ຈັນຍາບັນ
ນັກວິທະຍາສາດສາກົນຮຽກຮ້ອງໃຫ້ມີຄວາມໂປ່ງໃສຫຼາຍຂຶ້ນໃນການຄົ້ນຄວ້າ AI
ກຸ່ມນັກວິທະຍາສາດສາກົນທີ່ມາຈາກສະຖາບັນຕ່າງໆລວມທັງ Princess Margaret Cancer Centre, University of Toronto, Stanford University, Johns Hopkins, Harvard School of Public Health, ແລະ Massachusetts Institute of Technology ຮຽກຮ້ອງໃຫ້ມີຄວາມໂປ່ງໃສຫຼາຍຂຶ້ນໃນການຄົ້ນຄວ້າທາງດ້ານປັນຍາປະດິດ (AI). ກໍາລັງທີ່ສໍາຄັນທີ່ຢູ່ເບື້ອງຫລັງການຮຽກຮ້ອງນີ້ແມ່ນການປົດປ່ອຍການຄົ້ນພົບທີ່ສໍາຄັນທີ່ສາມາດຊ່ວຍເລັ່ງການປິ່ນປົວມະເຮັງໂດຍອີງໃສ່ການຄົ້ນຄວ້າ.
ບົດຄວາມທີ່ນັກວິທະຍາສາດຮຽກຮ້ອງໃຫ້ບັນດາວິທະຍາສາດຍົກສູງມາດຕະຖານຂອງເຂົາເຈົ້າກ່ຽວກັບການຄວາມໂປ່ງໃສຂອງນັກຄົ້ນຄວ້າຄອມພິວເຕີໄດ້ຖືກພິມເຜີຍແຜ່ໃນ ລັກສະນະ ໃນວັນທີ 14 ເດືອນຕຸລາປີ 2020. ກຸ່ມດັ່ງກ່າວຍັງໄດ້ສົ່ງເສີມໃຫ້ເພື່ອນຮ່ວມງານຂອງພວກເຂົາອອກລະຫັດ, ຕົວແບບ, ແລະສະພາບແວດລ້ອມການຄິດໄລ່ໃນສິ່ງພິມ.
ເອກະສານມີຫົວຂໍ້ “ຄວາມໂປ່ງໃສ ແລະການສືບພັນໃນປັນຍາປະດິດ. "
ປ່ອຍລາຍລະອຽດການສຶກສາ AI
ທ່ານດຣ Benjamin Haibe-Kains ເປັນນັກວິທະຍາສາດອາວຸໂສຢູ່ສູນມະເຮັງ Princess Margaret ແລະເປັນຜູ້ຂຽນຄັ້ງທໍາອິດຂອງການພິມເຜີຍແຜ່.
ທ່ານດຣ. Haibe-Kains ກ່າວວ່າ "ຄວາມຄືບຫນ້າທາງວິທະຍາສາດແມ່ນຂຶ້ນກັບຄວາມສາມາດຂອງນັກຄົ້ນຄວ້າທີ່ຈະກວດສອບຜົນຂອງການສຶກສາແລະຜະລິດຄືນໃຫມ່ຂອງການຄົ້ນຫາຕົ້ນຕໍທີ່ຈະຮຽນຮູ້ຈາກ," "ແຕ່ໃນການຄົ້ນຄວ້າຄອມພິວເຕີ້, ມັນຍັງບໍ່ທັນເປັນເງື່ອນໄຂທີ່ກວ້າງຂວາງສໍາລັບລາຍລະອຽດຂອງການສຶກສາ AI ເພື່ອໃຫ້ສາມາດເຂົ້າເຖິງໄດ້ຢ່າງເຕັມສ່ວນ. ອັນນີ້ເປັນອັນຕະລາຍຕໍ່ຄວາມກ້າວໜ້າຂອງພວກເຮົາ.”
ຄວາມກັງວົນດັ່ງກ່າວໄດ້ເກີດຂື້ນຫຼັງຈາກການສຶກສາດ້ານສຸຂະພາບຂອງ Google ທີ່ຈັດພີມມາໂດຍ McKinney et al. ໃນວາລະສານວິທະຍາສາດທີ່ສໍາຄັນໃນປີ 2020, ເຊິ່ງມັນໄດ້ຖືກອ້າງວ່າລະບົບ AI ສາມາດປະຕິບັດການ radiologists ຂອງມະນຸດໃນທີ່ເຂັ້ມແຂງແລະຄວາມໄວໃນເວລາທີ່ມັນມາກັບການກວດມະເຮັງເຕົ້ານົມ. ການສຶກສາໄດ້ຮັບຄວາມສົນໃຈຈາກສື່ມວນຊົນຢ່າງຫຼວງຫຼາຍໃນທົ່ວສິ່ງພິມຊັ້ນນໍາຕ່າງໆ.
