ໃກ້
ຂອບການເຮັດວຽກທີ່ພັດທະນາຢູ່ Lausanne ໄດ້ບັນທຶກຂໍ້ມູນ, ລະຫັດ ແລະ ການປະເມີນຜົນເພື່ອເຮັດໃຫ້ການນຳໃຊ້ຮູບແບບພາສາໃນການດູແລສຸຂະພາບສາມາດກວດສອບໄດ້ງ່າຍຂຶ້ນ.
ການດູແລສຸຂະພາບແມ່ນໜຶ່ງໃນຂົງເຂດທີ່ມີການຮັບຮອງເອົາປັນຍາປະດິດ ແລະ ຂໍ້ມູນຂະໜາດໃຫຍ່ ມັນກຳລັງດຳເນີນການດ້ວຍຄວາມລະມັດລະວັງຫຼາຍຂຶ້ນ, ບໍ່ແມ່ນຍ້ອນການຂາດຄວາມສົນໃຈ, ແຕ່ຍ້ອນວ່າຄວາມຜິດພາດມີຜົນສະທ້ອນໂດຍກົງຕໍ່ຜູ້ຄົນ. ຮູບແບບພາສາຂະໜາດໃຫຍ່ໄດ້ຖືກນຳໃຊ້ ຫຼື ທົດສອບແລ້ວ, ເພື່ອສະໜັບສະໜູນວຽກງານຂອງທ່ານໝໍ: ພວກມັນສາມາດຊ່ວຍແນະນຳການວິນິດໄສ, ສະຫຼຸບເອກະສານທາງດ້ານຄລີນິກ, ແນະນຳບຸລິມະສິດ, ຫຼື ຊ່ວຍໃນການຕັດສິນໃຈໃນຫ້ອງສຸກເສີນ. ຢ່າງໃດກໍຕາມ, ຈຸດສຳຄັນຍັງຄົງເປັນການກວດສອບໄດ້. ຖ້າລະບົບຜະລິດຄຳແນະນຳໂດຍບໍ່ເຮັດໃຫ້ຂໍ້ມູນ, ວິທີການ, ແລະ ເງື່ອນໄຂການຝຶກອົບຮົມສາມາດເຂົ້າເຖິງໄດ້, ການຄວບຄຸມທີ່ເປັນເອກະລາດຈະກາຍເປັນເລື່ອງງ່າຍ.
ມັນແມ່ນຢູ່ໃນຈຸດນີ້ທີ່ລາວແຊກແຊງ MeditronFO, ປະກາດໂດຍÉcole Polytechnique Fedrle de Lausanneອີງຕາມມະຫາວິທະຍາໄລ Vaud, ນີ້ແມ່ນຂອບການເຮັດວຽກທີ່ເປີດກວ້າງຢ່າງສົມບູນອັນທຳອິດສຳລັບການກໍ່ສ້າງ ທ່ານໝໍແບບຈຳລອງພາສາຂະໜາດໃຫຍ່ຈຸດສຳຄັນບໍ່ພຽງແຕ່ຢູ່ທີ່ຄວາມພ້ອມຂອງຮູບແບບສຸດທ້າຍເທົ່ານັ້ນ, ແຕ່ຍັງຢູ່ທີ່ລະບົບຕ່ອງໂສ້ການພັດທະນາທັງໝົດຄື: ຂໍ້ມູນ, ລະຫັດ, ຂັ້ນຕອນການຝຶກອົບຮົມ, ເອກະສານ ແລະ ການປະເມີນຜົນ. ໃນອຸດສາຫະກຳທີ່ມີການຄວບຄຸມ, ລະອຽດອ່ອນ ແລະ ມີຄວາມຮັບຜິດຊອບດ້ານວິຊາຊີບ, ຄວາມແຕກຕ່າງນີ້ບໍ່ແມ່ນເລື່ອງເລັກນ້ອຍ.
ໂຄງການດັ່ງກ່າວເກີດໃນປີ ຫ້ອງທົດລອງສຳລັບເຕັກໂນໂລຊີການຕອບສະໜອງດ້ານສຸຂະພາບໂລກ ແລະ ມະນຸດສະທຳທີ່ສະຫຼາດ, ບໍ່ແມ່ນມາ ແສງສະຫວ່າງ, ພາຍໃນໂຮງຮຽນວິທະຍາສາດຄອມພິວເຕີ ແລະ ການສື່ສານທີ່ EPFL. ພື້ນຖານດ້ານວິຊາການແມ່ນພື້ນຖານເປີດທີ່ໃຊ້ແລ້ວໂດຍ Meditron, ເຊິ່ງປ່ອຍອອກມາໃນປີ 2023, ແຕ່ວິວັດທະນາການທີ່ນຳສະເໜີໃນປັດຈຸບັນມີຈຸດປະສົງເພື່ອເຮັດໃຫ້ວິທີການກໍ່ສ້າງທັງໝົດມີຄວາມໂປ່ງໃສຫຼາຍຂຶ້ນ. ເປົ້າໝາຍທີ່ລະບຸໄວ້ແມ່ນເພື່ອໃຫ້ສາມາດ "ເຮັດໃຫ້ເປັນທາງການແພດ" ຂອງຮູບແບບເປີດພື້ນຖານ, ນັ້ນຄືການປັບຕົວເຂົ້າກັບຂົງເຂດການດູແລສຸຂະພາບຜ່ານຄວາມຮູ້ທາງດ້ານຄລີນິກ, ຊຸດຂໍ້ມູນທີ່ບັນທຶກໄວ້, ແລະ ຂັ້ນຕອນການກວດສອບສະເພາະ.
ເປັນຫຍັງການເປີດມີນໍ້າໜັກຫຼາຍກວ່າພຽງແຕ່ລຸ້ນຮຸ່ນ
ໃນສຳນວນ AI, ຄຳວ່າ "ເປີດ" ມັກຖືກໃຊ້ຢ່າງບໍ່ສະໝໍ່າສະເໝີ. ຮູບແບບອາດຈະເຮັດໃຫ້ມີນ້ຳໜັກ, ແຕ່ຮັກສາຊຸດຂໍ້ມູນ, ຂັ້ນຕອນການກັ່ນຕອງ, ທາງເລືອກການຝຶກອົບຮົມ, ຫຼື ໂປໂຕຄອນການປະເມີນຜົນໃຫ້ບໍ່ຊັດເຈນ. ສຳລັບການນຳໃຊ້ທາງດ້ານການແພດ, ການເປີດກວ້າງບາງສ່ວນນີ້ສ້າງບັນຫາການກວດສອບ: ໂຮງໝໍ, ນັກຄົ້ນຄວ້າ, ເຈົ້າໜ້າທີ່, ແລະ ຊຸມຊົນທາງການແພດສາມາດເຫັນຜົນໄດ້ຮັບ, ແຕ່ບໍ່ແມ່ນສະເໝີໄປທີ່ຈະສ້າງຄືນໃໝ່ວ່າພວກມັນໄດ້ຮັບແນວໃດ.
MeditronFO ຄວາມພະຍາຍາມທີ່ຈະເຊື່ອມຕໍ່ຊ່ອງຫວ່າງນີ້. ຂອບການເຮັດວຽກດັ່ງກ່າວໄດ້ຖືກນຳໃຊ້ກັບຮູບແບບພື້ນຖານທີ່ເປີດກວ້າງຢ່າງສົມບູນ, ລວມທັງ OLMo, EuroLLM e ເປີດ, ຮູບແບບສະວິດເຊີແລນທີ່ພັດທະນາໂດຍ EPFL ແລະ ETH Zurich ເປັນສ່ວນໜຶ່ງຂອງໂຄງການ Swiss AI Initiative. ການເຄື່ອນໄຫວດັ່ງກ່າວມີຄວາມໝາຍສຳຄັນເພາະມັນປ່ຽນຈຸດສຸມຈາກການປະຕິບັດແບບໂດດດ່ຽວໄປສູ່ ການຕິດຕາມການພັດທະນາໃນທາງການແພດ, ການຮູ້ເສັ້ນທາງທີ່ລະບົບນຳໃຊ້ເພື່ອຕອບສະໜອງສາມາດມີຄວາມສຳຄັນເທົ່າກັບການວັດແທກຄວາມຖືກຕ້ອງຂອງການຕອບສະໜອງນັ້ນເອງ.
ຊາວີເອ ໄທເມີ-ລຽນຮາດ, ນັກສຶກສາປະລິນຍາເອກຜູ້ທີ່ນຳພາ Meditron ຢູ່ LiGHT, ສະຫຼຸບຫຼັກການດ້ວຍການປຽບທຽບໂດຍກົງລະຫວ່າງການຝຶກອົບຮົມທາງດ້ານຄລີນິກ ແລະ ການຝຶກອົບຮົມແບບຈຳລອງ.
"ພວກເຮົາຈະບໍ່ໄວ້ວາງໃຈທ່ານໝໍທີ່ບໍ່ສາມາດຢັ້ງຢືນການຝຶກອົບຮົມຂອງເຂົາເຈົ້າໄດ້: ມາດຕະຖານດຽວກັນນີ້ຄວນນຳໃຊ້ກັບ AI ໃນການດູແລສຸຂະພາບ."
ຖະແຫຼງການດັ່ງກ່າວໄດ້ຊີ້ແຈງລັກສະນະທີ່ມັກຖືກມອງຂ້າມໃນການໂຕ້ວາທີກ່ຽວກັບລະບົບການຜະລິດ: ຄວາມໜ້າເຊື່ອຖືບໍ່ສອດຄ່ອງກັບຄວາມພ້ອມຂອງອິນເຕີເຟດທີ່ມີປະສິດທິພາບ. ແທນທີ່ຈະ, ມັນຮຽກຮ້ອງໃຫ້ມີເອກະສານ, ຄວາມສາມາດໃນການຜະລິດຊ້ຳ, ແລະຄວາມສາມາດໃນການຄວບຄຸມ. ບັນຫາດັ່ງກ່າວຍັງກ່ຽວຂ້ອງກັບ ຄວາມປອດໄພແລະຄວາມເປັນສ່ວນຕົວ, ເນື່ອງຈາກວ່າຮູບແບບການດູແລສຸຂະພາບປະມວນຜົນຄວາມຮູ້ ແລະ ຂໍ້ມູນທີ່ອາດຈະມີຂໍ້ມູນທີ່ລະອຽດອ່ອນ, ເຖິງແມ່ນວ່າພວກມັນບໍ່ໄດ້ລວມເອົາບັນທຶກທາງການແພດທີ່ສາມາດລະບຸໄດ້ໂດຍກົງກໍຕາມ.
ອົງປະກອບເປີດບໍ່ໄດ້ລົບລ້າງຄວາມສ່ຽງຂອງຄວາມລຳອຽງ, ຄວາມຜິດພາດ ຫຼື ການໃຊ້ໃນທາງທີ່ຜິດດ້ວຍຕົວມັນເອງ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ມັນຫຼຸດຜ່ອນອຸປະສັກຫຼັກອັນໜຶ່ງຕໍ່ການວິເຄາະເອກະລາດ. ເວົ້າອີກຢ່າງໜຶ່ງ, ມັນບໍ່ໄດ້ຮັບປະກັນຄວາມປອດໄພທາງດ້ານຄລີນິກໂດຍອັດຕະໂນມັດ, ແຕ່ມັນເຮັດໃຫ້ວຽກງານການກວດສອບ, ການປຽບທຽບ ແລະ ການປັບປຸງເປັນຮູບປະທຳຫຼາຍຂຶ້ນ.
ແພດໝໍທີ່ມີສ່ວນຮ່ວມໃນການກໍ່ສ້າງ, ບໍ່ພຽງແຕ່ການທົດສອບສຸດທ້າຍເທົ່ານັ້ນ
ລັກສະນະທີ່ໂດດເດັ່ນຂອງໂຄງການນີ້ແມ່ນການມີສ່ວນຮ່ວມຂອງຜູ້ຊ່ຽວຊານດ້ານສຸຂະພາບຕັ້ງແຕ່ໄລຍະເລີ່ມຕົ້ນ. ອີງຕາມ EPFL, MeditronFO ໄດ້ຖືກພັດທະນາຂຶ້ນໂດຍມີແພດໝໍມີສ່ວນຮ່ວມໃນການຄັດເລືອກຂໍ້ມູນ, ການກວດສອບຜົນຜະລິດ, ແລະ ການກຳນົດບັນຫາສຳຄັນທີ່ອາດເກີດຂຶ້ນ. ວິທີການນີ້ຊ່ວຍຫຼຸດຜ່ອນຄວາມສ່ຽງໃນການພັດທະນາເຄື່ອງມືທີ່ຊັບຊ້ອນຢ່າງເປັນທາງການທີ່ບໍ່ສອດຄ່ອງກັບການປະຕິບັດປະຈຳວັນ.
