أنطمة الطب الحديثة والبينات الطبية الحيوية تنشئ كميات هائلة من المعلومات والبيانات الخام والمعقدة التي بالأغلب لا يستفاد منها. المستشفيات ومراكز الأبحاث والأطباء بمقدورهم تحليل كميات قليلة من بيانات علاج المرضى، تاريخهم المرضي، الأعراض، والنتائج المخبرية، تحليل الأشعة وغيرها. هذا يخلق الحاجة إلى الم
أنطمة الطب الحديثة والبينات الطبية الحيوية تنشئ كميات هائلة من المعلومات والبيانات الخام والمعقدة التي بالأغلب لا يستفاد منها. المستشفيات ومراكز الأبحاث والأطباء بمقدورهم تحليل كميات قليلة من بيانات علاج المرضى، تاريخهم المرضي، الأعراض، والنتائج المخبرية، تحليل الأشعة وغيرها. هذا يخلق الحاجة إلى المزيد لتعلم كيف تعمل الآلة حتى تتمكن من مساعدتنا في اتخاذ القرارات الطبية الأنسب.
والجاهل بالشيء يبقى يهابه، بمعنى أن على كل طبيب ومستشفى ومقدم رعاية تعلم الذكاء الاصطناعي بشكل عام حتى يتمكن من إستغلال هذه التكنلوجيا المتقدمة في تخفيف عبء البيانات وتحليلها. وهنا يجب القول أن الذكاء الاصطناعي يجب أن يصبح مركز اهتمام الأطباء للأسباب التالية:
- قدرة ذكاء الآلة على تحيليل مجموعات بيانات كبيرة جدا ومعقدة
- القدرة على تلخيص البيانات في تقارير ونماذج يستطيع صانع القرار من الإستفادة منها
- المساعدة في تحديد الأخطاء والأمور الشاذة في البينات بأسرع وقت ممكن
- القدرة العالية على إنجاز العمل خلال وقت قياسي وبفاعلية عالية مقارنة بقدرة الإنسان.
هنا يجب على الأطباء نزع رداء الطب وتعلم كيف تتعلم الآلة بتجرد حتى يتمكن من التفكير في كيفية الإستفادة من قدرة الآلة على التعلم!
Supervised ضد Unsupervised
من أحدى طرق تعلم الآلة ما يطلق عليه بطريقة الإشراف على تعلم الآلة او ما يعرف ب Supervised Machine Learning أو الطريقة الاخرى وهي التعلم الغير خاضع للإشراف Unsupervised Machine learning. هذا مهم أن نعرفه حتى نتمكن من صياغة الخوارزميات المناسبة.
Supervised Machine Learning بإستخدام هذه الطريقة في تدريب الآلة، فإنا نقدم للآلة معلومات معرفة تسمى Labeled Data ونربطها بنتائج معروفة فتقوم الآلة بتعلم هذا النمط من التحليل، فتتدرب على إستخلاص نتائج من خلال هذا النمط بحيث تكون متناسقة مع المعلومات المقدمة من قبل. هذا النوع من تعلم الآلة يمكننا من التنبؤ بنتائج البينات الغير متوقعة.
ويمكن إستخدام هذا النوع من الذكاء الاصطناعي من توقع:
- توقع الوقت المستغرق لوصولك من عملك لبيتك بناءاً على
- الحالة الجوية
- الوقت الحالي من اليوم
- المدينة المختارة
- عدد السكان وعدد المركبات
- الطريق المختار لإتمام الرحلة
وكل ما ذكر أعلاه يعد من المعلومات التي تتدرب الآلة للحصول على إجابة تتناسق مع التجارب التي تعلمت منها. وهذا النوع من تعلم الآلة نستخدمه نحن البشر لكن غريزياً حيث أننا جميعاً نعلم إذا ما أمطرت السماء بالخارج، فسوف يستقرق الأمر وقتاً أطول حتى نقود السيارة ونصل إلى المنزل. لكن الآلة والذكاء الاصطناعي يحتاج إلى الكثير من البيانات والمعلومات حتى يتعلم من تجارب أشخاص إنطلقوا من عملهم إلى منزلهم في أوقات مختلفة وفي حالات جوية مختلقة وبأيام مختلفة في الأسبوع الواحد حتى تستطيع الآلة الحصول على معادلة رقمية وخوارزمية لتوقع النتائج المستقبلية.
كيف تتعلم الآلة بطريقة التعلم الغير خاضع للإشراف
أو ما يسمى Unsupervised Machine Learning حيث أن الآلة تستنتج انماطاً من مجموعة بيانات معرفة إلى الآلة كمدخلات Input لكن دون الرجوع إلى النتائج Outcomes. وتكن أهمية هذا النوع من الذكاء الاصطناعي في التعرف على أنماط جديدة غير معروفة سابقاً في البيانات. ومع جهل النتائج المستخرجة من هذا النوع من تعلم الآلة، إلا أننا لا يمكن تحديد مدى دقة النتائج وهذا يجعل طريقة تعلم الآلة الخاضع للإشراف أكثر قابلية للتطبيق على مشاكل العالم الحقيقي. ويعتبر أفضل وقت لإستخدام التعلم الغير خاضع عندما لا نمتلك البيانات الكافية وهذا يتيح للألة تقسيم البيانات إلى مجموعات تعرف بال Clusters وفقاً لتشابهها. ويمكن إستخدام هذا النوع من التعلم الاصطناعي في إكتشاف الشذوذ في البيانات حيث يستفاد منه في تحديد حالات النصب والإحتيال ( مثل التأمين الصحي، حيث يمكن للآلة تجميع البيانات إلى مجموعات يفهم منها ما هو شاذ والذي يعطي مؤشراً للبحث عن إذا ما كانت هناك حالات إحتيال في معاملات ما)
التعليقات