နိုင်ငံတကာ သိပ္ပံပညာရှင်များက AI သုတေသနတွင် ပိုမိုပွင့်လင်းမြင်သာမှုရှိရန် တောင်းဆိုထားသည်။

Princess Margaret Cancer Centre, University of Toronto, Stanford University, Johns Hopkins, Harvard School of Public Health နှင့် Massachusetts Institute of Technology အပါအဝင် အဖွဲ့အစည်းအသီးသီးမှ လာသော နိုင်ငံတကာ သိပ္ပံပညာရှင်အဖွဲ့များသည် ဉာဏ်ရည်တု (AI) သုတေသနတွင် ပိုမိုပွင့်လင်းမြင်သာမှုရှိရန် တောင်းဆိုနေကြသည်။ ဤခေါ်ဆိုမှု၏နောက်ကွယ်တွင် အဓိကတွန်းအားမှာ သုတေသနအပေါ်အခြေခံ၍ ကင်ဆာကုသမှုကို အရှိန်မြှင့်ပေးနိုင်သည့် အရေးကြီးသောတွေ့ရှိချက်များကို ဖော်ထုတ်ရန်ဖြစ်သည်။ 

ကွန်ပျူတာသုတေသီများကြား ပွင့်လင်းမြင်သာမှုနှင့်ပတ်သက်၍ ၎င်းတို့၏စံနှုန်းများကို မြှင့်တင်ရန် သိပ္ပံပညာရှင်များက သိပ္ပံဂျာနယ်များတွင် တောင်းဆိုသည့် ဆောင်းပါးကို ထုတ်ဝေခဲ့သည်။ သဘာဝ 14 ခုနှစ်၊ အောက်တိုဘာလ 2020 ရက်နေ့တွင်၊ အဖွဲ့သည် ၎င်းတို့၏လုပ်ဖော်ကိုင်ဖက်များအား စာပေများတွင် ကုဒ်၊ မော်ဒယ်နှင့် တွက်ချက်မှုဆိုင်ရာ ပတ်ဝန်းကျင်များကို ထုတ်ပြန်သင့်သည်ဟုလည်း ဆော်သြခဲ့သည်။ 

စာတမ်းအမည်မှာ “ဉာဏ်ရည်တုတွင် ပွင့်လင်းမြင်သာမှုနှင့် ပြန်လည်ထုတ်လုပ်နိုင်မှု။ " 

AI လေ့လာမှုအသေးစိတ်ကို ထုတ်ပြန်ခြင်း။

ဒေါက်တာ Benjamin Haibe-Kains သည် Princess Margaret Cancer Center မှ အကြီးတန်းသိပ္ပံပညာရှင်ဖြစ်ပြီး ထုတ်ဝေမှု၏ ပထမဆုံးစာရေးသူဖြစ်သည်။ 

"သိပ္ပံပညာတိုးတက်မှုသည် လေ့လာမှုတစ်ခု၏ရလဒ်များကို ဆန်းစစ်ရန်နှင့် သင်ယူရမည့် အဓိကရှာဖွေတွေ့ရှိချက်ကို ပြန်လည်ထုတ်လုပ်ရန် သုတေသီများ၏စွမ်းရည်ပေါ်တွင်မူတည်ပါသည်" ဟု ဒေါက်တာ Haibe-Kains ကဆိုသည်။ “ဒါပေမယ့် တွက်ချက်မှုဆိုင်ရာ သုတေသနမှာ AI လေ့လာမှုရဲ့ အသေးစိတ်အချက်အလတ်တွေကို အပြည့်အဝရရှိနိုင်ဖို့ ကျယ်ပြန့်တဲ့စံသတ်မှတ်ချက်တစ်ခုတော့ မဟုတ်ပါဘူး။ ဒါက ကျွန်တော်တို့ရဲ့ တိုးတက်မှုကို ထိခိုက်စေပါတယ်။” 

McKinney et al မှထုတ်ဝေသော Google Health လေ့လာမှုအပြီးတွင် စိုးရိမ်ပူပန်မှုများ ဖြစ်ပေါ်လာခဲ့သည်။ 2020 ခုနှစ်တုန်းက သိပ္ပံပညာဂျာနယ်တစ်ခုမှာ AI စနစ်ဟာ ရင်သားကင်ဆာစစ်ဆေးခြင်းနဲ့ပတ်သက်လာရင် လူသားဓါတ်မှန်ဗေဒပညာရှင်တွေရဲ့ ကြံ့ခိုင်မှုနဲ့ မြန်ဆန်မှုထက် စွမ်းဆောင်နိုင်တယ်လို့ ဆိုထားပါတယ်။ အဆိုပါလေ့လာမှုသည် ထိပ်တန်းစာပေအမျိုးမျိုးတွင် မီဒီယာများ၏ အာရုံစိုက်မှုကို များစွာရရှိခဲ့သည်။ 

မော်ဒယ်များကို ပြန်လည်ထုတ်လုပ်၍မရပါ။

လေ့လာမှုအပြီးတွင် ဖြစ်ပေါ်လာသော အဓိကစိုးရိမ်ပူပန်မှုတစ်ခုမှာ အသုံးပြုသည့်နည်းလမ်းများအပြင် ကုဒ်နှင့် မော်ဒယ်များကို သေချာစွာ မဖော်ပြခြင်းပင်ဖြစ်သည်။ ပွင့်လင်းမြင်သာမှု မရှိခြင်းကြောင့် သုတေသီများသည် မော်ဒယ်၏ လည်ပတ်ပုံကို မလေ့လာနိုင်ဘဲ အခြားအဖွဲ့အစည်းများမှ မော်ဒယ်ကို အသုံးမပြုနိုင်ခြင်းကြောင့် ဖြစ်သည်။ 

“စာရွက်ပေါ်နဲ့ သီအိုရီအရ McKinney et al. လေ့လာမှုက လှပပါတယ်” လို့ ဒေါက်တာ Haibe-Kains က ဆိုပါတယ်။ "ဒါပေမယ့် ငါတို့က အဲဒါကို မသင်ယူနိုင်ရင် သိပ္ပံပညာက နည်းနည်းမှ တန်ဖိုးမရှိဘူး"

ဒေါက်တာ Haibe-Kains ကို Toronto တက္ကသိုလ်မှ ဆေးဘက်ဆိုင်ရာ ဇီဝရူပဗေဒဆိုင်ရာ တွဲဖက်ပါမောက္ခအဖြစ် ပူးတွဲခန့်အပ်ခဲ့ပါသည်။ သူသည် Artificial Intelligence အတွက် Vector Institute တွင် တွဲဖက်လုပ်ကိုင်သူဖြစ်သည်။ 

“သုတေသီများသည် ၎င်းတို့၏လေ့လာမှုကို ပုံတူပွားနိုင်ကြောင်း သေချာစေရန်အချိန်နှင့် အရင်းအမြစ်များကို အချိန်ဖြုန်းမည့်အစား ၎င်းတို့၏ရှာဖွေတွေ့ရှိချက်ကို ထုတ်ဝေရန် ပိုမိုမက်လုံးပေးခံရသည်” ဟု ဒေါက်တာ Haibe-Kains က ဆက်လက်ပြောပြသည်။ "ဂျာနယ်များသည် AI ၏ 'ဖောင်းပွမှု' ကို ထိခိုက်စေနိုင်ပြီး လေ့လာမှုပြန်လည်ထုတ်လုပ်နိုင်စေရန် လိုအပ်သည့်ပစ္စည်းများအားလုံးကို မပါဝင်သည့် စာတမ်းများလက်ခံခြင်းဆိုင်ရာ စံနှုန်းများကို လျှော့ချနိုင်သည်—မကြာခဏဆိုသလို ၎င်းတို့၏ကိုယ်ပိုင်လမ်းညွှန်ချက်များနှင့် ဆန့်ကျင်ဘက်ဖြစ်သည်။

ဤပတ်ဝန်းကျင်တွင် AI မော်ဒယ်များသည် ဆေးခန်းဆက်တင်များသို့ ရောက်ရှိရန် အချိန်ပိုကြာနိုင်သည်ဟု ဆိုလိုပြီး မော်ဒယ်များကို သုတေသီများထံမှ ပုံတူပွားခြင်း သို့မဟုတ် သင်ယူ၍မရပါ။ 

သုတေသီအဖွဲ့သည် ဤပြဿနာကို ကုစားရန် အမျိုးမျိုးသော မူဘောင်များနှင့် ပလက်ဖောင်းများကို အဆိုပြုကာ နည်းလမ်းများကို မျှဝေခွင့်ပြုသည်။ 

ဒေါက်တာ Haibe-Kains က "ကျွန်ုပ်တို့ရဲ့ ကင်ဆာဝေဒနာရှင်တွေအတွက် AI ရဲ့ အသုံးဝင်မှုကို ကျွန်တော်တို့ မျှော်လင့်ထားပါတယ်။ "ကျွန်ုပ်တို့၏ရှာဖွေတွေ့ရှိချက်များကိုမျှဝေခြင်းနှင့်တည်ဆောက်ခြင်း—၎င်းသည် တကယ့်သိပ္ပံနည်းကျအကျိုးသက်ရောက်မှုဖြစ်သည်။"