ການຢືນຢັນຍັງຜ່ານໄປ MOOV, ເປັນຕົວຫຍໍ້ຂອງ Massive Open Online Validation and Evaluations, ເຊິ່ງເປັນສະພາບແວດລ້ອມທີ່ແພດໝໍເຂົ້າຮ່ວມໃນການປະເມີນຜົນ ແລະ ການປັບປຸງແບບຈຳລອງຢ່າງຕໍ່ເນື່ອງ. ສຳລັບເທັກໂນໂລຢີທີ່ຖືກອອກແບບມາເພື່ອພົວພັນກັບຢາປົວພະຍາດໃນໂລກແຫ່ງຄວາມເປັນຈິງ, ນີ້ແມ່ນຈຸດສຳຄັນ: ສິ່ງທ້າທາຍບໍ່ພຽງແຕ່ຕອບຄຳຖາມຢ່າງຖືກຕ້ອງເທົ່ານັ້ນ, ແຕ່ຍັງເຮັດພາຍໃຕ້ເງື່ອນໄຂທີ່ຄ້າຍຄືກັນກັບທີ່ແພດໝໍເຮັດວຽກ, ດ້ວຍຂໍ້ຈຳກັດດ້ານເວລາ, ຂໍ້ມູນທີ່ບໍ່ຄົບຖ້ວນ, ແລະ ຄວາມຮັບຜິດຊອບໃນການດຳເນີນງານ.
ຂອບການເຮັດວຽກດັ່ງກ່າວລວມເອົາຊຸດຂໍ້ມູນທາງການແພດສາທາລະນະເຂົ້າກັບຂໍ້ມູນສັງເຄາະທີ່ແພດໄດ້ທົບທວນຄືນເຊິ່ງໄດ້ມາຈາກການກວດສຸຂະພາບ, ຄຳແນະນຳ ແລະ ກໍລະນີຄົນເຈັບໃນໂລກຕົວຈິງ. ແຫຼ່ງຂໍ້ມູນ EPFL ຍັງຊີ້ບອກເຖິງການນຳໃຊ້ຊຸດຂໍ້ມູນທາງດ້ານການແພດທີ່ຄັດສັນມາໂດຍຜູ້ຊ່ຽວຊານທີ່ມາຈາກຫຼາຍກວ່າ 46.000 ຄຳແນະນຳກ່ຽວກັບການປະຕິບັດທາງດ້ານຄລີນິກນີ້ແມ່ນຂໍ້ມູນທີ່ສໍາຄັນເພາະມັນສະແດງໃຫ້ເຫັນເຖິງຂອບເຂດຂອງເອກະສານທີ່ໃຊ້ເພື່ອຊ່ຽວຊານຮູບແບບຕ່າງໆ, ແຕ່ມັນຕ້ອງໄດ້ຮັບການອ່ານຮ່ວມກັບບັນຫາຄຸນນະພາບ: ໃນການດູແລສຸຂະພາບ, ປະລິມານຄວາມຮູ້ທີ່ລວມເຂົ້າກັນແມ່ນບໍ່ພຽງພໍຖ້າມັນບໍ່ໄດ້ຖືກຄັດເລືອກ, ການທົບທວນ, ແລະ ສະພາບການ.
Mary-Anne Hartley, ທ່ານໝໍ ແລະ ຜູ້ອຳນວຍການຂອງ ,ແສງສະຫວ່າງ ເຊື່ອມຕໍ່ຄວາມສາມາດໃນການແຂ່ງຂັນຂອງຕົວແບບກັບບົດບາດຢ່າງຫ້າວຫັນຂອງແພດໝໍ ແລະ ຊຸມຊົນ.
