Текст книги "Искусственный интеллект в медицине. Как умные технологии меняют подход к лечению"

Игры

Еще до исторического матча 1997 г. между Deep Blue и Каспаровым искусственный интеллект превзошел людей в других играх, включая реверси, английские шашки (в которых возможны 500 квинтиллионов позиций) и скрэббл[110]110
  Schaeffer, J., et al., “Checkers Is Solved.” Science, 2007. 317 (5844): pp. 1518–1522; Sheppard, B., “World-Championship-Caliber Scrabble.” Artificial Intelligence, 2002. 134 (1–2): pp. 241–275.


[Закрыть]. Однако во всех этих случаях использовались алгоритмы, основанные на строгих правилах, и такой ИИ был назван «старый добрый искусственный интеллект». Все изменилось после 2015 г., когда DeepMind победил человека в Breakout, классической аркадной игре для Atari. Статья в Nature, посвященная этому событию, которое предвещало наступление эры искусственного интеллекта на глубоких нейронных сетях, начиналась так: «Мы приступили к созданию единого алгоритма, который сможет работать в самых разных сферах и решать разнообразные сложные задачи, – а это и есть главная цель искусственного интеллекта, которой не удавалось достичь ранее, несмотря на все усилия». Алгоритм предусматривал использование сверточной нейронной сети и обучение с подкреплением для управления ракеткой[111]111
  Mnih, V., et al., “Human-Level Control Through Deep Reinforcement Learning.” Nature, 2015. 518.


[Закрыть] (ракетка ловит мячик, мячик выбивает кирпичи из стены). Это был тот самый момент, когда Макс Тегмарк, американский космолог и астрофизик шведского происхождения, даже выругался от изумления и восхищения. Вот что он пишет в своей книге «Жизнь 3.0»[112]112
  Тегмарк М. Жизнь 3.0. Быть человеком в эпоху искусственного интеллекта. – М.: Corpus, 2019.


[Закрыть]: «AI просто велели максимизировать счет, выставляя с регулярными интервалами числа, которые мы (но не AI) будем распознавать как коды, соответствующие определенным нажатиям клавиш». По словам руководителя проекта DeepMind Демиса Хассабиса, стратегия, по которой DeepMind учился играть, была никому не известна – «… до тех пор, пока люди не научились ей от искусственного интеллекта, который сами и создали». Это можно понимать так: искусственный интеллект превзошел в видеоиграх не только профессиональных игроков, но и своих создателей. С тех пор ИИ бросил вызов великому множеству других видеоигр, в том числе 49 играм Atari[113]113
  . “Why AI Researchers Like Video Games,” The Economist. 2017.


[Закрыть].

Год спустя, в 2016 г., искусственный интеллект на основе DNN начал состязаться непосредственно с людьми и побеждать их, когда Ли Седоль, профессионал 9-го дана по игре в го, проиграл все той же программе AlphaGo. Этой победе предшествовало длительное обучение машины: программа усвоила 30 млн позиций на игровой доске, которые имели место в 160 тыс. партий, сыгранных в реальной жизни. По мнению шахматного гроссмейстера и игрока в го Эдуарда Ласкера, «правила го настолько изящны, органичны и строго логичны, что если во Вселенной и существует другая разумная жизнь, то ее представители почти наверняка играют в го»[114]114
  Okun, A., and A. Jackson, “Conversations with AlphaGo.” Nature News & Views, 2017. 550.


[Закрыть]. Изяществом го вполне можно объяснить тот факт, что за турниром в прямом эфире следили 280 млн человек. Это число, однако, не идет ни в какое сравнение с числом возможных позиций го – их приблизительно 2,081681994×10¹⁷⁰, намного больше, чем атомов во Вселенной, так что понятно, почему го намного интереснее и труднее традиционных шашек и шахмат[115]115
  Moscovitz, I., “Artificial Intelligence’s ‘Holy Grail’ Victory,” Motley Fool. 2017.


