Введение в машинное обучение радиолога - серия из 10 частей
Часть 3
Авторы: Данило Пена, Dr. Тай Вашон
Редактор: Dr. Майкл Докси
Тема искусственного интеллекта (ИИ) давно обсуждается с тех пор, как были разработаны программируемые компьютеры. Ученые и философы ставили под сомнение различия между человеком и машиной. Сможем ли мы запрограммировать человеческий мозг со всеми его сложностями в компьютер? Сможет ли тогда компьютер думать?
На сегодняшний день нам еще предстоит ответить на эти интересные, ошеломляющие вопросы, но мы приблизились к тому, чтобы сделать компьютеры умнее. Хотя некоторые могут возразить, что даже самые умные компьютеры по-прежнему обладают меньшим интеллектом, чем тараканы. Подумайте об этом немного.
Самые умные компьютеры по-прежнему не могут выполнять сразу несколько задач. Вместо этого они очень хорошо справляются с одной задачей, на которую они запрограммированы.
Прежде чем мы продолжим копать, давайте определим некоторые ключевые термины. Мы выбрали одно из множества определений, доступных в Интернете.
Первые три являются иерархическими; ИИ - самая большая, всеобъемлющая категория. Машинное обучение (ML) - это подмножество AI, а Deep Learning (DL) - подмножество ML.
Искусственный интеллект - компьютерная система, способная выполнять задачи, которые обычно требуют человеческого интеллекта, такие как визуальное восприятие, распознавание речи, принятие решений и перевод между языками.
Машинное обучение. Артур Сэмюэл сказал: «Машинное обучение - это способность учиться без явного программирования».
Глубокое обучение - из новостей Массачусетского технологического института: Нейронная сеть, смоделированная на основе человеческого мозга, состоит из тысяч или даже миллионов простых узлов обработки, которые плотно связаны между собой. Это похоже на синаптические соединения аксонов и дендритов.
Распознавание изображений - использование методов машинного и глубокого обучения для определения содержания изображения.
Архитектура - каркас и схемы модели алгоритма, используемые для прогнозирования результата.
Эти слова пригодятся и в следующих парах статей! Поищите их в Google и следите за ними, когда мы представим в следующей статье общие алгоритмы машинного обучения.
Почему именно сейчас?
Как было сказано ранее, машинное обучение и искусственные концепции не новы. На самом деле им уже несколько десятков лет. Однако в последнее время изменились несколько факторов, которые теперь в значительной степени способствовали прогрессу в этих областях. Это важно помнить, потому что это уникальный момент в истории.
Во-первых, быстро увеличивается вычислительная скорость технологий. Аппаратное обеспечение, известное как GPU (графические процессоры), позволило распараллеливать вычисления. То есть одновременно можно выполнять больше вычислений, а не один за другим. Это позволяет значительно повысить эффективность. Мы можем поблагодарить индустрию видеоигр за эти достижения.
Во-вторых, были достигнуты значительные успехи в алгоритмах. Фреймворки или архитектуры глубокого обучения улучшились по сравнению с такими, как Google, Facebook, исследовательское сообщество и новые люди в сообществах с открытым исходным кодом. Например, класс алгоритмов, которые сегодня широко используются, относятся к нейронным сетям. Эти алгоритмы в общих чертах смоделированы по образцу мозга, где информация передается между различными слоями нейронов через сеть. Со временем алгоритмы стали более сложными, варьировались от нескольких слоев до десятков и потенциально сотен уровней. Эта дополнительная сложность позволяет интересно взаимодействовать между переменными, которые мы могли или не считали важными.
И наконец, что не менее важно, это экспоненциальный рост данных, доступных в различных отраслях, в Интернете и на предприятиях. Эта область развивалась годами и будет развиваться. Будь то приток социальных данных, количество изображений в Интернете или ваши покупки на Amazon, данные всегда присутствуют и будут продолжать служить отправной точкой для многих из этих алгоритмов машинного обучения.
Все это может показаться ошеломляющим, и масштабы, безусловно, огромны. Каждая из этих переменных, которые способствуют появлению машинного обучения и искусственного интеллекта, безусловно, может быть рассмотрена более подробно. Однако важно понимать, что эти части были составными частями для принятия алгоритмов для просмотра данных в поисках историй.
История, о которой мы говорим в этой серии, - это история о том, как машинное обучение может изменить методы работы радиологов. Однако это изменение потребует времени, понимания и общения.
Со всем этим жаргоном легко разочароваться. Не волнуйся. Мы все находимся на этом пути, чтобы узнать больше о том, как изменятся технологии и текущее состояние радиологии (и других областей).
Мы рекомендуем прочитать эти определения несколько раз, возможно, провести какое-то внешнее исследование и определенно придерживаться нас, когда мы будем углубляться в эти концепции. В итоге: глубокое обучение - это подмножество машинного обучения. ML - это подмножество AI.
Отличный ресурс - это глоссарий от компании, которая мало знает о машинном обучении:
