人工智慧與醫療的懶人包

前言

坊間有很多書,都介紹人工智慧在醫療上的用途,在各大醫院,都被拿來當作是願景,或是用來和媒體宣傳。或是在各大醫學會,都會安排幾場關於“人工智慧與醫療”等相關的主題。我覺得很好,有人關心這件事。但除了關心,就沒有在下一步了。如果真的有心要做,不只有安排演講。今年3月初,人工智慧的倡議者Andrew Ng在coursera 上AI for everyone開課,是給非工程師的通識課程,分成四周,但其實約2個多小時就可以看完的影片課程。講得非常清楚,能做什麼,不能做什麼、現在發展到哪了?強項在哪?怎麼建一隻AI隊伍、要怎麼做才不要掉隊?這甚至都很適合一直在喊產業升級、轉型、喊要建AIoT聚落的政府官員。可能可以比較清楚知道,究竟,人工智慧是什麼?而不是整天幻想有個跟人一樣的機器人要來搶工作這種話…

什麼人工智慧?

人工智慧不是你所想的聰明機器人

大部分人以為的人工智慧是AGI(general intelligence)就像一個完整的人可以做很多事;但目前的發展是ANI(narrow intellgence)。

這樣講又太模糊了,看圖。就像有一個input A-> output B,這就是目前人工智慧能做的;譬如英翻中、譬如把錄音檔轉文字。這個我們又叫「supervised learning」,這是一種機器學習。大部分我們現在用到的技術都是這種的。

資料

有資料庫、有很多資料不見得就是好。也要看資料能不能用、好不好用。現在的「人工智慧」,大多是把資料A們 ->給出資料B的結果。資料怎麼來呢?一個就是手動(工人做事)標籤、譬如這是不是一隻貓呢?或是從觀察的資料,還是從網站上撈。

其實資料是很混亂的,如果有些資料不齊全、有資料打錯了,或是資料沒有整理過,亂七八糟的。根本就無法使用機器學習

機器學習和資料科學

之前有twitter上有流行一段話,用“python寫的叫機器學習;用ppt叫人工智慧”。資料科學就是你運用這些程式得到的、觀察到的現象再加以演化成一門知識,才會是資料科學。而這一切圍繞在這些資料、數據的一切方法,我們可以統稱人工智慧。所以常常看得到的「人工智慧」、聽得到的,可以再進一步想想,這則新聞、或是這個組織,要用這個方法做的這些事情,可能嗎?還是畫大餅說說而已?

深度學習

上圖這個就是深度學習。也是要從A們推論到B。但中間經過很多運算,這每一個圈圈代表一個運算的結果。因為很像腦中的神經細胞,所以我們叫他neuron,而這個建立的網絡,我們稱之為神經網絡。但和真的生物腦神經網絡,一點關係也沒有;目前也沒有任何方法可以去模擬出生物腦。所以深度學習、人工神經網路,就是指 **一組許多的數學等式**

所以AI是什麼?

AI就是人工智慧裡,很多都不同的工具,我們的泛稱。

現在能做的和拿手的就是可以處理一個簡單的概念,譬如之前提到的英翻中,加上很多的資料。這就是目前能做的。

再來說說什麼放射科醫師要被取代了啊…Andrew Ng也說了。不可能。機器可以讀10000張已經被判斷好的片子,再去學習A->B,但是如果很少張、或是沒看過,或是透過臨床表徵加圖片,告訴你為什麼會這樣,不可能。這也不是機器學習所善長的。

所以我想要建一隻人工智慧隊伍要怎麼做?

Andrew Ng說,不要想說要取代一個人的工作,而是這些工作裡面,有沒有什麼小任務是可以被做的(也就是不要想取代放射科醫師了,而是有什麼小任務是可以讓機器去做的);再來是那AI的performance好嗎?需要多少資料?開發這個會多久?

img

這些是常見的工具,就不一一介紹了,可以google 一下,大多是python, R, julia等等。

說明語音助理的原理

譬如你跟你的手機說,「嘿,告訴我一個笑話」,他要做的是很多從A->B,再串接他們。 你的手機要先聽出這個”hey, 機器“,再來是把聲音變成文字,再來是,它可以辨識什麼叫「笑話」,最後去執行「找笑話」的程式。

自動駕駛也是同樣的道理:

課程中還有講解很多例子、譬如翻譯、語音辨識、機器控制等等原理講解。 其他還有unsupervised learning, renforcement learning, GANs(generatvie adversarial network), knowledge graph等等。

AI和社會

最後一周這講就回到了目前(2019),AI的侷限、倫理和他的缺點。譬如新聞常常會看到什麼聊天機器人出現有偏見、歧視的字眼。但其實不是機器人有意識地歧識,而是這是有問題的資料造成的。

之前有也提到,AI無法告訴你為什麼,只會告訴你結果;而且需要大量資料。AI也是可以被攻擊的。只要資料有更動;或是投放大量錯誤的訊息。視覺辨識也有其做不到的地方。

最後,Andrew Ng放這張投影片,告訴大家,AI會影響到很多工作,但也會創造新的工作機會。準備好,它沒有那麼可怕,也還有很多領域需要domain knowledge, 很多地方都可以用新的方法去改善現在的生活

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *

返回頂端