[Закрыть]. В го играют уже больше 3 тыс. лет, и в 2015 г. специалисты предсказывали, что пройдет еще не меньше 10 лет, прежде чем искусственный интеллект сможет победить опытного игрока в го. Потребовалось объединить глубокую нейронную сеть, обученную с учителем и подкреплением, и символический искусственный интеллект (старый добрый ИИ) – во втором случае это был метод Монте-Карло для поиска по дереву[116]116
  Silver, D., et al., “Mastering the Game of Go with Deep Neural Networks and Tree Search.” Nature, 2016. 529 (7587): pp. 484–489.


[Закрыть]. Ключевой ход, приведший к выигрышу (ход 37), как выяснилось, посчитали наиболее креативным, несмотря на то, что его сделала машина, – и, что важнее всего, этот ход противоречил всякому человеческому «здравому смыслу»[117]117
  Tegmark, M., Life 3.0: Being Human in the Age of Artificial Intelligence. 2017. New York: Penguin Random House.


[Закрыть].

Победа в такой исключительно сложной и древней игре может считаться колоссальным достижением искусственного интеллекта. Но прошло совсем немного времени, и даже это достижение было превзойдено. Осенью 2017 г. программа AlphaGo Zero, следующая ступень после AlphaGo, штурмом взяла мир видеоигр[118]118
  Silver, D., et al., “Mastering the Game of Go Without Human Knowledge.” Nature, 2017. 550 (7676): pp. 354–359.


[Закрыть]. Программа AlphaGo Zero играет против самой себя, начиная со случайных ходов. В статье «Овладение игрой го без человеческих знаний», опубликованной в журнале Nature, говорится о выводе, к которому пришли ученые: «…возможно обучение [алгоритма] до сверхчеловеческого уровня без примеров из человеческого опыта или руководства, а также при отсутствии каких-либо иных познаний, кроме знания основных правил». Кроме того, налицо поразительный пример достижения большой цели малыми средствами: AlphaGo Zero, в отличие от AlphaGo, имела в памяти всего 5 млн тренировочных партий в сравнении с 30 млн, подготовка продолжалась три дня, а не несколько месяцев, использовалась одна нейронная сеть, а не две раздельных, система работала с помощью единственного тензорного процессора (Tensor Processing Unit, TPU) в сравнении с 48; кроме того, использовалась только одна машина, а не несколько[119]119
  Singh, S., A. Okun, and A. Jackson, “Artificial Intelligence: Learning to Play Go from Scratch.” Nature, 2017. 550 (7676): pp. 336–337.


[Закрыть].

И, как будто этого было недостаточно, всего несколько месяцев спустя вышел препринт, в котором говорилось, что тот же алгоритм AlphaGo Zero, располагая только базовыми правилами игры в шахматы в качестве вводной информации, всего через четыре часа в результате самообучения уже мог играть на чемпионском уровне[120]120
  Silver, D., et al., Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm. arXiv, 2017.


[Закрыть]. Похоже, у Тегмарка появился еще один повод восхищенно выругаться, поскольку он написал в своем Twitter-аккаунте: «В отличие от AlphaGo, эта новость об очередном достижении ИИ поражает не легкостью, с которой AlphaGo Zero громит людей, а легкостью, с которой он громит людей, исследующих ИИ, людей, потративших десятилетия на ручную работу над идеальным ПО для игры в шахматы»[121]121
  Tegmark, M., “Max Tegmark on Twitter.” Twitter, 2017.


[Закрыть].

