كيف يتعلم الذكاء الاصطناعي ألا يختلس النظر إلى ورقة الغش سريع
الأصل: "Prospective clinical indication, post-hoc report leakage, and fusion design in multi-image chest radiograph classification: a patient-clustered evaluation"
وصف موجز للأعراض يكاد يكون بنفس فائدة صورة الأشعة السينية لمُشخِّص الذكاء الاصطناعي، لكن أي تلميح بسيط يحوله إلى مجرد مقلد.
يتعلم مشخِّص الذكاء الاصطناعي كطالب طب قبل الامتحان. تُعطى له صورة أشعة سينية وشكوى المريض. لكن أحياناً يظهر بين مواد التدريب تقرير الطبيب الجاهز — الإجابة كاملة. حينها تحفظ الشبكة العصبية هذا التقرير، وتقفز دقتها في الاختبار إلى 98%. لكن هذا غش: فالمهارة الحقيقية لا تتطور.
هنا قد يكون من المفيد استخدام التحليل الطيفي — القدرة على تحليل المهمة إلى عناصرها، بدلاً من التعلق بالإجابة الجاهزة.
تحديد المرض في الصورة يشبه العثور على كوكب خارجي: نحتاج إلى القياس الضوئي لقياس الإشارة بدقة.
بدون أي تلميحات، تصل الدقة بناءً على الأعراض فقط إلى 75%. وعند إضافة الصورة تصبح 78%. لكن تسرب حتى كلمتين من التقرير يمكن أن يضاعف النتائج، مما يخلق 'تأثير الأفق' — حيث يبدو الذكاء الاصطناعي عبقرياً، لكن فقط داخل عينة التدريب. النماذج النزيهة تتقن دمج البيانات بمرونة، وتغربل أوراق الغش.
حتى تسرب بسيط لمعلومات من التقرير المستقبلي إلى بيانات التدريب يمكن أن يضاعف من دقة الذكاء الاصطناعي — وهذا ما يُعرف بـ 'تأثير الأفق'.
العلماء
James Clerk MaxwellArno PenziasRalph AlpherRobert Woodrow WilsonWilhelm WienMax Planckالذكاء الاصطناعي القابل للتفسير (XAI)
التعلم العميق في التصوير الطبي
التعلم ذاتي الإشراف (Self-Supervised Learning)
الشبكات العصبية الاستدلالية
التعلم بإشراف ضعيف
التحليل الطيفيمعادلات ماكسويلقانون بلانك للإشعاعمعادلة بلانك-أينشتاينقانون فين للإزاحةصيغة ريدبرغقانون براغ