"ການຄົ້ນພົບຂອງພວກເຮົາສະແດງໃຫ້ເຫັນວ່າຮູບແບບການແພດທີ່ມີການແຂ່ງຂັນສາມາດສ້າງຂຶ້ນໄດ້ດ້ວຍການມີສ່ວນຮ່ວມຢ່າງຕັ້ງໜ້າຂອງແພດໝໍ ແລະ ຊຸມຊົນ."
ການປ່ຽນແປງນີ້ມີຜົນສະທ້ອນຕໍ່ອົງກອນ. AI ທາງການແພດບໍ່ໄດ້ຖືກນຳສະເໜີເປັນເຄື່ອງມືທີ່ນຳມາໃຊ້ໃນລະບົບການດູແລສຸຂະພາບຈາກພາຍນອກ, ແຕ່ເປັນສະຖາປັດຕະຍະກຳຊອບແວທີ່ຈະພັດທະນາກັບຜູ້ທີ່ຄຸ້ນເຄີຍກັບຂັ້ນຕອນ, ຄວາມຜິດພາດທີ່ເກີດຂຶ້ນຊ້ຳໆ, ຂໍ້ຈຳກັດຂອງສະຖາບັນ, ແລະ ຄວາມແຕກຕ່າງລະຫວ່າງສະພາບການຕ່າງໆ. ສຳລັບບໍລິສັດເຕັກໂນໂລຊີດ້ານສຸຂະພາບ, ສູນມະຫາວິທະຍາໄລ, ແລະ ໂຮງໝໍ, ບົດຮຽນແມ່ນຈະແຈ້ງ: ການໂອນຍ້າຍຈາກສູນກາງຂອງ ຄົ້ນຄວ້າແລະພັດທະນາ ການປະຕິບັດທາງດ້ານຄລີນິກຮຽກຮ້ອງໃຫ້ມີການຄຸ້ມຄອງ, ບໍ່ພຽງແຕ່ພະລັງໃນການຄຳນວນເທົ່ານັ້ນ.
ຜົນໄດ້ຮັບດ້ານເຕັກນິກ ແລະ ບົດບາດຂອງພະລັງງານຄອມພິວເຕີສູງຂອງສະວິດເຊີແລນ
ໃນດ້ານປະສິດທິພາບ, EPFL ລາຍງານວ່າແຕ່ລະຮູບແບບ MeditronFO ມີປະສິດທິພາບດີກ່ວາຮູບແບບພື້ນຖານຂອງມັນ. ຜົນໄດ້ຮັບທີ່ດີທີ່ສຸດທີ່ລະບຸໄວ້ໃນຂ່າວປະຊາສຳພັນແມ່ນກ່ຽວຂ້ອງກັບ Apertus-70B-MeditronFO, ເຊິ່ງໄດ້ປັບປຸງປະສິດທິພາບໃນການທົດສອບທາງການແພດ 6,6 ຄະແນນສ່ວນຮ້ອຍ ເມື່ອທຽບກັບຮູບແບບພື້ນຖານ. ຂໍ້ມູນຄວນໄດ້ຮັບການຕີຄວາມດ້ວຍຄວາມລະມັດລະວັງ: ມາດຕະຖານແມ່ນເປັນປະໂຫຍດສໍາລັບການປຽບທຽບການຕັ້ງຄ່າດ້ານວິຊາການ, ແຕ່ພວກມັນບໍ່ແມ່ນການທົດແທນການປະເມີນຜົນທາງດ້ານຄລີນິກໃນສະພາບແວດລ້ອມຕົວຈິງ.
ຄວາມກ່ຽວຂ້ອງທາງດ້ານອຸດສາຫະກໍາຂອງກໍລະນີດັ່ງກ່າວຍັງຢູ່ໃນພື້ນຖານໂຄງລ່າງທີ່ສະຫນັບສະຫນູນມັນ. ການພັດທະນາ MeditronFO ໄດ້ຮັບການສະໜັບສະໜູນຈາກ ໂຄງການ AI ຂອງສະວິດເຊີແລນ, ການຮ່ວມມືລະຫວ່າງ EPFL, ETH Zurich ແລະ CSCS, ສູນ Supercomputing ແຫ່ງຊາດສະວິດ. ອີງຕາມເວັບໄຊທ໌ຂອງໂຄງການ, ໂຄງການດັ່ງກ່າວໄດ້ເປີດຕົວໃນເດືອນທັນວາ 2023 ດ້ວຍຫຼາຍກວ່າ 10 ລ້ານຊົ່ວໂມງ GPU ເທິງພູເຂົາ Alps, ຊຸບເປີຄອມພິວເຕີທີ່ດຳເນີນງານໂດຍ CSCS, ແລະ ໄດ້ຮັບທຶນຈາກ 20 ລ້ານຟຣັງສະວິດ ໂດຍໂດເມນໂພລີເທັກນິກລັດຖະບານກາງ.
ຕົວເລກເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນວ່າເປັນຫຍັງການແຂ່ງຂັນໃນ AI ດ້ານການດູແລສຸຂະພາບບໍ່ພຽງແຕ່ກ່ຽວກັບອັລກໍຣິທຶມ ແລະ ຊຸດຂໍ້ມູນເທົ່ານັ້ນ. ມັນຕ້ອງການພະລັງການຄຳນວນ, ຄວາມຊ່ຽວຊານແບບກະຈາຍ, ພື້ນຖານໂຄງລ່າງການປະເມີນຜົນ, ແລະ ການຄົ້ນຄວ້າຈຳນວນຫຼວງຫຼາຍ. ອົງການ Swiss AI Initiative ເອງອ້າງວ່າໄດ້ຮັບຜົນປະໂຫຍດຈາກການປະກອບສ່ວນຂອງຫຼາຍກວ່າ ນັກຄົ້ນຄວ້າ 800, ລວມ ອາຈານ 70 ຄົນ ສຸມໃສ່ AIຈາກຫຼາຍກວ່າສິບສະຖາບັນການສຶກສາໃນ ສະຫວິດເຊີແລນໃນຂອບການເຮັດວຽກນີ້, supercomputer ມັນບໍ່ແມ່ນຕົວເລັ່ງເຕັກນິກແບບງ່າຍໆ, ແຕ່ເປັນອົງປະກອບຂອງອະທິປະໄຕທາງວິທະຍາສາດ.
ການເຊື່ອມຕໍ່ກັບ Apertus ຍັງເສີມສ້າງການຕີຄວາມໝາຍນີ້. ເວັບໄຊທ໌ຂອງໂຄງການອະທິບາຍວ່າມັນເປັນຮູບແບບພື້ນຖານທີ່ເປີດກວ້າງຢ່າງເຕັມທີ່ສຳລັບ AI ອະທິປະໄຕ, ເຊິ່ງພັດທະນາໂດຍ Swiss AI Initiative ກັບ EPFL, ETH Zurich, ແລະ CSCS. Apertus ອ້າງເອົາຄວາມເປີດກວ້າງໃນນ້ຳໜັກ, ຂໍ້ມູນ, ລະຫັດ, ວິທີການ ແລະ ຫຼັກການການຈັດລຽນ. MeditronFO ໃຊ້ພື້ນຖານນີ້ເປັນໜຶ່ງໃນຮູບແບບເພື່ອຊ່ຽວຊານໃນຂະແໜງການແພດ, ໂດຍສະແດງໃຫ້ເຫັນວ່າວິທີການຕົ້ນນ້ຳໄປສູ່ຄວາມເປີດກວ້າງສາມາດສ້າງແອັບພລິເຄຊັນແນວຕັ້ງທີ່ສາມາດຄວບຄຸມໄດ້ຫຼາຍຂຶ້ນ.
