ການສໍາພາດ
Ittai Dayan, MD, ຜູ້ຮ່ວມກໍ່ຕັ້ງ & CEO ຂອງ Rhino Health - ຊຸດສໍາພາດ
Ittai Dayan, MD ແມ່ນຜູ້ຮ່ວມກໍ່ຕັ້ງແລະ CEO ຂອງ ສຸຂະພາບ Rhino. ພື້ນຖານຂອງລາວແມ່ນຢູ່ໃນການພັດທະນາປັນຍາປະດິດແລະການວິນິດໄສ, ເຊັ່ນດຽວກັນກັບການແພດແລະການຄົ້ນຄວ້າທາງດ້ານການຊ່ວຍ. ລາວເປັນອະດີດສະມາຊິກຫຼັກຂອງການປະຕິບັດການດູແລສຸຂະພາບຂອງ BCG ແລະຜູ້ບໍລິຫານຂອງໂຮງຫມໍ. ໃນປັດຈຸບັນລາວກໍາລັງສຸມໃສ່ການປະກອບສ່ວນເຂົ້າໃນການພັດທະນາຂອງປັນຍາທຽມທີ່ປອດໄພ, ສະເຫມີພາບແລະມີຜົນກະທົບໃນອຸດສາຫະກໍາສຸຂະພາບແລະວິທະຍາສາດຊີວິດ. ຢູ່ Rhino Health, ພວກເຂົາກໍາລັງໃຊ້ຄອມພິວເຕີ້ແຈກຢາຍແລະການຮຽນຮູ້ແບບສະຫະພັນເປັນວິທີການຮັກສາຄວາມເປັນສ່ວນຕົວຂອງຄົນເຈັບແລະສົ່ງເສີມການຮ່ວມມືໃນທົ່ວພູມສັນຖານການດູແລສຸຂະພາບທີ່ແຕກແຍກ.
ລາວໄດ້ຮັບໃຊ້ຢູ່ໃນ IDF - ກໍາລັງພິເສດ, ໄດ້ນໍາພາສູນ AI ທາງດ້ານການແປພາສາ - ທາງການແພດ - ທີ່ໃຫຍ່ທີ່ສຸດໃນໂລກ. ລາວເປັນຜູ້ຊ່ຽວຊານໃນການພັດທະນາ AI ແລະການຄ້າ, ແລະເປັນນັກແລ່ນທາງໄກ.
ເຈົ້າສາມາດແບ່ງປັນເລື່ອງ genesis ທີ່ຢູ່ເບື້ອງຫຼັງສຸຂະພາບ Rhino ໄດ້ບໍ?
ການເດີນທາງຂອງຂ້ອຍເຂົ້າໄປໃນ AI ໄດ້ເລີ່ມຕົ້ນໃນເວລາທີ່ຂ້ອຍເປັນຫມໍປົວພະຍາດແລະນັກຄົ້ນຄວ້າ, ການນໍາໃຊ້ຮູບແບບເລີ່ມຕົ້ນຂອງ 'ຕົວຊີ້ບອກທາງຊີວະພາບດິຈິຕອນ' ເພື່ອວັດແທກການຕອບສະຫນອງການປິ່ນປົວໃນຄວາມຜິດປົກກະຕິທາງຈິດ. ຕໍ່ມາ, ຂ້າພະເຈົ້າໄດ້ໄປນຳສູນສຳລັບວິທະຍາສາດຂໍ້ມູນຄລີນິກ (CCDS) ທີ່ມະຫາຊົນບຣິກຳ. ຢູ່ທີ່ນັ້ນ, ຂ້າພະເຈົ້າໄດ້ເບິ່ງແຍງການພັດທະນາຄໍາຮ້ອງສະຫມັກ AI ທາງດ້ານຄລີນິກຫຼາຍສິບອັນ, ແລະໄດ້ເຫັນຄວາມທ້າທາຍເບື້ອງຕົ້ນທີ່ກ່ຽວຂ້ອງກັບການເຂົ້າເຖິງແລະ 'ເປີດໃຊ້' ຂໍ້ມູນທີ່ຈໍາເປັນເພື່ອພັດທະນາແລະຝຶກອົບຮົມຜະລິດຕະພັນ AI ລະດັບກົດລະບຽບ.