С такой же немыслимой быстротой искусственный интеллект превзошел людей и в другой игре – техасском холдеме, самой популярной в настоящее время разновидности покера. Покер – это совсем другое дело, это так называемая игра с несовершенной информацией. В игре с совершенной информацией все игроки обладают одним и тем же (идентичным) объемом информации. Такая игровая ситуация называется информационной симметрией. Информационная симметрия присуща го, видеоиграм Atari, шахматам и викторинам. Однако в покере не все игроки имеют полное представление о том, что произошло в игре. У игроков есть карманные карты, и они могут блефовать. Вся эта история изложена в трех статьях журнала Science. Первая была опубликована в январе 2015 г. командой ИТ-специалистов из канадского Университета провинции Альберта. Ученые использовали два алгоритма минимизации сожалений (алгоритм получил название CFR+, что расшифровывается как Counterfactual Regret Minimization – минимизация сожалений при отсутствии вмешательства) для «слабого», по их собственному выражению, окончания игры, «которое доказывает, что игра всегда выигрышна для сдающего»[122]122
  Bowling, M., et al., “Heads-Up Limit Hold ’Em Poker Is Solved.” Science, 2015. 347 (6218): pp. 145–149.


[Закрыть]. Вторая статья, за авторством тех же специалистов, вышла в феврале 2017 г., и речь в ней шла о покерном боте DeepStack, который, как следует из его названия, использовал глубокие нейронные сети для победы над профессиональными игроками в покер[123]123
  Moravcik, M., et al., “DeepStack: Expert-Level Artificial Intelligence in Heads-Up No-Limit Poker.” Science, 2017. 356 (6337): pp. 508–513.


[Закрыть].

Но и этот рекорд искусственного интеллекта долго не продержался. Как сообщалось в третьей статье в Science, опубликованной в декабре 2017 г., два ИТ-специалиста из американского Университета Карнеги—Меллона опубликовали алгоритм Libratus, который продемонстрировал сверхчеловеческие возможности в играх с профессионалами высочайшего класса. Подобно AlphaGo Zero, алгоритм Libratus не специфичен для какой-то одной игры – его можно использовать в любых играх с несовершенной (скрытой) информацией. Однако, в противоположность DeepStack и AlphaGo Zero, в алгоритме Libratus глубокие нейронные сети не использовались[124]124
  Brown, N., and T. Sandholm, “Superhuman AI for Heads-Up No-Limit Poker: Libratus Beats Top Professionals.” Science, 2017. 359 (6374): pp. 418–424.


[Закрыть]. То, чего достиг Libratus, будучи способным точно определить, когда лучшие игроки в покер блефуют, и победить их в этой весьма сложной игре, – уже немалый подвиг. Невероятный и, главное, быстрый прогресс в применении нейронных сетей в играх породил беспочвенные надежды на столь же успешное использование ИИ в медицине. Но важность игр и важность человеческого здоровья просто несопоставимы. Одно дело, когда машина побеждает человека в игре, другое – поставить человеческую жизнь в зависимость от «машинного» лечения. Поэтому я испытываю такую досаду, когда кто-то заявляет в медицинском контексте, что ИИ якобы «меняет правила игры»: здоровье – не игра.

Изображения

Система ImageNet стала прекрасной иллюстрацией одного из общих мест, касающихся ИИ: наборы данных (не алгоритмы) могут быть главным ограничивающим фактором искусственного интеллекта человеческого уровня[125]125
  . “Collective Awareness: A Conversation with J. Doyne Farmer,” Edge. 2018.


[Закрыть]. Когда Фэй-Фэй Ли, специалист по информационным технологиям, работающая теперь в Стэнфорде и одновременно в Google, создала в 2007 г. ImageNet, она отвергла мысль, что алгоритмы в идеале должны получать информацию от больших данных, и в первую очередь положилась на расширенное маркирование (аннотирование) изображений. Она поняла, что дело не в больших данных: надо было тщательно пометить элементы каждого изображения. Несколько лет назад она сказала: «Я считаю пиксельные данные в фото– и видеоизображениях темной материей интернета»[126]126
  Markoff, J., “Researchers Announce Advance in Image-Recognition Software,” The New York Times. 2014.


[Закрыть]. На конкурсе ImageNet Challenge для оценки изображений и выявления лучших систем (таких, например, как AlexNet, GoogleNet, VGGNet и ResNet) были использованы многочисленные сверточные глубокие нейронные сети. На рис. 4.6 показан прогресс в снижении частоты ошибок на протяжении нескольких лет. В 2017 г. ImageNet показала более высокую, чем у человека, эффективность интерпретации изображений. Частота ошибок снизилась с 30 % в 2010 г. до 4 % в 2016 г. Лекция Ли на канале TED «Как мы обучаем компьютеры различать изображения» собрала более 2 млн просмотров. Это одна из моих любимых лекций TED[127]127
  Li, F. F., “How We’re Teaching Computers to Understand Pictures,” TED. 2015.


[Закрыть].

Специфика тщательно маркированных данных для ImageNet (все они находились в открытом доступе) стала главным условием полного преображения системы машинного распознавания изображений. Следуя этому примеру, Google в 2016 г. создал свою базу данных из 9 млн изображений в 6 тыс. категорий – тоже как открытый источник.

Рис. 4.6. Со временем глубокое обучение ИИ помогло ему превысить человеческую эффективность при распознавании изображений. Источник: с изменениями из: Y. Shoham et al., “Artificial Intelligence Index 2017 Annual Report,” CDN AI Index (2017): http://cdn.aiindex.org/2017-report.pdf.

Распознавание изображений – это не просто игра «найди кошку в видеоролике». Главным объектом распознавания стали человеческие лица. Как только точность распознавания лиц преодолела рубеж в 94 %, возникли серьезные вопросы в связи с опасностью нарушения конфиденциальности, вторжением в частную жизнь и возможной дискриминации[128]128
  Snow, J., “Google’s New AI Smile Detector Shows How Embracing Race and Gender Can Reduce Bias,” MIT Technology Review. 2017.


[Закрыть]. Для iPhone X 2017 Apple использовала FaceID – распознавание лица в качестве биометрического пароля для разблокировки телефона; точно так же поступили и в Samsung незадолго до этого. Технология использует фронтальный датчик для сканирования 3 тыс. точек и создает трехмерную модель лица[129]129
  Fowler, G., “Apple Is Sharing Your Face with Apps: That’s a New Privacy Worry,” The Washington Post. 2017.


[Закрыть]. Эти технологии вызвали споры относительно уязвимости частной жизни. К 2018 г. изображения лиц половины взрослых жителей США хранились по меньшей мере в одной базе данных, к которой полиция могла получить доступ, а некоторые компании (например, Karios) утверждают, что уже считали данные по 250 млн лиц[130]130
  Там же.


[Закрыть]. Утверждается даже, что некоторые маркеры ДНК позволяют точно предсказывать, как выглядит лицо человека, а значит, и идентифицировать его, что вызывает многочисленные претензии[131]131
  Erlich, Y., Major Flaws in “Identification of Individuals by Trait Prediction Using Whole-Genome Sequencing Data.” arXiv, 2017; Lippert, C., et al., No Major Flaws in “Identification of Individuals by Trait Prediction Using Whole-Genome Sequencing Data.” arXiv, 2017; Reardon, S., “Geneticists Pan Paper That Claims to Predict a Person’s Face from Their DNA,” Nature News & Comment. 2017.


[Закрыть]. Впрочем, если взглянуть на это с другой стороны, то стоит указать, что черты лица можно использовать для диагностики редких врожденных болезней с помощью искусственного интеллекта, встроенного в приложение Face2Gene для смартфона[132]132
  Sheridan, K., “Facial-Recognition Software Finds a New Use: Diagnosing Genetic Disorders,” Stat News. 2017.


[Закрыть]. В других исследованиях предлагается еще более широкое использование подобных приложений для облегчения медицинской диагностики[133]133
  Sandoiu, A., “Why Facial Recognition Is the Future of Diagnostics,” Medical News Today. 2017; Timberg, C., “How Apple Is Bringing Us into the Age of Facial Recognition Whether We’re Ready or Not,” The Washington Post. 2017.


[Закрыть].

Идентификация людей с использованием изображений не ограничивается их лицами. Компания AliveCor разработала четырехуровневую глубокую нейронную сеть для идентификации людей по их ЭКГ, и если пользователь даст свой телефон с датчиком другому человеку, на экране появится сообщение: «Это на вас не похоже». И действительно, ЭКГ может быть настолько специфичной и индивидуальной, чтобы служить биометрическим идентификатором, однако динамические изменения показаний ставят под вопрос ее использование для этой цели.

Кроме того, изображения лиц – это нечто большее, чем возможность персональной идентификации. В 2014 г. ученые Калифорнийского университета в Сан-Диего использовали машинное обучение для распознавания человеческих лиц с целью для диагностики боли, причем точность машинного распознавания оказалась выше, чем точность распознавания человеком[134]134
  Hoffman, J., “Reading Pain in a Human Face,” The New York Times. 2014.


[Закрыть]. Помимо количественной оценки интенсивности болевого ощущения есть возможность использовать такую систему для оценки интенсивности стресса и распознавания настроения. Этот вопрос мы более подробно рассмотрим в главе 8.

Сегментация изображений подразумевает разбиение цифрового изображения на множество сегментов (или наборов пикселей). Такая сегментация основана на традиционных алгоритмах и оценках людей-экспертов. Глубокое обучение делает возможной автоматизацию этого процесса, что позволит повысить точность и скорость работы[135]135
  Nikolov, S., S. Blackwell, R. Mendes, Deep Learning to Achieve Clinically Applicable Segmentation of Head and Neck Anatomy for Radiotherapy. arXiv, 2018. https://arxiv. org/abs/1809.04430.


[Закрыть].

Распознавание голоса, речи и текста, машинный перевод

Обработка слов отличается от обработки пикселей, так как при распознавании изображений все пиксели доступны и обрабатываются одновременно, тогда как речь или текст представляют собой последовательности сигналов, развертывающиеся в режиме реального времени. Глубокие нейронный сети преобразили и это поле деятельности: процесс получил наименование «обработка естественного языка». Стоит отметить, что точность машинного распознавания речи по телефону достигла человеческого уровня в 2017 г. (рис. 4.7)[136]136
  Shoham, Y., et al., Artificial Intelligence Index 2017 Annual Report. 2017.


[Закрыть]. Компания Microsoft продемонстрировала, что искусственный интеллект способен транскрибировать речь лучше, чем профессиональные стенографисты. Этот прогресс сделал возможным появление Alexa от Amazon и других голосовых ассистентов, которые нашли обширное применение в здравоохранении. Я предвижу, что голосовая платформа станет основой для виртуального медицинского ассистента. Устройство и принцип действия такой системы я представлю в главе 12.

Одно из наиболее поразительных достижений искусственного интеллекта – это машинный перевод. Фернандо Перейра, вице-президент Google и глава проекта Translate, так охарактеризовал этот скачок: «Я и представить себе не мог, что увижу это на своем профессиональном веку. Мы неуклонно прогрессировали, но это не просто прогресс. Это переворот»[137]137
  Upson, S., “The AI Takeover Is Coming: Let’s Embrace It,” in Backchannel. 2016.


[Закрыть]. Подобно тому, как алгоритм AlphaGo Zero был использован не только в го, но и во многих других играх, единая система перевода, способная к так называемому переносу обучения, которую представили в Google в 2017 г., стала еще одним шагом к созданию «универсального языкового посредника». К концу 2016 г. за месяц насчитывалось более 500 млн пользователей, которые нуждались в 140 млрд слов различных языков в день[138]138
  Lewis-Kraus, G., “The Great A. I. Awakening,” The New York Times. 2016.


[Закрыть]. Сайт Google переводит тексты на 37 языках, а речь – на 32. Возможности расширяются и охватывают уже более сотни языков. Безусловно, это можно рассматривать как решающий вклад искусственного интеллекта в содействие общению между людьми.