ຈາກການທົດລອງໄປສູ່ຫວອດ, ສະໜາມທົດສອບໃນ Tanzania
ຂັ້ນຕອນຕໍ່ໄປຈະບໍ່ພຽງແຕ່ເປັນການປຽບທຽບຮູບແບບໃໝ່ເທົ່ານັ້ນ. ອີງຕາມ EPFL, ທີມງານກຳລັງກະກຽມການທົດລອງທາງຄລີນິກຢູ່ຫຼາຍສະຖານທີ່, ຕັ້ງແຕ່ ສະຫວິດເຊີແລນ ເປັນ Tanzania, ເພື່ອປະເມີນວິທີທີ່ແພດໃຊ້ AI ໃນສະຖານທີ່ດູແລສຸຂະພາບໃນໂລກຕົວຈິງ. ການທົດລອງຈະສັງເກດເບິ່ງວ່າແພດໝໍປະຕິບັດຕາມ ຫຼື ປະຕິເສດຄຳແນະນຳທີ່ສ້າງຂຶ້ນ ແລະ ການຕັດສິນໃຈເຫຼົ່ານີ້ສົ່ງຜົນກະທົບຕໍ່ການດູແລຄົນເຈັບແນວໃດ.
ໂຄງການຫຼາຍປີທີ່ EPFL ກ່າວເຖິງ, ເອີ້ນວ່າ ການນຳໃຊ້ທາງການແພດ, ຍັງມີຈຸດປະສົງເພື່ອເຂົ້າໃຈວ່າ AI ສາມາດຊ່ວຍປັບປຸງຄຸນນະພາບການດູແລໄດ້ໂດຍການຫຼຸດຜ່ອນການປິ່ນປົວ ແລະ ການແຊກແຊງທີ່ບໍ່ຈຳເປັນຫຼືບໍ່. ນີ້ແມ່ນພື້ນທີ່ທີ່ລະອຽດອ່ອນ: ລະບົບສະໜັບສະໜູນການຕັດສິນໃຈສາມາດເປັນປະໂຫຍດຖ້າມັນປັບປຸງຄຸນນະພາບຂອງຂໍ້ມູນທີ່ມີຢູ່, ແຕ່ມັນສາມາດກາຍເປັນບັນຫາໄດ້ຖ້າມັນນຳສະເໜີລະບົບອັດຕະໂນມັດ ຫຼື ຊຸກຍູ້ໃຫ້ມີຄວາມໄວ້ວາງໃຈຫຼາຍເກີນໄປໃນຄຳແນະນຳກ່ຽວກັບອັລກໍຣິທຶມ.
ທ່ານ Hartley ຮຽກຮ້ອງໂດຍສະເພາະກ່ຽວກັບຄວາມຕ້ອງການທີ່ຈະວັດແທກຜົນກະທົບໃນເສັ້ນທາງການປິ່ນປົວ, ບໍ່ພຽງແຕ່ໃນການທົດສອບດ້ານວິຊາການເທົ່ານັ້ນ.
"ມັນເປັນສິ່ງສຳຄັນທີ່ຈະໄດ້ຮັບຄຳຕິຊົມໃນໂລກຕົວຈິງໂດຍອີງໃສ່ຜົນໄດ້ຮັບຂອງຄົນເຈັບ."
AI ທາງຄລີນິກຈະໜ້າເຊື່ອຖືຫຼາຍຂຶ້ນເມື່ອມັນສາມາດກວດສອບໄດ້
ສຳລັບຂະແໜງການດູແລສຸຂະພາບ, MeditronFO ແນະນຳທິດທາງທີ່ຊັດເຈນ: AI ທາງດ້ານການແພດຈະມີຄວາມໜ້າເຊື່ອຖືຫຼາຍຂຶ້ນເມື່ອມັນສາມາດກວດກາ, ດັດແປງ ແລະ ປະເມີນຜົນໂດຍຊຸມຊົນເອກະລາດ. ສຳລັບທຸລະກິດ, ນີ້ໝາຍຄວາມວ່າຮູບແບບທີ່ເປັນເຈົ້າຂອງຈະຕ້ອງປະເຊີນກັບຄວາມຄາດຫວັງທີ່ເພີ່ມຂຶ້ນກ່ຽວກັບຄວາມໂປ່ງໃສ. ສຳລັບສະຖາບັນຕ່າງໆ, ບັນຫາດັ່ງກ່າວກ່ຽວຂ້ອງກັບຄວາມສາມາດໃນການກຳນົດກົດລະບຽບທີ່ຈຳແນກລະຫວ່າງຄວາມເປີດເຜີຍຢ່າງເປັນທາງການ ແລະ ຕົວຈິງ.