ເຖິງວ່າຈະມີຄວາມກ້າວຫນ້າຫຼາຍຢ່າງໃນການດູແລສຸຂະພາບ AI, ເສັ້ນທາງຈາກການພັດທະນາໄປສູ່ການເປີດຕົວຜະລິດຕະພັນໃນຕະຫຼາດແມ່ນຍາວນານແລະມັກຈະຫຍຸ້ງຍາກ. ການແກ້ໄຂອຸປະຕິເຫດ (ຫຼືພຽງແຕ່ຄວາມຜິດຫວັງ) ເມື່ອປະຕິບັດທາງດ້ານການຊ່ວຍ, ແລະສະຫນັບສະຫນູນວົງຈອນຊີວິດ AI ຢ່າງເຕັມທີ່ແມ່ນເກືອບເປັນໄປບໍ່ໄດ້ໂດຍບໍ່ມີການເຂົ້າເຖິງຂໍ້ມູນທາງດ້ານການຊ່ວຍຢ່າງຕໍ່ເນື່ອງ. ສິ່ງທ້າທາຍໄດ້ຫັນຈາກ ການສ້າງ ແບບ, ເພື່ອ ການຮັກສາ ເຂົາເຈົ້າ. ເພື່ອຕອບໂຕ້ສິ່ງທ້າທາຍນີ້, ຂ້າພະເຈົ້າເຊື່ອຫມັ້ນລະບົບ Mass General Brigham ກ່ຽວກັບມູນຄ່າຂອງການມີ 'CRO ສະເພາະສໍາລັບ AI' ຂອງຕົນເອງ (CRO = Clinical Research Org), ເພື່ອທົດສອບ algorithms ຈາກຜູ້ພັດທະນາການຄ້າຫຼາຍ.
ຢ່າງໃດກໍຕາມ, ບັນຫາຍັງຄົງຢູ່ - ຂໍ້ມູນດ້ານສຸຂະພາບແມ່ນຍັງງຽບຫຼາຍ, ແລະເຖິງແມ່ນວ່າຂໍ້ມູນຈໍານວນຫລາຍຈາກເຄືອຂ່າຍດຽວກໍ່ບໍ່ພຽງພໍທີ່ຈະຕໍ່ສູ້ກັບເປົ້າຫມາຍທີ່ແຄບກວ່າຂອງ AI ທາງການແພດ. ໃນຊ່ວງລຶະເບິ່ງຮ້ອນຂອງປີ 2020, ຂ້າພະເຈົ້າໄດ້ລິເລີ່ມ ແລະນໍາພາ (ຮ່ວມກັບ ດຣ. Mona Flores ຈາກ NVIDIA), ການສຶກສາ Federated Learning (FL) ທີ່ໃຫຍ່ທີ່ສຸດຂອງໂລກໃນເວລານັ້ນ, EXAM. ພວກເຮົາໄດ້ໃຊ້ FL ເພື່ອສ້າງຮູບແບບການຄາດເດົາຜົນຂອງ COVID, ນຳໃຊ້ຂໍ້ມູນຈາກທົ່ວໂລກ, ໂດຍບໍ່ມີການແບ່ງປັນຂໍ້ມູນໃດໆ.. ຕໍ່ມາໄດ້ເຜີຍແຜ່ໃນ Nature Medicine, ການສຶກສານີ້ໄດ້ສະແດງໃຫ້ເຫັນຜົນກະທົບທາງບວກຂອງການນໍາໃຊ້ຊຸດຂໍ້ມູນທີ່ມີຄວາມຫຼາກຫຼາຍແລະແຕກຕ່າງກັນແລະຊີ້ໃຫ້ເຫັນທ່າແຮງສໍາລັບການນໍາໃຊ້ຢ່າງກວ້າງຂວາງຂອງການຮຽນຮູ້ສະຫະພັນໃນການດູແລສຸຂະພາບ.
