلب چند نفر از بیماران قلبی را در اختیار یک الگوریتم یادگیری ماشین قرار دادند تا ببینند احتمال مرگ کدام یک از این بیماران بالاتر از بقیه است. هوش مصنوعی هم احتمال مرگ بیماران را تعیین کرد. و نتایج دقیق‌تر از آن چیزی بود که خود متخصصان قلب تخمین زده بودند!

زمان مرگ از روی یک نوار قلب؟

یس! الگوریتم به کار گرفته شده در مطالعه‌ی فوق، عملکرد به مراتب دقیق‌تری نسبت به متخصصین قلب داشت. طبیعی است که هوش مصنوعی باید دقیق‌تر از انسان‌ها عمل بکند، ولی قسمت ترسناک داستان این است که هوش مصنوعی چطور یاد گرفته است که نوار قلب را دقیق‌تر از انسان‌ها تفسیر کند؟ این مطالعه‌ی نوآورانه، ولو هراس‌انگیز، توسط «گروه خدمات درمانی گایزینگر» در پنسیلوانیای آمریکا انجام شده است.

مقاله‌ی مرتبط: ECG: پنجره‌ای که اینتهوون به قلب باز کرد

قسمت اعظم یادگیری ماشین به تغذیه‌ی رایانه با داده‌های بزرگ و پیچیده اختصاص پیدا می‌کند. ما این داده‌ها را در اختیار رایانه قرار می‌دهیم، چون می‌دانیم اگر بهتر هم نباشد، حداقل سریع‌تر و دقیق‌تر از ما عمل می‌کند. اگر بخواهیم یک مثال ریاضی در باب مقایسه‌ی توان محاسباتی انسان و رایانه بیاوریم، می‌توانیم هوش خودمان را به یک «حاصل‌جمع ریمان» تشبیه کنیم. در این حالت، قوه‌ی یادگیری ماشینی همان خط انتگرالی خواهد بود که به سمت بی‌نهایت سیر می‌کند (برید بخونید چیه ریمان).

پزشکان بیش‌ترین تلاش‌شان را برای ارزیابی صحیح وضعیت بیمار انجام می‌دهند؛ اما الگوریتم یادگیری ماشین همه‌ی توانایی محاسباتی‌اش را صرف ارزیابی یک نوار قلب ساده می‌کند، نه بیش‌ترین. این باعث می‌شود مطالعه به نتایجی دست پیدا کند، که هیچ‌کس جرئت پذیرش آن را ندارد. هوش مصنوعی در این مطالعه موفق شد خطر مرگ بیماران را به درستی محاسبه کند، حتا آن‌هایی که از دیدگاه پزشکان نوار قلب طبیعی داشتند.

الگوریتم یادگیری ماشین چگونه توانست زمان مرگ بیماران را محاسبه کند؟

خب، حال ساز و کار مطالعه‌ای که این‌قدر راجع به آن صحبت می‌کنیم، از چه قرار بوده است؟ گروه گایزینگر به منظور شبیه‌سازی قوه‌ی تصمیم‌گیری متخصصین قلب، تصمیم به طراحی نوعی الگوریتم گرفت، که بتواند آن را بر روی بیماران واقعی مورد آزمایش قرار دهد. این گروه با واردسازی همه‌ی عوامل دخیل در تعیین خطر مرگ بیماران (که توسط متخصصین قلب استفاده می‌شود) به الگوریتم اختصاصی خود، موفق به ساخت یک هوش مصنوعی شد.

پیشنهاد نویسنده: بیوفیدبک و یادگیری ماشینی در سال ۲۰۱۹ به کمک مغز می‌آیند

منطقی نیست اگر بخواهیم به جای استناد به خروجی هوش مصنوعی، سراغ تک‌تک متخصصین قلب در دنیا برویم و نظرشان را در مورد زمان مرگ خود جویا شویم. شاید اگر بتوانیم در زندگی واقعی چنین کاری را انجام دهیم، نتایج به ضرر الگوریتم یادگیری ماشین تمام شود. ولی شاید هم هوش مصنوعی واقعاً بهتر از همه‌ی پزشکان این کار را انجام می‌دهد. اظهار نظر قطعی در این باره ممکن است.

