ရောဂါကင်းတဲ့ကမ္ဘာကို ဖန်တီးနိုင်ပါ့မလား။

ရောဂါကင်းစင်တဲ့ကမ္ဘာတစ်ခု ဖြစ်နိုင်ပါ့မလား။ ရောဂါသည် လူအများစု (အားလုံးမဟုတ်လျှင်) သူတို့ သို့မဟုတ် သူတို့သိသော တစ်စုံတစ်ယောက်ရှိသောအခါတွင် နားမထောင်သော စကားလုံးဖြစ်သည်။ ကံအားလျော်စွာ၊ Max Wellingအမ်စတာဒမ်တက္ကသိုလ်မှ စက်သင်ယူမှုဆိုင်ရာ ပါမောက္ခတစ်ဦးနှင့် ကနေဒါအဆင့်မြင့် သုတေသနအင်စတီကျု၏ အဖွဲ့ဝင်ဖြစ်ပြီး ၎င်း၏ စွန့်ဦးတီထွင်အဖွဲ့သည် လူနာများအတွက် ရောဂါရှာဖွေဖော်ထုတ်ခြင်းအတွက် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုစနစ်ကို ဖန်တီးခဲ့သည်။ ရယ်စရာအချက်- သူသည် AMLAB (Amsterdam Machine Learning LAB) ကို ညွှန်ကြားပြီး QUVA Lab (Qualcomm-UvA Lab) ကို ပူးတွဲညွှန်ကြားသည်။ ဤတွင် ဤအံ့သြဖွယ်ကောင်းသော အမျိုးသားနှင့် သူ၏ စွန့်ဦးတီထွင်သူအဖွဲ့ (Cynthia Dwork၊ Geoffrey Hinton နှင့် Judea Pearl) တို့သည် ရောဂါကမ္ဘာကြီးကို ဖယ်ရှားရန် မယုံနိုင်လောက်အောင် အောင်မြင်မှုအချို့ကို မည်သို့ပြုလုပ်ခဲ့သည်ကို ဤတွင် ကျွန်ုပ်တို့ မြင်တွေ့ရမည်ဖြစ်သည်။

Max Welling ၏စိုးရိမ်မှုများ

Welling သည် သူ၏ TEDx ဟောပြောချက်အတွင်း ထောက်ပြခဲ့သော အချို့သောအချက်များသည် လူနာတစ်ဦးအား ရောဂါရှာဖွေနေစဉ်အတွင်း ဆရာဝန်တစ်ဦးမှ တစ်စုံတစ်ရာလွဲချော်သွားနိုင်သည့်အချိန်များရှိသည်ဟူသောအချက်ကို အာရုံစိုက်စေသည်။ ဥပမာအားဖြင့်၊ “ဆေးဘက်ဆိုင်ရာလုပ်ထုံးလုပ်နည်းများ၏ ထက်ဝက်သည် သိပ္ပံနည်းကျ အထောက်အထားတောင်းခံခြင်း မရှိ” ဟု ဆိုသည်။ ဤရောဂါရှာဖွေခြင်းကို ကျောင်းတွင်ရရှိသော ၎င်းတို့၏ကိုယ်ပိုင်အလေ့အကျင့်နှင့် အသိပညာမှတစ်ဆင့် အဓိကလုပ်ဆောင်ပြီး Max က အခြားဖြစ်နိုင်ချေရှိသောရောဂါများအတွက် ခွဲခြမ်းစိတ်ဖြာမှုပုံစံအချို့ရှိသင့်သည်ဟု Max ကပြောပါသည်။ အချို့သောလူနာများသည် ရောဂါအမည်မှားပြီး ဆေးရုံတွင် ပြန်တက်နိုင်ကြောင်း ၎င်းက ဆက်လက်ရှင်းပြပြီး ၎င်းတို့သည် သေဆုံးနိုင်ခြေ ၈ ဆ ပိုများကြောင်း ၎င်းက ဆက်လက်ရှင်းပြသည်။ စိတ်အနှောက်အယှက်အရှိဆုံးအရာက ဒါက အမြဲရှိနေခဲ့တဲ့ ကိစ္စပါ။ အကြောင်းပြချက်သည် တစ်စုံတစ်ဦး သို့မဟုတ် လူများစွာတို့၏ အသက်ကို ကံမကောင်းစွာဖြင့် ထိခိုက်စေနိုင်သည့် အမှားများကို ကျူးလွန်ရန် ချည်နှောင်ထားသကဲ့သို့ ရိုးရှင်းပါသည်။ ဒါတင်မကဘဲ Welling ကပြောသလို၊ နှစ်စဉ်ဒေါ်လာထရီလီယံဝက်လောက်ကုန်ကျတဲ့ ဆေးဘက်ဆိုင်ရာလုပ်ထုံးလုပ်နည်းပေါင်း သန်း ၂၃၀ ရှိပါတယ်။ အခြားသူများကို ကူညီရန် ဝန်ဆောင်မှုပေးရန် ကြိုးစားနေသည့် လုပ်ငန်းတိုင်းကဲ့သို့ပင်၊ ၎င်းသည် ငွေကုန်၊ ထို့အပြင်၊ ဆိုလိုသည်မှာ ဆေးရုံများနှင့် ဆေးဘက်ဆိုင်ရာဌာနများ၏ ရန်ပုံငွေအတွက် တာဝန်ခံများသည် လုပ်ငန်းကို ပိုမိုကောင်းမွန်သော ဦးတည်ရာသို့ မြှင့်တင်ရန် တီထွင်သူများ၏ စကားကို နားထောင်ရန် လိုအပ်ပါသည်။ မည်သို့ပင်ဆိုစေကာမူ ချွေတာခြင်းသည် အမြဲအကျိုးရှိသည်။

ကိုယ်ရေးကိုယ်တာ ထိန်းသိမ်းခြင်း။

Welling က သူနဲ့ သူ့အဖွဲ့ဟာ အောင်မြင်မှု 3 ကြိမ် ပြုလုပ်ထားခဲ့တယ်လို့ ဆိုပါတယ်။ ၎င်းတို့ထဲမှ တစ်ခုသည် ဆေးရုံတစ်ခုအတွင်း လျှို့ဝှက်ရေးကို ထိန်းသိမ်းနိုင်သော ကွန်ပျူတာ၊ ထို့အပြင်၊ နာမကျန်းဖြစ်နေသော လူနာများအတွက် ရောဂါရှာဖွေတွေ့ရှိမှုကို ပိုမိုတိုးတက်ကောင်းမွန်လာစေရန် ကွန်ပျူတာများသည် အချက်အလက်များစွာကို ခွဲခြမ်းစိတ်ဖြာနိုင်သည်။ ဒီဆော့ဝဲလ်ကို နာမည်ပေးထားတာပါ။ စက်သင်ယူသူ။ အခြေခံအားဖြင့်၊ ကွန်ပျူတာသည် ဆေးရုံဒေတာဘေ့စ်သို့ စုံစမ်းမေးမြန်းချက်တစ်ခုကို ပေးပို့သည်၊ ထို့နောက် အဆိုပါမေးခွန်းကိုဖြေဆိုပြီးနောက် စက်သင်ယူသူသည် "ဆူညံသံအချို့ကို ပေါင်းထည့်ခြင်း" ဖြင့် အဖြေကို ပြောင်းလဲပေးမည်ဖြစ်သည်။ အသေးစိတ်အချက်အလက်များအတွက် ကျေးဇူးပြု၍ ဤနေရာကိုကလစ်နှိပ်ပါ (Max Welling သည် မိနစ် 5:20 မှ 6:06 ကြားတွင် ၎င်းကို ပို၍ အနီးကပ် ရှင်းပြပါသည်။ တစ်နည်းဆိုရသော် Max က ၎င်းကို ရှင်းပြထားသည့်အတိုင်း၊ ကွန်ပျူတာသည် ရောဂါရှာဖွေမှုမှတစ်ဆင့် “ပိုမိုကောင်းမွန်သော” နှင့် “ပိုမိုကောင်းမွန်သောဒေတာပုံစံတစ်ခုကို တည်ဆောက်ရန်” လိုလားပါသည်။ ဒါတွေအားလုံးက ကျေးဇူးပါပဲ။ Cynthia DworkMicrosoft Research မှ ထင်ရှားသော သိပ္ပံပညာရှင်တစ်ဦးဖြစ်သည်။ သူမသည် သင်္ချာအခြေခံအုတ်မြစ်ကို အခြေခံ၍ privacy ကိုထိန်းသိမ်းရန်အာရုံစိုက်သည်။ သူ့အကြောင်းနဲ့ သူဘာတွေလုပ်ခဲ့လဲ၊ ဤနေရာကိုကလစ်နှိပ်ပါ. အတိုချုပ်အားဖြင့်၊ ဤပထမအောင်မြင်မှုသည် Max သည် လူနာများ၏ ကိုယ်ရေးကိုယ်တာအချက်အလက်များကို လေးစားလိုသည်သာမက ရောဂါရှာဖွေမှုအတွက် ပိုမိုခိုင်မာသောအခြေခံအုတ်မြစ်ဖြင့် ဆေးရုံများကို ပေးဆောင်လိုကြောင်း ပြသသည်။

နက်ရှိုင်းသောသင်ယူခြင်း

ဒုတိယမြောက် အောင်မြင်မှုကို ဖော်ထုတ်နိုင်ခဲ့သည်။ ဂျက်ဖရီ Hinton. Yann Lecun၊ Yoshua Bengio နှင့် Geoffrey ၎င်းကို ရှင်းပြထားသည်- "Deep learning သည် ယခင်အလွှာရှိ ကိုယ်စားပြုမှုမှ အလွှာတစ်ခုစီရှိ ကိုယ်စားပြုမှုမှ အလွှာတစ်ခုစီရှိ ကိုယ်စားပြုမှုကို တွက်ချက်ရန်အတွက် စက်သည် ၎င်း၏အတွင်းပိုင်းပါရာမီတာများကို မည်ကဲ့သို့ ပြောင်းလဲသင့်သည်ကို ညွှန်ပြရန် backpropagation algorithm ကိုအသုံးပြုခြင်းဖြင့် ကြီးမားသောဒေတာအတွဲများတွင် ရှုပ်ထွေးသောဖွဲ့စည်းပုံကို ရှာဖွေတွေ့ရှိသည်။" လူပြိန်းစကားအရ၊ ၎င်းသည် ၎င်း၏ အနက်ရှိုင်းဆုံး ကန့်သတ်ဘောင်များမှတစ်ဆင့် ၎င်း၏ ရှုပ်ထွေးသော အလွှာများမှတစ်ဆင့် စက်တစ်လုံးအား ၎င်း၏ အနက်ရှိုင်းဆုံး ကန့်သတ်ဘောင်များမှတစ်ဆင့် ပိုမိုကောင်းမွန်စွာ နားလည်နိုင်စေရန် ကူညီပေးသည် (အသေးစိတ်အချက်အလက်များအတွက် ကျေးဇူးပြု၍ လူကြီးလူကောင်းသုံးဦး ရေးခဲ့သည့် ပြန်လည်သုံးသပ်ချက်ကို ဖတ်ရှုပါ)။

အကြောင်းရင်းနှင့် ဆက်စပ်မှု

တတိယနှင့် နောက်ဆုံးအောင်မြင်မှုသည် ဆက်စပ်ဆက်စပ်မှုမှ အကြောင်းရင်းများကို ထပ်ဆင့်ခွဲခြားရန် ပူးပေါင်းဆောင်ရွက်သော စိတ်ကူးတစ်ခုဖြစ်သည်။ Judea Pearl ၏ကိရိယာများသည် ဤသဘောတရားနှစ်ရပ်ကို ခွဲခြားသိမြင်နိုင်စေရန် ကူညီပေးနိုင်သည်ဟု Max က ခံစားရသည်။ စည်းရုံးပါ။. အခြေခံအားဖြင့် Judea ၏ အခန်းကဏ္ဍသည် လူနာဖိုင်များကို ဒေတာဘေ့စ်တစ်ခုသို့ ဒစ်ဂျစ်တယ်စနစ်ဖြင့် လွှဲပြောင်းပေးမည်ဆိုပါက လုပ်ဆောင်နိုင်သည့် ဒေတာဖွဲ့စည်းပုံအား ပိုမိုပံ့ပိုးပေးရန်ဖြစ်သည်။ Pearl ၏အလုပ်သည် အလွန်ရှုပ်ထွေးသောကြောင့် သူ၏ “tools” ဟူသည်ကို သင်ပိုမိုနားလည်လိုပါက ဤနေရာကိုကလစ်နှိပ်ပါ.

Max ၏ဆန္ဒ

Welling သည် သူ၏အဆုံးတွင် အကျဉ်းချုပ်ဖော်ပြခဲ့သည်။ TEDX ဟောပြောပွဲ machine learner မှတဆင့် privacy ကိုထိန်းသိမ်းလိုသည်။ ဒုတိယအနေနှင့်၊ ငွေနှင့်အသက်ကိုကယ်တင်ရန်အတွက် ရောဂါရှာဖွေတွေ့ရှိမှု ပိုမိုတိုးတက်ကောင်းမွန်လာစေရန် ဒေတာအရွယ်မရောက်သေးသူများနှင့် သိပ္ပံပညာရှင်များနှင့် ထိတွေ့ဆက်ဆံရန်။ နောက်ဆုံးအနေဖြင့် ဆေးရုံများ၊ ဆရာဝန်များနှင့် လူနာများအား ပိုမိုကောင်းမွန်သောဝန်ဆောင်မှုပေးခြင်းဖြင့် ကျန်းမာရေးစောင့်ရှောက်မှုကို တော်လှန်လိုသည်မှာ ဆေးရုံလာရောက်လည်ပတ်မှု တိုတောင်းစေပြီး ငွေကြေးကို ပိုမိုထိရောက်စွာ အသုံးချနိုင်စေမည့် နည်းပညာဖြင့် ဆောင်ရွက်ပေးစေလိုပါသည်။ ၎င်းသည် ကျန်းမာရေးစောင့်ရှောက်မှုဆိုင်ရာ လှပသောအမြင်တစ်ခုဖြစ်ပြီး ဆေးဘက်ဆိုင်ရာလုပ်ငန်းကို လေးစားသူဖြစ်လိုရုံသာမက ဆေးရုံနှင့် ဆေးဘက်ဆိုင်ရာဌာနများ၏ ဘတ်ဂျက်များကို တွေးတောနေချိန်တွင် အသက်များကို ကယ်တင်ရန်လည်း ကူညီပေးလိုသောကြောင့်ဖြစ်သည်။