ຢ່າງໃດກໍຕາມ, ປະສົບການນີ້ໄດ້ອະທິບາຍເຖິງສິ່ງທ້າທາຍຈໍານວນຫນຶ່ງ. ເຫຼົ່ານີ້ລວມມີການວາງແຜນຂໍ້ມູນໃນທົ່ວສະຖານທີ່ຮ່ວມມື, ຮັບປະກັນການຕິດຕາມຂໍ້ມູນແລະການກໍານົດລັກສະນະທີ່ເຫມາະສົມ, ເຊັ່ນດຽວກັນກັບພາລະທີ່ວາງໄວ້ໃນພະແນກ IT ຈາກແຕ່ລະສະຖາບັນ, ຜູ້ທີ່ຕ້ອງຮຽນຮູ້ເຕັກໂນໂລຢີທີ່ທັນສະໄຫມທີ່ພວກເຂົາບໍ່ເຄີຍໃຊ້. ນີ້ຮຽກຮ້ອງໃຫ້ເວທີໃຫມ່ທີ່ຈະສະຫນັບສະຫນູນການຮ່ວມມື 'ຂໍ້ມູນແຈກຢາຍ' ນະວະນິຍາຍເຫຼົ່ານີ້. ຂ້າພະເຈົ້າໄດ້ຕັດສິນໃຈຮ່ວມມືກັບຜູ້ຮ່ວມກໍ່ຕັ້ງຂອງຂ້າພະເຈົ້າ, Yuval Baror, ເພື່ອສ້າງເວທີທີ່ສິ້ນສຸດເພື່ອສະຫນັບສະຫນູນການຮ່ວມມືຮັກສາຄວາມເປັນສ່ວນຕົວ. ເວທີດັ່ງກ່າວແມ່ນ 'Rhino Health Platform', ນຳໃຊ້ FL ແລະ edge-compute.
ເປັນຫຍັງທ່ານເຊື່ອວ່າແບບຈໍາລອງ AI ມັກຈະບໍ່ສົ່ງຜົນລັບທີ່ຄາດໄວ້ໃນການຕັ້ງຄ່າການດູແລສຸຂະພາບ?
AI ທາງການແພດມັກຈະໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຊຸດຂໍ້ມູນຂະຫນາດນ້ອຍ, ແຄບ, ເຊັ່ນຊຸດຂໍ້ມູນຈາກສະຖາບັນດຽວຫຼືເຂດພູມສັນຖານ, ເຊິ່ງເຮັດໃຫ້ຮູບແບບຜົນໄດ້ຮັບພຽງແຕ່ປະຕິບັດໄດ້ດີກັບປະເພດຂອງຂໍ້ມູນທີ່ມັນໄດ້ເຫັນ. ເມື່ອສູດການຄິດໄລ່ຖືກນໍາໃຊ້ກັບຄົນເຈັບຫຼືສະຖານະການທີ່ແຕກຕ່າງຈາກຊຸດຂໍ້ມູນການຝຶກອົບຮົມແຄບ, ການປະຕິບັດແມ່ນໄດ້ຮັບຜົນກະທົບຢ່າງຮ້າຍແຮງ.
Andrew Ng, ບັນທຶກແນວຄິດໄດ້ດີເມື່ອລາວກ່າວວ່າ, "ມັນປະກົດວ່າເມື່ອພວກເຮົາເກັບ ກຳ ຂໍ້ມູນຈາກໂຮງ ໝໍ ສະແຕນຟອດ ... ພວກເຮົາສາມາດເຜີຍແຜ່ເອກະສານທີ່ສະແດງໃຫ້ເຫັນ [ສູດການຄິດໄລ່] ທຽບໄດ້ກັບນັກວິທະຍາສາດດ້ານລັງສີຂອງມະນຸດໃນການສັງເກດສະພາບການບາງຢ່າງ. … [ເມື່ອ] ເຈົ້າເອົາຕົວແບບດຽວກັນນັ້ນ, ລະບົບ AI ດຽວກັນ, ໄປໂຮງໝໍທີ່ເກົ່າແກ່ຢູ່ຕາມຖະໜົນຫົນທາງ, ດ້ວຍເຄື່ອງທີ່ເກົ່າແກ່, ແລະຊ່າງເຕັກນິກໃຊ້ໂປຣໂຕຄອນການຖ່າຍຮູບທີ່ແຕກຕ່າງເລັກນ້ອຍ, ຂໍ້ມູນນັ້ນຈະລອຍຕົວເຮັດໃຫ້ປະສິດທິພາບຂອງລະບົບ AI ຫລຸດລົງ. ຢ່າງຫຼວງຫຼາຍ.”3
ເວົ້າງ່າຍໆ, ຮູບແບບ AI ສ່ວນໃຫຍ່ບໍ່ໄດ້ຖືກຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນທີ່ມີຄວາມຫຼາກຫຼາຍພຽງພໍແລະມີຄຸນນະພາບສູງ, ເຮັດໃຫ້ການປະຕິບັດ 'ໂລກທີ່ແທ້ຈິງ' ທີ່ບໍ່ດີ. ບັນຫານີ້ໄດ້ຮັບການເອກະສານທີ່ດີໃນທັງວິທະຍາສາດແລະວົງການຫຼັກ, ເຊັ່ນ: ໃນ ວິທະຍາສາດ ແລະ Politico.
ການທົດສອບໃນກຸ່ມຄົນເຈັບທີ່ມີຄວາມຫຼາກຫຼາຍມີຄວາມສໍາຄັນແນວໃດ?
ການທົດສອບໃນກຸ່ມຄົນເຈັບທີ່ມີຄວາມຫຼາກຫຼາຍແມ່ນສໍາຄັນຕໍ່ການຮັບປະກັນວ່າຜະລິດຕະພັນ AI ທີ່ໄດ້ຮັບຜົນບໍ່ພຽງແຕ່ມີປະສິດທິພາບແລະປະສິດທິພາບ, ແຕ່ຍັງປອດໄພ. ສູດການຄິດໄລ່ທີ່ບໍ່ໄດ້ຮັບການຝຶກອົບຮົມ ຫຼືທົດສອບຢູ່ໃນກຸ່ມຄົນເຈັບທີ່ຫຼາກຫຼາຍຢ່າງພຽງພໍ ອາດຈະທົນທຸກຈາກຄວາມລຳອຽງຂອງລະບົບ algorithmic, ເປັນບັນຫາທີ່ຮ້າຍແຮງໃນການດູແລສຸຂະພາບ ແລະເຕັກໂນໂລຊີການດູແລສຸຂະພາບ. ບໍ່ພຽງແຕ່ algorithms ດັ່ງກ່າວຈະສະທ້ອນເຖິງຄວາມລໍາອຽງທີ່ມີຢູ່ໃນຂໍ້ມູນການຝຶກອົບຮົມ, ແຕ່ຍັງເຮັດໃຫ້ຄວາມບໍ່ສະເຫມີພາບທາງດ້ານເຊື້ອຊາດ, ຊົນເຜົ່າ, ສາສະຫນາ, ເພດ, ແລະອື່ນໆ, ຄວາມບໍ່ສະເຫມີພາບໃນການດູແລສຸຂະພາບ. ຄວາມລົ້ມເຫລວໃນການທົດສອບໃນກຸ່ມຄົນເຈັບທີ່ມີຄວາມຫຼາກຫຼາຍອາດຈະເຮັດໃຫ້ຜະລິດຕະພັນອັນຕະລາຍ.
ການສຶກສາທີ່ຈັດພີມມາບໍ່ດົນມານີ້5, leveraging the Rhino Health Platform , ສືບສວນປະສິດທິພາບຂອງ AI algorithm ກວດຫາເສັ້ນເລືອດຕັນໃນສະຫມອງທີ່ພັດທະນາຢູ່ໃນເວັບໄຊທ໌ດຽວໃນສີ່ສະຖານທີ່ທີ່ແຕກຕ່າງກັນທີ່ມີຊະນິດຂອງເຄື່ອງສະແກນ. ຜົນໄດ້ຮັບໄດ້ສະແດງໃຫ້ເຫັນເຖິງການປ່ຽນແປງປະສິດທິພາບຢ່າງຫຼວງຫຼາຍໃນສະຖານທີ່ທີ່ມີເຄື່ອງສະແກນປະເພດຕ່າງໆ, ເນັ້ນຫນັກເຖິງຄວາມສໍາຄັນຂອງການຝຶກອົບຮົມແລະການທົດສອບໃນຊຸດຂໍ້ມູນທີ່ມີຄວາມຫຼາກຫຼາຍ.
ເຈົ້າຮູ້ໄດ້ແນວໃດວ່າປະຊາກອນຍ່ອຍບໍ່ໄດ້ເປັນຕົວແທນ?
ວິທີການທົ່ວໄປແມ່ນການວິເຄາະການແຜ່ກະຈາຍຂອງຕົວແປໃນຊຸດຂໍ້ມູນທີ່ແຕກຕ່າງກັນ, ເປັນສ່ວນບຸກຄົນແລະປະສົມປະສານ. ທີ່ສາມາດແຈ້ງໃຫ້ນັກພັດທະນາທັງໃນເວລາທີ່ກະກຽມຊຸດຂໍ້ມູນ 'ການຝຶກອົບຮົມ' ແລະຊຸດຂໍ້ມູນການກວດສອບ. ແພລະຕະຟອມສຸຂະພາບ Rhino ອະນຸຍາດໃຫ້ທ່ານເຮັດສິ່ງນັ້ນ, ແລະນອກຈາກນັ້ນ, ຜູ້ໃຊ້ອາດຈະເບິ່ງວິທີການປະຕິບັດຕົວແບບໃນກຸ່ມຕ່າງໆເພື່ອຮັບປະກັນຄວາມສາມາດທົ່ວໄປແລະການປະຕິບັດແບບຍືນຍົງໃນທົ່ວປະຊາກອນຍ່ອຍ.
ເຈົ້າສາມາດອະທິບາຍໄດ້ວ່າ Federated Learning ແມ່ນຫຍັງ ແລະມັນແກ້ໄຂບັນຫາເຫຼົ່ານີ້ແນວໃດ?
Federated Learning (FL) ສາມາດຖືກກໍານົດຢ່າງກວ້າງຂວາງເປັນຂະບວນການທີ່ຕົວແບບ AI ໄດ້ຮັບການຝຶກອົບຮົມແລະຫຼັງຈາກນັ້ນສືບຕໍ່ປັບປຸງໃນໄລຍະເວລາ, ການນໍາໃຊ້ຂໍ້ມູນທີ່ແຕກຕ່າງກັນ, ບໍ່ຈໍາເປັນຕ້ອງມີການແບ່ງປັນຫຼືຂໍ້ມູນສູນກາງ. ນີ້ແມ່ນບາດກ້າວກ້າວກະໂດດອັນໃຫຍ່ຫຼວງໃນການພັດທະນາ AI. ໃນປະຫວັດສາດ, ຜູ້ໃຊ້ໃດກໍ່ຕາມທີ່ຊອກຫາການຮ່ວມມືກັບຫຼາຍເວັບໄຊທ໌ຕ້ອງລວມຂໍ້ມູນນັ້ນເຂົ້າກັນ, ເຮັດໃຫ້ເກີດຄວາມອິດເມື່ອຍຫຼາຍ, ຄ່າໃຊ້ຈ່າຍແລະໃຊ້ເວລາຫຼາຍທາງດ້ານກົດຫມາຍ, ຄວາມສ່ຽງແລະການປະຕິບັດຕາມ.
ໃນມື້ນີ້, ດ້ວຍຊອບແວເຊັ່ນ Rhino Health Platform, FL ໄດ້ກາຍເປັນຄວາມເປັນຈິງປະຈໍາວັນໃນການດູແລສຸຂະພາບແລະວິທະຍາສາດຊີວິດ. ການຮຽນຮູ້ແບບສະຫະພັນເຮັດໃຫ້ຜູ້ໃຊ້ສາມາດສຳຫຼວດ, ຈັດຫາ, ແລະກວດສອບຂໍ້ມູນໄດ້ ໃນຂະນະທີ່ຂໍ້ມູນນັ້ນຍັງຄົງຢູ່ໃນເຊີບເວີທ້ອງຖິ່ນຂອງຜູ້ຮ່ວມມື. ລະຫັດບັນຈຸ, ເຊັ່ນ AI/ML algorithm ຫຼືຄໍາຮ້ອງສະຫມັກການວິເຄາະ, ຖືກສົ່ງໄປຫາເຄື່ອງແມ່ຂ່າຍທ້ອງຖິ່ນບ່ອນທີ່ການປະຕິບັດລະຫັດນັ້ນ, ເຊັ່ນ: ການຝຶກອົບຮົມຫຼືການກວດສອບຂອງ AI / ML algorithm, ດໍາເນີນການ 'ທ້ອງຖິ່ນ'. ດັ່ງນັ້ນຂໍ້ມູນຍັງຄົງຢູ່ກັບ 'ຜູ້ຮັກສາຂໍ້ມູນ' ຕະຫຼອດເວລາ.
ໂຮງຫມໍ, ໂດຍສະເພາະ, ມີຄວາມກັງວົນກ່ຽວກັບຄວາມສ່ຽງທີ່ກ່ຽວຂ້ອງກັບການລວບລວມຂໍ້ມູນຄົນເຈັບທີ່ລະອຽດອ່ອນ. ນີ້ໄດ້ນໍາໄປສູ່ສະຖານະການທີ່ຫນ້າອັບອາຍ, ບ່ອນທີ່ມັນໄດ້ກາຍເປັນທີ່ຊັດເຈນວ່າອົງການຈັດຕັ້ງການດູແລສຸຂະພາບໄດ້ຮ່ວມມືກັບອຸດສາຫະກໍາໂດຍບໍ່ມີຄວາມເຂົ້າໃຈຢ່າງແທ້ຈິງກ່ຽວກັບການນໍາໃຊ້ຂໍ້ມູນຂອງພວກເຂົາ. ໃນທາງກັບກັນ, ພວກເຂົາເຈົ້າຈໍາກັດຈໍານວນການຮ່ວມມືທີ່ທັງອຸດສາຫະກໍາແລະນັກຄົ້ນຄວ້າວິຊາການສາມາດເຮັດໄດ້, ຊ້າລົງ R & D ແລະຜົນກະທົບຕໍ່ຄຸນນະພາບຜະລິດຕະພັນໃນທົ່ວອຸດສາຫະກໍາການດູແລສຸຂະພາບ. FL ສາມາດຫຼຸດຜ່ອນສິ່ງນັ້ນ, ແລະເຮັດໃຫ້ການຮ່ວມມືດ້ານຂໍ້ມູນບໍ່ເຄີຍມີມາກ່ອນ, ໃນຂະນະທີ່ຄວບຄຸມຄວາມສ່ຽງທີ່ກ່ຽວຂ້ອງກັບການຮ່ວມມືເຫຼົ່ານີ້.
ທ່ານສາມາດແບ່ງປັນວິໄສທັດຂອງ Rhino Health ສໍາລັບການສ້າງແບບຈໍາລອງຢ່າງໄວວາໂດຍໃຊ້ຂໍ້ມູນທີ່ມີຄວາມຫຼາກຫຼາຍຫຼາຍຂຶ້ນບໍ?
ພວກເຮົາຈິນຕະນາການລະບົບນິເວດຂອງນັກພັດທະນາ AI ແລະຜູ້ໃຊ້, ຮ່ວມມືກັນໂດຍບໍ່ມີຄວາມຢ້ານກົວຫຼືຂໍ້ຈໍາກັດ, ໃນຂະນະທີ່ເຄົາລົບຂອບເຂດຂອງກົດລະບຽບ.. ຜູ້ຮ່ວມມືສາມາດກໍານົດຂໍ້ມູນການຝຶກອົບຮົມແລະການທົດສອບທີ່ຈໍາເປັນຢ່າງໄວວາຈາກທົ່ວພູມສັນຖານ, ເຂົ້າເຖິງແລະພົວພັນກັບຂໍ້ມູນນັ້ນ, ແລະເຮັດຊ້ໍາຮູບແບບ. ການພັດທະນາເພື່ອຮັບປະກັນຄວາມສາມາດທົ່ວໄປພຽງພໍ, ການປະຕິບັດແລະຄວາມປອດໄພ.
ໃນຈຸດສໍາຄັນນີ້, ແມ່ນເວທີສຸຂະພາບ Rhino, ສະຫນອງ 'ຮ້ານດຽວ' ສໍາລັບນັກພັດທະນາ AI ເພື່ອສ້າງຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ແລະຫຼາກຫຼາຍຊະນິດ, ຝຶກອົບຮົມແລະກວດສອບ AI algorithms, ແລະຕິດຕາມແລະຮັກສາຜະລິດຕະພັນ AI ຢ່າງຕໍ່ເນື່ອງ.
ແພລະຕະຟອມ Rhino Health ປ້ອງກັນຄວາມລໍາອຽງຂອງ AI ແລະສະເຫນີການອະທິບາຍ AI ແນວໃດ?