نکته: توجه داشته باشید که هدف، رقابت با رایانه نیست. ما آن چه را که می‌دانیم در اختیار هوش مصنوعی قرار می‌دهیم، و او هم کاری را که ما می‌خواهیم برای‌مان انجام می‌دهد. توسعه‌ی الگوریتم‌های بهتر به کنترل صحیح‌تر رژیم درمانی و سبک زندگی بیماران در معرض خطر کمک خواهد کرد.

هوش مصنوعی از چه فرمولی برای تخمین زمان مرگ بیماران استفاده می‌کند؟

متخصصان حوزه‌ی یادگیری ماشین از نوعی واحد اندازه‌گیری به نام «ناحیه زیر منحنی» یا «AUC» جهت سنجش توانایی الگوریتم خود در طبقه‌بندی صحیح افراد به گروه‌های متفاوت، استفاده می‌کنند. در این مورد به خصوص، پژوهشگران نوعی الگوریتم را برنامه‌نویسی کردند که بتواند در مورد احتمال مرگ هر یک از بیماران طی یک سال آینده، تصمیم بگیرد. دقت عملکرد این الگوریتم بعدها با ارزیابی وضعیت بیماران قرار گرفته در گروه‌های «در خطر مرگ» و «امید به زندگی طبیعی» مورد بررسی واقع گردید. یکی از دلایل پیچیده بودن تصمیم‌گیری برای اقدامات آینده‌نگرانه دقیقاً همین است. احتمال دارد بیمار به اشتباه در گروهی قرار بگیرد که به آن تعلق ندارد.

سخن نویسنده: برای مثال، اگر بیمار فرضی علی‌رغم برخورداری از امید به زندگی مطلوب به اشتباه در گروه «در خطر مرگ» قرار داده شود، در آن صورت الگوریتم یک مورد «مثبت کاذب» به ما گزارش کرده است. به همین ترتیب، قرارگیری اشتباه بیمار پرخطر در بین جمعیت کم‌خطر، یک مورد «منفی کاذب» به حساب می‌آید. این منفی و مثبت کاذب تأثیر مستقیمی بر پیشرفت معالجه‌ی بیمار دارد. پس از کدام منبع معتبر زمان مرگ خود را بپرسیم؟!

زمانی دقت هوش مصنوعی در طبقه‌بندی بیماران به ۶۵ درصد می‌رسید. با این حال، الگوریتم طراحی شده توسط گروه گایزینگر توانست در مطالعه‌ی مذکور، امتیاز خوب ۸۵ را از ۱۰۰ کسب کند؛ که نتایج آن را قابل اعتمادتر می‌سازد.

آیا می‌توان بر اساس آنالیز هوش مصنوعی برای درمان بیماران تصمیم گرفت؟

پزشکی حوزه‌ای است که چالش‌های اخلاقی همواره در آن وجود داشته است. آیا انتخاب روش درمان بر پایه‌ی خروجی یک رایانه کار درستی است؟ آیا مخالفت با فن‌آوری به حوزه‌ی درمان به بهانه‌ی این که هوش مصنوعی قابلیت اعتماد ۱۰۰ درصدی ندارد، اقدام صحیحی است؟ شاید این الگوریتم‌ها بتوانند به نجات جان انسان‌هایی کمک کنند که در حالت عادی از سوی پزشکان «کم‌خطر» ارزیابی شده بوده‌اند. در هر حال، تصمیم‌گیری در مورد درمان، مسئولیت بسیار سنگینی است. به نظر می‌رسد ما هنوز چند دهه‌ای تا زمان محقق شدن این رویا فاصله داشته باشیم.

حال پاسخ دهید، آیا دوست دارید زمان مرگ خود را بدانید؟

میلاد شیرولیلو


نمایش دیدگاه ها (0)
دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *