Menneske-maskine interaktion muliggør udvikling af meget nøjagtige beslutningssystemer

Maskiner kan trænes til at klassificere billeder og dermed identificere tumorer i CT -scanninger, mineralske sammensætninger i sten, eller patologier i optiske mikroskopiske analyser. Denne kunstige intelligens teknik er kendt som machine learning og har fået nye applikationer i de seneste år.

Maskintræning udføres via gentagelse af billeder, der bruges som eksempler på en bestemt kontekst eller situation, og den passende forberedelse af dette materiale kræver en indsats fra eksperter fra en række forskellige områder.

"Mennesket koordinerer [uddannelsen] - uden en specialist, der kontrollerer træningsprocessen, maskinen ville lære at træffe beslutninger baseret på karakteristika ved billedet, som ikke er relateret til målproblemet. Dette genererer et dårligt resultat eller et, der er begrænset til databasen, hvor maskinen blev trænet. Når databasen ændres, fejl stiger betydeligt, gør maskinanalysen upålidelig, " sagde Alexandre Xavier Falcão, fra Institute of Computing ved University of Campinas (UNICAMP), i et foredrag holdt på FAPESP Week France.

Falcão har kombineret computervidenskab og andre vidensområder baseret på maskinlæringsprojekter i en forskningslinje, der undersøger menneske-maskine-interaktion i beslutningstagning.

Automatisering af parasitregistrering

Et af projekterne ledet af Falcão og præsenteret på FAPESP Week France har til formål at automatisere parasitdetektering i afføringsanalyser. Forskningen blev udført via et partnerskab mellem Immunocamp (en Campinas-baseret virksomhed specialiseret i hospitalsprodukter) og forskere fra Institutes of Computing and Chemistry i UNICAMP, samt School of Medical Sciences på samme universitet.

Det tværfaglige team har udviklet en maskine, der er i stand til at identificere de 15 mest udbredte arter af parasitter, der inficerer mennesker i Brasilien.

Maskinindlæringsteknikken viste mere end 90 procent effektivitet, som er meget højere end de konventionelle analyser udført af mennesker gennem visuel analyse af optiske mikroskopi dias, hvis satser varierer fra 48 procent til højst 76 procent. Maskinen er også i stand til at behandle 2, 000 billeder på fire minutter.

"Idéen er ikke at erstatte menneskers arbejde, ikke mindst fordi de skal træne maskinerne til at identificere flere parasitarter og bekræfte diagnosen af ​​patogener, der er opdaget af maskinen, men snarere for at undgå menneskelig træthed og øge præcisionen af ​​resultaterne, " han sagde.

En af innovationerne skabt af teamet fra UNICAMP var et system til adskillelse af parasitter og urenheder baseret på princippet om opløst luftflotation, hvilket gør det muligt at generere optiske mikroskopi -dias med færre urenheder.

I datavidenskabsdelen, maskinen er i stand til at udføre en automatisk scanning af objektglasset og opdage parasitter, der vises på billeder på computerskærmen. Dette var muligt ved hjælp af beregningsteknikker, der adskiller billedkomponenterne for at verificere og beslutte, om de er relateret enten til urenheder eller til en af ​​de 15 parasitære arter.

"Menneske-maskine-interaktionen har potentialet til at reducere menneskelig indsats og øge tilliden til den algoritmiske beslutning. Vores tilgang har vist, at inddragelse af specialisten i træningscyklussen genererer pålidelige beslutningstagningssystemer baseret på billedanalyse."

Pålidelige beslutningssystemer

Formålet med metoden er at minimere den indsats, som specialisten yder med hensyn til billedobservation i stor skala, søger at opbygge meget nøjagtige beslutningssystemer.

"Den klassiske tilgang, som bruger forudindspillede eksempler og ingen menneskelig interaktion under træning, efterlader forskellige spørgsmål ubesvarede. Det er væsentlige spørgsmål, f.eks. hvor mange eksempler, der er nødvendige for, at maskinerne kan lære, eller hvordan de forklarer de beslutninger, som maskinen træffer. Vores metode består i at inkludere specialisten i maskinindlæringscyklussen, så spørgsmål som disse besvares, " han sagde.

Derfor, strategien, som Falcãos team har brugt til at bygge pålidelige beslutningssystemer, har været at udforske komplementære evner. "Mennesker er overlegne i videnabstraktion. Maskiner bliver ikke trætte og er bedre til at behandle store mængder data. Så, specialistens indsats minimeres ved at kontrollere læringscyklussen, og maskinernes beslutninger bliver forklarlige, " han sagde.