ໂດຍການປົດລັອກ ແລະປັບປຸງການຮ່ວມມືດ້ານຂໍ້ມູນ, ຜູ້ພັດທະນາ AI ສາມາດນຳໃຊ້ຊຸດຂໍ້ມູນທີ່ມີຂະໜາດໃຫຍ່ກວ່າ, ມີຄວາມຫຼາກຫຼາຍຫຼາຍຂຶ້ນໃນການຝຶກອົບຮົມ ແລະການທົດສອບການນຳໃຊ້ຂອງເຂົາເຈົ້າ. ຜົນໄດ້ຮັບຂອງຊຸດຂໍ້ມູນທີ່ເຂັ້ມແຂງກວ່າແມ່ນຜະລິດຕະພັນທີ່ມີລັກສະນະທົ່ວໄປກວ່າທີ່ບໍ່ໄດ້ຮັບຜິດຊອບໂດຍຄວາມລໍາອຽງຂອງສະຖາບັນດຽວຫຼືຊຸດຂໍ້ມູນແຄບ. ໃນການສະຫນັບສະຫນູນການອະທິບາຍ AI, ແພລະຕະຟອມຂອງພວກເຮົາໃຫ້ທັດສະນະທີ່ຊັດເຈນກ່ຽວກັບຂໍ້ມູນທີ່ນໍາມາໃຊ້ຕະຫຼອດຂະບວນການພັດທະນາ, ໂດຍມີຄວາມສາມາດໃນການວິເຄາະແຫຼ່ງທີ່ມາຂອງຂໍ້ມູນ, ການແຈກຢາຍມູນຄ່າແລະຕົວຊີ້ວັດທີ່ສໍາຄັນອື່ນໆເພື່ອຮັບປະກັນຄວາມຫຼາກຫຼາຍຂອງຂໍ້ມູນແລະຄຸນນະພາບທີ່ພຽງພໍ. ນອກຈາກນັ້ນ, ແພລດຟອມຂອງພວກເຮົາຍັງຊ່ວຍໃຫ້ການເຮັດວຽກທີ່ບໍ່ເປັນໄປໄດ້ຖ້າຂໍ້ມູນຖືກລວມເຂົ້າກັນຢ່າງງ່າຍດາຍ, ລວມທັງການອະນຸຍາດໃຫ້ຜູ້ໃຊ້ສາມາດປັບປຸງຊຸດຂໍ້ມູນຂອງເຂົາເຈົ້າຕື່ມອີກ, ເຊັ່ນວ່າຄໍານວນຈາກຈຸດຂໍ້ມູນທີ່ມີຢູ່, ເພື່ອສືບສວນການ inference ສາເຫດແລະຫຼຸດຜ່ອນ confounders.
ທ່ານຕອບສະ ໜອງ ກັບແພດ ໝໍ ທີ່ກັງວົນວ່າການເພິ່ງພາອາໄສ AI ຫຼາຍເກີນໄປສາມາດ ນຳ ໄປສູ່ຜົນໄດ້ຮັບທີ່ມີຄວາມ ລຳ ອຽງທີ່ບໍ່ໄດ້ຮັບການກວດສອບຢ່າງເປັນເອກະລາດ?
ພວກເຮົາເຫັນອົກເຫັນໃຈກັບຄວາມກັງວົນນີ້ແລະຮັບຮູ້ວ່າຄໍາຮ້ອງສະຫມັກຈໍານວນຫນຶ່ງໃນຕະຫຼາດໃນມື້ນີ້ໃນຄວາມເປັນຈິງອາດຈະມີຄວາມລໍາອຽງ. ການຕອບສະ ໜອງ ຂອງພວກເຮົາແມ່ນວ່າພວກເຮົາຕ້ອງມາຮ່ວມກັນເປັນອຸດສາຫະ ກຳ, ເປັນຊຸມຊົນການດູແລສຸຂະພາບທີ່ມີຄວາມກັງວົນກ່ຽວກັບຄວາມປອດໄພຂອງຄົນເຈັບເປັນອັນດັບ ໜຶ່ງ, ເພື່ອ ກຳ ນົດນະໂຍບາຍແລະຂັ້ນຕອນເພື່ອປ້ອງກັນຄວາມ ລຳ ອຽງດັ່ງກ່າວແລະຮັບປະກັນການ ນຳ ໃຊ້ AI ທີ່ປອດໄພ, ມີປະສິດທິພາບ. ຜູ້ພັດທະນາ AI ມີຄວາມຮັບຜິດຊອບເພື່ອຮັບປະກັນຜະລິດຕະພັນ AI ໃນຕະຫຼາດຂອງພວກເຂົາຖືກກວດສອບຢ່າງເປັນເອກະລາດເພື່ອບັນລຸຄວາມໄວ້ວາງໃຈຂອງທັງຜູ້ຊ່ຽວຊານດ້ານສຸຂະພາບແລະຄົນເຈັບ. Rhino Health ແມ່ນອຸທິດຕົນເພື່ອສະຫນັບສະຫນູນຜະລິດຕະພັນ AI ທີ່ປອດໄພ, ເຊື່ອຖືໄດ້ແລະກໍາລັງເຮັດວຽກຮ່ວມກັບຄູ່ຮ່ວມງານເພື່ອເຮັດໃຫ້ການກວດສອບເອກະລາດຂອງຄໍາຮ້ອງສະຫມັກ AI ກ່ອນທີ່ຈະນໍາໃຊ້ໃນການຕັ້ງຄ່າທາງດ້ານການຊ່ວຍໂດຍການປົດລັອກອຸປະສັກກັບຂໍ້ມູນການກວດສອບທີ່ຈໍາເປັນ.