ມັນເປັນເລື່ອງທີ່ບໍ່ເປັນຈິງທີ່ຈະຄິດວ່າລະບົບການແພດທັງໝົດໂດຍອີງໃສ່ ການຮຽນຮູ້ເຄື່ອງຈັກ e ການຮຽນຮູ້ລຶກລັບ ກາຍເປັນການເປີດກວ້າງຢ່າງສົມບູນ. ຢ່າງໃດກໍຕາມ, ມັນເປັນໄປໄດ້ວ່າການດູແລສຸຂະພາບຈະຮຽກຮ້ອງໃຫ້ມີມາດຕະຖານທີ່ສູງຂຶ້ນຂອງເອກະສານ, ການກວດສອບ, ແລະຄວາມຮັບຜິດຊອບ, ໂດຍສະເພາະເມື່ອ AI ເຂົ້າສູ່ຂົງເຂດການຕັດສິນໃຈ. ໃນຄວາມໝາຍນີ້, MeditronFO ບໍ່ຄວນຖືກເບິ່ງວ່າເປັນພຽງແຕ່ຮູບແບບໃໝ່, ແຕ່ເປັນການທົດລອງໃນການຄຸ້ມຄອງດ້ານວິຊາການ: ມັນເຮັດໃຫ້ເຫັນສິ່ງທີ່ມັກຈະຍັງເຊື່ອງໄວ້ຢູ່ເບື້ອງຫຼັງການຕອບສະໜອງທີ່ສ້າງຂຶ້ນ.
ດັ່ງນັ້ນ, ຄຳຖາມທີ່ສຳຄັນບໍ່ແມ່ນຄຳສັນຍາທີ່ບໍ່ມີຕົວຕົນຂອງ AI ທີ່ມີປະສິດທິພາບຫຼາຍກວ່າ. ມັນກ່ຽວກັບປະເພດຂອງພື້ນຖານໂຄງລ່າງທີ່ລະບົບການດູແລສຸຂະພາບ, ມະຫາວິທະຍາໄລ, ແລະ ຜູ້ຄວບຄຸມມີຄວາມຕັ້ງໃຈທີ່ຈະຍອມຮັບ. ຖ້າຮູບແບບຕ່າງໆກາຍເປັນສ່ວນໜຶ່ງຂອງການປະຕິບັດທາງດ້ານຄລີນິກ, ຄວາມໄວ້ວາງໃຈຕ້ອງອີງໃສ່ອົງປະກອບທີ່ສາມາດກວດສອບໄດ້: ແຫຼ່ງທີ່ມາຂອງຂໍ້ມູນ, ການກວດສອບເອກະລາດ, ປະສິດທິພາບທີ່ວັດແທກໄດ້ຢ່າງໂປ່ງໃສ, ແລະ ຄວາມຮັບຜິດຊອບຂອງມະນຸດທີ່ສາມາດລະບຸໄດ້. MeditronFO ວາງອົງປະກອບເຫຼົ່ານີ້ໄວ້ໃນຈຸດໃຈກາງຂອງການສົນທະນາ, ໂດຍປ່ອຍໃຫ້ການທົດລອງທາງດ້ານຄລີນິກປະເມີນຄວາມເປັນໄປໄດ້ໃນການດຳເນີນງານຂອງພວກມັນ.
Meditron Open Sources: ຂະບວນການເຮັດວຽກ AI ທີ່ສາມາດກວດສອບໄດ້ສຳລັບ LLMs ທາງດ້ານຄລີນິກ
ນີ້ແມ່ນຄວາມເຂົ້າໃຈສາມຢ່າງທີ່ທ່ານອາດຈະສົນໃຈ:
ຈາກ EPFL ຮູບແບບ multimodal ໃຫມ່ສໍາລັບ AI ທີ່ມີຄວາມຍືດຫຍຸ່ນຫຼາຍ
Apertus ແມ່ນ Swiss "AI ເປີດ" ສໍາລັບອະນາຄົດທີ່ໂປ່ງໃສກວ່າ.
ສູນດູແລສຸຂະພາບທີ່ທັນສະໄໝໂດຍອີງໃສ່ AI ທັງໝົດໃນນະຄອນເຈນີວາ
