Το 2015, μια ερευνητική ομάδα στο νοσοκομείο Mount Sinai στη Νέα Υόρκη εμπνεύστηκε και εφάρμοσε τη λεγόμενη «βαθιά μάθηση» της τεχνητής νοημοσύνης στην τεράστια βάση δεδομένων του νοσοκομείου με τα αρχεία ασθενών. Τό σύνολο των συγκεκριμένων δεδομένων περιλαμβάνει εκατοντάδες μεταβλητών στοιχείων σχετικών με τους ασθενείς, που προέρχονται από τα αποτελέσματα των κλινικών εξετάσεων τους, επισκέψεις γιατρών κ.ο.κ.
Το προκύπτον πρόγραμμα, το οποίο οι ερευνητές ονόμαζαν Deep Patient (βαθύς ασθενής), εκπαιδεύτηκε χρησιμοποιώντας δεδομένα από περίπου 700.000 άτομα, και όταν δοκιμάστηκε σε νέα αρχεία, αποδείχθηκε απίστευτα καλό στην πρόβλεψη ασθενειών. Χωρίς καμία εξειδικευμένη εντολή, ο Deep Patient είχε ανακαλύψει μοτίβα κρυμμένα στα νοσοκομειακά δεδομένα, τα οποία φαινόταν να δείχνουν πότε οι άνθρωποι ήταν στο δρόμο για να νοσήσουν σε ένα ευρύ φάσμα ασθενειών, συμπεριλαμβανομένου του καρκίνου του ήπατος.
Σίγουρα υπάρχουν πολλές μέθοδοι που είναι “αρκετά καλές” στην πρόβλεψη της νόσου από τα αρχεία ενός ασθενούς, λέει ο Joel Dudley, ο οποίος ηγείται της ομάδας Mount Sinai. Αλλά, προσθέτει, “όμως ο βαθύς ασθενής ήταν ακόμα καλύτερος.”
Ταυτόχρονα, ο Deep Patient είναι λίγο αινιγματικός. Φαίνεται να προβλέπει την εμφάνιση ψυχιατρικών διαταραχών όπως η σχιζοφρένεια εκπληκτικά καλά. Αλλά επειδή η σχιζοφρένεια είναι δύσκολα προβλέψιμη για τους ιατρούς, ο Dudley αναρωτήθηκε πώς αυτό ήταν δυνατό. Εξακολουθεί να μην το γνωρίζει. Το νέο εργαλείο δεν παρέχει καμία ιδέα για το πώς το κάνει αυτό.
Αν κάτι σαν τον Deep Patient πρόκειται πραγματικά να βοηθήσει τους γιατρούς, θα τους έδινε κάποιο στοιχείο για το πως πετυχαίνει τις προβλέψεις του έτσι ώστε να δικαιολογήσει, για παράδειγμα, μια αλλαγή στα φάρμακα που κάποιος συνταγογραφείται. “Μπορούμε να χτίσουμε αυτά τα μοντέλα”, λέει ο Dudley σιωπηλά, “ΑΛΛΑ ΔΕΝ ΞΕΡΟΥΜΕ ΠΩΣ ΛΕΙΤΟΥΡΓΟΥΝ”.
Η βαθιά εκμάθηση είναι υπεύθυνη για τη σημερινή έκρηξη της τεχνητής νοημοσύνης.Έδωσε στους υπολογιστές εξαιρετικές δυνατότητες, όπως την ικανότητα να αναγνωρίζουν το προφορικό λόγο σχεδόν όσο και ένας άνθρωπος, μια δεξιότητα πολύ περίπλοκη για να κωδικοποιήσει το μηχάνημα με το χέρι. Η βαθιά εκμάθηση έχει μεταμορφώσει την οπτική του υπολογιστή και βελτίωσε δραματικά τη μηχανική μετάφραση. Τώρα χρησιμοποιείται για να καθοδηγεί κάθε είδους βασικές αποφάσεις στον τομέα της ιατρικής, των χρηματοικονομικών,των κατασκεύων και πέραν αυτών.
Δεν μπορείτε απλά να κοιτάξετε μέσα σε ένα βαθύ νευρωνικό δίκτυο για να δείτε πώς λειτουργεί. Το σκεπτικό ενός δικτύου είναι ενσωματωμένο στη συμπεριφορά χιλιάδων προσομοιωμένων νευρώνων, διατεταγμένων σε δεκάδες ή και εκατοντάδες πολύπλοκα αλληλένδετα στρώματα. Οι νευρώνες στο πρώτο στρώμα λαμβάνουν κάθε μία εισροή, όπως η ένταση ενός εικονοστοιχείου σε μια εικόνα, και στη συνέχεια πραγματοποιούν έναν υπολογισμό πριν από την έξοδο ενός νέου σήματος. Αυτές οι εξόδους τροφοδοτούνται, σε σύνθετο ιστό, στους νευρώνες του επόμενου στρώματος κ.ο.κ., μέχρις ότου παράγεται συνολική παραγωγή. Επιπλέον, υπάρχει μια διαδικασία γνωστή ως back-propagation που ταιριάζει τους υπολογισμούς των μεμονωμένων νευρώνων με τρόπο που επιτρέπει στο δίκτυο να μάθει να παράγει μια επιθυμητή έξοδο.
Συμπέρασμα σύμφωνα με τους επιστήμονες: Μπορεί να είναι ένα μέρος της φύσης της τεχνητής νοημοσύνης εκτεθειμένο σε ορθολογική εξήγηση.Το υπόλοιπο μπορεί απλά να βασίζεται στο ένστικτο.Το ένστικτο της μηχανής!