ວິໄສທັດຂອງເຈົ້າສໍາລັບອະນາຄົດຂອງ AI ໃນການດູແລສຸຂະພາບແມ່ນຫຍັງ?
ວິໄສທັດຂອງ Rhino Health ແມ່ນຂອງໂລກທີ່ AI ໄດ້ບັນລຸທ່າແຮງອັນເຕັມທີ່ໃນການດູແລສຸຂະພາບ. ພວກເຮົາມີຄວາມພາກພຽນເຮັດວຽກເພື່ອສ້າງຄວາມໂປ່ງໃສ ແລະສົ່ງເສີມການຮ່ວມມືໂດຍການຢືນຢັນຄວາມເປັນສ່ວນຕົວເພື່ອເປີດໃຫ້ໂລກນີ້. ພວກເຮົາຈິນຕະນາການ AI ການດູແລສຸຂະພາບທີ່ບໍ່ຈໍາກັດໂດຍໄຟວໍ, ພູມສາດຫຼືຂໍ້ຈໍາກັດດ້ານກົດລະບຽບ. ນັກພັດທະນາ AI ຈະມີການຄວບຄຸມການເຂົ້າເຖິງຂໍ້ມູນທັງຫມົດທີ່ພວກເຂົາຕ້ອງການເພື່ອສ້າງແບບຈໍາລອງທີ່ມີປະສິດທິພາບ, ໂດຍທົ່ວໄປ - ແລະຕິດຕາມແລະປັບປຸງພວກມັນຢ່າງຕໍ່ເນື່ອງດ້ວຍການໄຫຼເຂົ້າຂອງຂໍ້ມູນໃນເວລາຈິງ. ຜູ້ໃຫ້ບໍລິການແລະຄົນເຈັບຈະມີຄວາມໝັ້ນໃຈໃນການຮູ້ວ່າພວກເຂົາບໍ່ສູນເສຍການຄວບຄຸມຂໍ້ມູນຂອງພວກເຂົາ, ແລະສາມາດຮັບປະກັນວ່າມັນຖືກໃຊ້ຢ່າງດີ. ຜູ້ຄວບຄຸມຈະສາມາດກວດສອບປະສິດທິພາບຂອງຕົວແບບທີ່ໃຊ້ໃນການພັດທະນາຢາ ແລະອຸປະກອນໃນເວລາຈິງ. ອົງການຈັດຕັ້ງສາທາລະນະສຸກຈະໄດ້ຮັບຜົນປະໂຫຍດຈາກຄວາມກ້າວຫນ້າເຫຼົ່ານີ້ໃນ AI ໃນຂະນະທີ່ຄົນເຈັບແລະຜູ້ໃຫ້ບໍລິການພັກຜ່ອນໄດ້ງ່າຍໂດຍຮູ້ວ່າຄວາມເປັນສ່ວນຕົວຖືກປົກປ້ອງ.
ຂອບໃຈສໍາລັບການສໍາພາດທີ່ຍິ່ງໃຫຍ່, ຜູ້ອ່ານທີ່ຕ້ອງການຮຽນຮູ້ເພີ່ມເຕີມຄວນໄປຢ້ຽມຢາມ ສຸຂະພາບ Rhino.
