آیا هوش مصنوعی بشر را نجات خواهد داد؟

سخن ناشر؛ شرکت تجربه شاپرک آبی:

امروزه هوش‌مصنوعی به عنوان تکنولوژی پیشرو تلاش کرده بخشی از زندگی بشر را بهبود دهد. این صنعت به کمک بهداشت و درمان هم آمده است. هر چند شاید ما انتظار داریم سریع‌ترین پیش‌بینی‌ها را در این صنعت شاهد باشم تا از مرگ و میر بیش‌تر انسان‌ها جلوگیری شود. آنچه در این مقاله به آن پرداخته شده؛ "پنج حوزه‌ای که هوش‌مصنوعی به کمک بهداشت و درمان آمده" را معرفی کرده است و نقاط قوت و ضعف هوش‌مصنوعی را بررسی کرده است.


هرگاه صحبت از هوش‌مصنوعی می‌شود؛ اکثراً، نگرانی‌هایی پیرامون عدم رعایت محرمانگی اطلاعات، ایجاد تبعیض و فریب در حوزه‌هایی همچون: تشخیص‌چهره و ویدئوهای جعل‌عمیق (به انگلیسی: Deep Fake) به وجود میآید. اما در عوض، این روزها در میان فاجعه‌ی همه‌گیری کروناویروس، شرکت‌های فناوری و دانشمندان هوش‌مصنوعی، به دنبال استفاده‌ای مثبت از این تکنولوژیِ پیچیده هستند. اُرِن اِتزیونی، مدیراجرایی انیستیتو هوش‌مصنوعی آلِن در سیاتل و استاد علوم‌کامپیوتر در دانشگاه واشنگتن می‌گوید:

"تکنولوژی‌های پیشرفته و هوش‌مصنوعی، اخیراً با قضاوت‌های بدی روبه‌رو بودند، اما این بحران، نشان داد که چگونه هوش‌مصنوعی پتانسیل ایجاد یک جهان خوب را دارد."


این روزها، در همه جای دنیا، مأموری در ورودی ایستگاه مترو نشسته و در حال تماشای تصویر اینفِرارِد افرادی است که به مترو می‌روند. هر فردی که وارد می‌شود، یک عدد، در کنار تصویر او نشان داده می‌شود که نمایشگر دمای بدنِ او است. اگر این تکنولوژی نبود، مجبور بودیم که دمای بدن هر شخص را با یک تب‌سنج بگیریم. فراتر از این‌ها، در انتهای هر روز، داده‌ی ارزشمندی داریم. در بسیاری از کشورها، افرادی که تب داشته‌اند، در پایان هر روز رصد شده و سپس، احتمال ابتلای ایشان به کروناویروس، بررسی می‌گردد. به غیر از این، در انتهای هفته، یک داده‌ی بزرگ (Big Data) داریم که می‌توانیم با استفاده از دانش علوم داده و هوش‌مصنوعی، تحلیل‌های ارزشمندی از آن، استخراج کنیم. بررسی دمایِ بدن با استفاده از تصویر، اتفاقی است که در دهه‌های بعدی، به راحتی توسط ربات‌هایی که در خیابان‌ها مشغول خدمت‌رسانی خواهند بود، اجرایی می‌گردد.

دیگر راهکارِ رصد کردن بیماران، از طریقِ شبکه‌های مجازی است. در بسیاری از موارد، کسی که به بیماری کروناویروس مبتلا می‌شود، یا خودش یا پزشکش، شرایط او و علائمش را بر روی شبکه‌های مجازی قرار می‌دهند. این‌بار هم، یکی دیگر از علومِ حوزه‌ی هوش‌مصنوعی، یعنی پردازش زبان‌طبیعی (NLP) وارد عمل شده و به تحلیل داده‌های ارسال شده بر روی شبکه‌های مجازی می‌پردازد. حتی، پینگ گوشی‌های تلفن همراه ما، در طول پرواز یا سفر با قطار، به دانشمندان کمک می‌کند که تصویری از شیوع ویروس و سفرهای محتملش را ترسیم کنند.

بگذارید کمی به عقب‌تر برگردم. سال‌هاست که در حوزه‌ی بهداشت‌ودرمان، پزشکان و مدیران بیمارستان‌ها، به‌دنبالِ شناسایی بیماری‌ها، روش‌های درمانی، و همچنین بهبودِ هزینه‌ها و نتایج تولیداتِ دارویی با استفاده از هوش‌مصنوعی هستند. یک سؤال مشترک بین همه‌ی آن‌ها وجود دارد: "آیا این تکنولوژی‌ها، راه‌حلی برای مشکلات ما هستند؟" پاسخ ما به این سؤال، همواره مثبت بوده است چرا که منافع تحلیل‌داده در علومِ درمانی، روشی است که سال‌هاست، امتحانش را پس داده است. در سال 1854، دکتر جان اسنو، نقشه‌ی صدها خانه در لندن را برای تشخیص منبعِ شیوعِ بیماریِ وبا ترسیم کرد و متوجه شد که یک پمپِ آب، منشأ شیوع این بیماری در میان مردمِ لندن است. این کار را نقطه‌ی شروع و تولّدِ علمِ تحلیلِ داده‌ی امروزی در علوم‌پزشکی می‌دانند.

بعدها، تحلیل‌هایی در مقیاسِ بسیار بزرگ‌تر، با استفاده از ترکیبِ هوش‌مصنوعی با تکنولوژی‌های دیگر همچون ابزارهای پزشکی، محاسباتِ ابری، و داده‌هایی که از بیماران گردآوری شده‌اند، این امکان را پدید آوردند که در بیماری‌ها، به‌خصوص بیماری‌های واگیردار، به اطلاعات لحظه‌ای دسترسی داشته باشیم و همچنین بتوانیم به تحلیل‌های دقیق‌تری از وضعیت شیوع بیماری، نحوه‌ی مراقبت از بیماران، پیش‌بینی از روندِ شیوع بیماری و مسیر حرکت آن، و بالاخره راهکارهای احتمالی برای درمان بیماری دست‌یابیم.


1. مدیریت نرخ شیوع:

از هوش‌مصنوعی برای شناسایی افرادی که بالاترین ریسکِ ابتلا به بیماری را دارند، استفاده می‌کنند. به منظور این کار، از داده‌هایی که در شبکه‌های اجتماعی وجود دارند، داده‌های ثبت‌ شده‌ی پزشکی که معتبر هستند و گزارشات سازمان‌های جهانیِ معتبر در حوزه‌ی بهداشت‌ودرمان استفاده می‌شود. الگوریتم‌های هوش‌مصنوعی پس از تحلیل این داده‌ها، زنگِ خطر را برای بیمارانِ احتمالی، به صدا در می‌آورند.

2. بهبود مراقبت از بیمار:

با استفاده از داده‌های موجود و هوش‌مصنوعی، دانشمندانِ علومِ‌داده به بررسی این موضوع می‌پردازند که در کدام نقطه‌ی جغرافیایی، چند درصد از بیماران وجود دارند و پیش‌بینی می‌کنند که نقاط بعدی جغرافیایی که درگیر بیماری خواهند شد، تعداد بیمارانی که پیشِ‌رو داریم و تاریخِ ابتلای آن‌ها چگونه خواهد بود. این کار، به سیستم‌های خدمات‌رسانی در حوزه‌ی بهداشت‌ودرمان کمک می‌کند که در توزیع اقلامِ مورد نیاز بیماران، هوشمندانه‌تر عمل کنند.

3. پیش‌بینی نیازِ کادر درمانی:

پیش‌بینیِ تعداد بیمارانی که نیاز به مراقبت‌های درمانی دارند در هر ساعت و هر شیفتی که کادرِ درمانی مشغولِ به انجامِ کار هستند، برای بیمارستان‌ها و مراکز درمانی، بسیار کلیدی است. تأمینِ نیرویِ کارِ مورد نیاز برای هر شیفت، و تأمین تجهیزات مورد نیاز برای کارمندانِ بیمارستان، امری حیاتی است. اگر بیمارستان‌ها از داده‌های مذکور، مطّلع باشند، پیش‌بینی دقیق و مناسبی برای پاسخگویی به تقاضای مردم جهتِ مراقبت‌های درمانی خواهند کرد.

4. درکِ بهترِ الگویِ بیماری:

این مسأله، به طور خاص برای محققین و اپیدمیولوژیست‌ها، بسیار مهم است. به همین علت است که سازمان‌های جهانی در حوزه‌ی بهداشت، مکرّرا از کشورها می‌خواهند که در زمانِ شیوع بیماری‌های واگیردار، اطلاعات دقیق، شفاف و کاملی را از بیمارانشان ارائه کنند. بیماری‌هایی همچون کروناویروس، دارای الگوهایی هستند که با بررسی و تحلیلِ داده‌های به دست آمده از بیماران بسیار زیادی، با استفاده از هوش‌مصنوعی کشف می‌شوند. این الگوها، هم برای تشخیص و هم برای درمان بیماری، بسیار مهمّ هستند.

5. آگاهی لحظه‌ای و مقیاس‌پذیر:

اگر شرکت‌های داروسازی، به‌موقع متوجه می‌شدند که کروناویروس قرار است چه بلایی سر انسان‌ها بیاورد، حتما با بهینه‌سازی امکانات‌شان در حوزه‌های دیگر، ساخت دارو و تجهیزات مورد نیاز برای درمان کروناویروس را دقیق‌تر و جدی‌تر پیگیری می‌کردند. توسعه‌ی یک داروی جدید، هزینه‌ای معادل 2.6 میلیارد دلار دارد و می‌تواند بین 2 تا 15 سال طول بکشد. پیش‌بینی اینکه چه داروهایی در آینده، بیشتر مورد نیاز خواهند بود، به مقیاس‌پذیری تولیدِ آن‌ها و شناختِ بهتر بازار برای تولیدکنندگان دارو، کمک می‌کند و این کار، توسط هوش‌مصنوعی در آینده‌ی نزدیک، شدنی خواهد بود.

در مورد مسأله‌ی کروناویروس، اگر بخواهیم صادقانه بگوییم، هوش‌مصنوعی در پیش‌بینیِ دقیقِ جدّیت و قدرتِ این بیماری، آنقدرها موفق نبود. گزارشات وبسایت Wired، حاکی از آن است که یک اپیدمیولوژیست کانادایی، نخستین هشدار را راجع به شیوع کروناویروس به دنیا داد. ظاهرا، او از الگوریتمی به نام BlueDot استفاده کرده بود که گزارش‌های خبری و بلیط‌های شرکت‌های هواپیمایی را برای پیش‌بینی شیوع یک بیماری، اسکن می‌کند. بیایید ماجرا را موشکافانه، بررسی کنیم. ساعت 23:12 به وقت محلی ووهان، در 30 دسامبر 2019، هشداری راجع به یک مورد، ذات‌الریه‌ی ناشناخته داده شد. در رتبه‌بندی اهمیت، سطحِ جدی‌بودن این بیماری، سه از پنج اعلام شد. دقیقاً، فردای همان روز، سیستم‌های هوش‌مصنوعی، هشدارِ خطرِ شیوعِ این بیماری را گزارش کردند. نیم‌ساعت پس از اعلام این هشدار توسط هوش‌مصنوعی، یک برنامه‌ی مانیتورینگ بیماری‌ها (به نام ProMed)، یک هشدار با جزئیات بیشتری از امکان وقوع چنین همه‌گیری را اعلام کرد. چهار ساعت بعد، ایمیلی برای برخی از دانشمندان و مسئولین حوزه‌ی درمان از سوی چین ارسال شد که خطرِ جدی‌تر و مهم‌تری را در مورد کروناویروس اعلام می‌کرد. در این ماجرا، درست است که هوش‌مصنوعی، زودتر از انسان، خطر را اعلام کرد، اما مقیاس و اندازه‌ی خطر را نتوانست به درستی پیش‌بینی کند. هنوز هم، هر روز، با اینکه انسان، سی‌دقیقه کندتر از هوش مصنوعی عمل می‌کند و تحلیلی بر وضعیت کنونی می‌دهد، اما میزان اهمیت و جدی‌بودنِ این شیوع را سریع‌تر و بهتر پیش‌بینی می‌کند.

اگر بخواهیم در این مورد منصفانه قضاوت کنیم، هر چند که در مسأله‌ی پیش‌بینی و مدیریت شیوع، هوش‌مصنوعی به خوبی عمل نکرد، اما در زمینه‌ی درک‌ الگوی بیماری، آگاهی لحظه‌ای، تشخیص راهکارهای درمانی و کمک به یافتن راهکارهای کشف واکسن، عملکرد بی‌نظیری داشت. جالب است بدانید که سرعت هو‌شِ‌مصنوعی در یافتن واکسن می‌تواند پنج برابر سریع‌تر از انسان باشد. شاید بتوانیم به این جمع‌بندی برسیم که هنوز، هوش‌مصنوعی به تنهایی نمی‌تواند بهترین عملکرد را داشته باشد، و تعامل و همکاری بین انسان و هوش‌مصنوعی، بهترین راه حل است.

در این اپیدمی، بسیاری از نقایص و ضعف‌های اکوسیستم هوش‌مصنوعی در حوزه‌ی بهداشت‌ودرمان نیز شناسایی شدند. مثلا، درست است که یک داده‌ی بزرگ (Big Data) حقیقی، با این حجم از بیمار، در زمان کوتاه، در اختیار دانشمندان قرار گرفت. با این حال، آنچه که محققین برای تحلیل‌های بسیار دقیق‌شان نیاز داشتند، در دسترس‌شان نبود. در بسیاری از موارد، ضعف عملکرد هوش‌مصنوعی، به عدم شفافیت دولت‌ها و عدم ارائه‌ی اطلاعات درست و دقیق از بیمارانشان بازمی‌گشت. یا معضلِ کمبودِ کارمندانِ متخصصی که هم به هوش‌مصنوعی و هم به زیست‌شناسی مسلط باشند، ضعفِ شرکت‌هایِ اکوسیستمِ هوش‌مصنوعی در زمینه‌ی بهداشت‌ودرمان برای حل این بحران با استفاده از تکنولوژی بود. در واقع، برای اینکه بتوانید در این زمینه، کمکِ ارزشمندی کنید، اینکه متخصص هوش‌مصنوعی باشید، کافی نیست، بلکه باید با اپلیکیشن‌هایِ حوزه‌ی زیست شناسی هم به اندازه‌ی کافی آشنایی داشته باشید.

اگر همه‌ی ضعف‌ها و قوت‌ها را کنار هم بگذاریم، در کل، انتظار زیادی‌ است که تکنولوژیِ هوش‌مصنوعی، در این مرحله بتواند نقش‌اصلی را ایفا کند، اما امید است که در شیوع بعدی، این تکنولوژیِ پیشرفته، از بروزِ فجایع و همه‌گیری‌هایِ این‌چنینی، جلوگیری کند. روبه‌رویی با بیماری واگیرداری به‌نام کروناویروس، برای دانشمندان و دانشِ کنونیِ بشر، بیش از حد زود بود. اما در آینده، هوش‌مصنوعی، قطعا به محققین کمک خواهد کرد تا بتوانند، عملکرد بهتری داشته باشند. هر چند که حتی در جاهایی که هوش‌مصنوعی وظیفه‌اش را به درستی انجام داد و هشدارهایش را نسبت به شیوع بیماری یا کمبودِ تجهیزاتِ موردِ نیازِ درمانی اعلام کرد، عملاً، دولت‌ها آمادگی لازم برای تأمین و جبرانِ کمبودهایشان را نداشتند.

در انتها نتیجه می‌گیرم که هوش‌مصنوعی، حداقل در این همه‌گیری کروناویروس، شما را نجات نخواهد داد، بلکه یک سیستم مراقبت‌هایِ درمانیِ آماده و دردسترس (رایگان) شاید بتواند نجات‌تان دهد! اگر این را هم ندارید، بهتر است که به طور مرتب دست‌هایتان را بشویید و هرگز، آن‌ها را به صورتتان نزدیک نکنید.


منابع:

1. AI vs. Coronavirus: How artificial intelligence is now helping in the fight against COVID-19, GeekWire.com

2. How AI in the Exam Room Could Reduce Physician Burnout, HBR

3. How data and artificial intelligence can help improve healthcare, Flex.com

4. AI sent first coronavirus alert, but underestimated the danger, TheNextWeb.com

5. Artificial Intelligence Could Fight a Future Coronavirus, Bloomberg

6. How AI Is Tracking the Coronavirus Outbreak, Wired.com

7. Coronavirus is the first big test for futuristic tech that can prevent pandemics, Vox.com

8. WILL AI SAVE US FROM CORONAVIRUS?, Futurism.com


منبع: Shaparak.associates

نظر شما درباره این مقاله چیست؟

ثبت ایمیل در خبر نامه

اگر از این مقاله خوشتان آمده ایمیل خود را وارد کنید تا مقالات مشابه را برایتان بفرستیم!

2/2 اعتبار مقاله باقیمانده در این ماه