ບໍ່ສາມາດຜະລິດແບບຈໍາລອງໄດ້
ຫນຶ່ງໃນຄວາມກັງວົນທີ່ສໍາຄັນທີ່ເກີດຂື້ນຫຼັງຈາກການສຶກສາແມ່ນວ່າມັນບໍ່ໄດ້ອະທິບາຍຢ່າງລະອຽດກ່ຽວກັບວິທີການທີ່ໃຊ້, ເຊັ່ນດຽວກັນກັບລະຫັດແລະແບບຈໍາລອງ. ການຂາດຄວາມໂປ່ງໃສນີ້ຫມາຍຄວາມວ່ານັກຄົ້ນຄວ້າບໍ່ສາມາດຮຽນຮູ້ວິທີການປະຕິບັດຕົວແບບ, ສົ່ງຜົນໃຫ້ຕົວແບບດັ່ງກ່າວບໍ່ສາມາດຖືກນໍາໃຊ້ໂດຍສະຖາບັນອື່ນໆ.
"ຢູ່ໃນເຈ້ຍແລະທິດສະດີ, McKinney et al. ການສຶກສາແມ່ນສວຍງາມ,” ດຣ. Haibe-Kains ເວົ້າ. "ແຕ່ຖ້າພວກເຮົາບໍ່ສາມາດຮຽນຮູ້ຈາກມັນ, ມັນບໍ່ມີຄຸນຄ່າທາງວິທະຍາສາດຫນ້ອຍ."
ທ່ານດຣ. Haibe-Kains ໄດ້ຖືກແຕ່ງຕັ້ງຮ່ວມກັນເປັນຮອງສາດສະດາຈານດ້ານຊີວະຟີຊິກທາງການແພດທີ່ມະຫາວິທະຍາໄລ Toronto. ລາວຍັງເປັນສາຂາທີ່ Vector Institute for Artificial Intelligence.
ທ່ານດຣ. "ວາລະສານແມ່ນມີຄວາມສ່ຽງຕໍ່ 'hype' ຂອງ AI ແລະອາດຈະຫຼຸດລົງມາດຕະຖານສໍາລັບການຍອມຮັບເອກະສານທີ່ບໍ່ມີເອກະສານທັງຫມົດທີ່ຕ້ອງການເພື່ອເຮັດໃຫ້ການສຶກສາສາມາດແຜ່ພັນໄດ້ - ມັກຈະກົງກັນຂ້າມກັບຄໍາແນະນໍາຂອງຕົນເອງ."
ສະພາບແວດລ້ອມນີ້ຫມາຍຄວາມວ່າແບບຈໍາລອງ AI ອາດຈະໃຊ້ເວລາດົນກວ່າທີ່ຈະສາມາດບັນລຸການຕັ້ງຄ່າທາງດ້ານຄລີນິກ, ແລະຕົວແບບດັ່ງກ່າວບໍ່ສາມາດເຮັດຊ້ໍາກັນຫຼືຮຽນຮູ້ຈາກນັກຄົ້ນຄວ້າໄດ້.
ກຸ່ມນັກຄົ້ນຄວ້າໄດ້ສະເຫນີກອບແລະເວທີຕ່າງໆເພື່ອແກ້ໄຂບັນຫານີ້ແລະອະນຸຍາດໃຫ້ມີວິທີການຮ່ວມກັນ.
ທ່ານດຣ. Haibe-Kains ກ່າວວ່າ "ພວກເຮົາມີຄວາມຫວັງສູງຕໍ່ຜົນປະໂຫຍດຂອງ AI ສໍາລັບຄົນເຈັບທີ່ເປັນມະເຮັງຂອງພວກເຮົາ," "ການແບ່ງປັນແລະສ້າງການຄົ້ນພົບຂອງພວກເຮົາ - ນັ້ນແມ່ນຜົນກະທົບທາງວິທະຍາສາດທີ່ແທ້ຈິງ."