Машинное распознавание собственно текстов, включая и рукописные, способность алгоритмов извлекать содержание (заметьте, я не говорю – «понимать») длинных текстов и синтез речи – все это тоже сделало большой шаг вперед[139]139
  Knight, W., “An Algorithm Summarizes Lengthy Text Surprisingly Well,” MIT Technology Review. 2017; Shen, J., et al., Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions. arXiv, 2017. 1.


[Закрыть]. WaveNet от Google и DeepSpeech от Baidu являют собой примеры глубоких нейронных сетей, способных автоматически синтезировать голос[140]140
  Steinberg, R., “6 Areas Where Artificial Neural Networks Outperform Humans,” Venture Beat. 2017.


[Закрыть]. Стоит особо отметить способность преобразовывать текст в речь, неотличимую от человеческого голоса[141]141
  Gershgorn, D., “Google’s Voice-Generating AI Is Now Indistinguishable from Humans,” Quartz. 2017.


[Закрыть].

Рис. 4.7. Со временем глубокое обучение искусственного интеллекта помогло ему превысить человеческую эффективность в распознавании голосов. Источник: с изменениями из: Y. Shoham et al., “Artificial Intelligence Index 2017 Annual Report,” CDN AI Index (2017): http://cdn. aiindex.org/2017-report.pdf.

Распознавание лиц и других биометрических параметров имеет еще одну любопытную сферу применения – автомобили: таким образом можно устанавливать личность водителя, который заводит машину. Определение эмоционального состояния или уровня сонливости водителя по голосу и выражению лица можно использовать для обеспечения безопасности[142]142
  Quain, J. R., “Your Car May Soon Be Able to Read Your Face,” The New York Times. 2017, p. B6.


[Закрыть]. Однако, учитывая, что в 2017 г. в США произошло более 40 тыс. ДТП со смертельным исходом и почти все они были обусловлены человеческими ошибками в вождении, самая большая выгода от использования ИИ в автомобилях – это, возможно, передоверить ему само управление автомобилем. Очевидно, что нам нужна помощь[143]143
  Dixit, V. V., S. Chand, and D. J. Nair, “Autonomous Vehicles: Disengagements, Accidents and Reaction Times.” PLoS One, 2016. 11 (12): p. e0168054.


[Закрыть].

Беспилотные автомобили

Вы, должно быть, все последние годы прожили в пещере, если не слышали громких заявлений о беспилотных автомобилях. А вот если вы смотрели на YouTube видеоролики, где «водители» автомобилей Tesla играют в игры, пишут письма или даже пересаживаются на заднее сиденье и читают, вам, должно быть, кажется, будто все это – дело ближайшего будущего[144]144
  Halpern, S., “Our Driverless Future,” New York Review of Books. 2016.


[Закрыть]. Конечно, на сегодня это вершина достижений ИИ, но все не совсем так, как кажется.

Сообщество автомобильных инженеров (SAE) разработало пятиуровневую классификацию автоматизации автомобилей, в которой пятый уровень (см. рис. 4.8) соответствует «полной автоматизации» автомобиля – то есть машина не только делает все сама и едет куда надо в любое время и в любых условиях, но и исключает участие человека в управлении. До такого уровня еще очень далеко, несколько десятилетий, и не факт, что эта цель вообще достижима[145]145
  Shladover, S., “The Truth About ‘Self-Driving’ Cars.” Scientific American, 2016, pp. 53–57.


[Закрыть]. Уровень 4 означает, что машина автономна в большинстве ситуаций, а поддержка со стороны человека не является необходимой. Возможность переключения управления на человека (условно автоматическое вождение) – это уровень 3. Большинство людей знакомо с уровнем 2, например с автоматическим поддержанием нужной скорости или с автоматическим движением по определенной полосе. Но это весьма ограниченная автоматизация.

Вся автомобильная индустрия (и это вполне понятно) работает с прицелом на четвертый уровень (с ограниченной потребностью в поддержке со стороны человека), то есть на уровень, опирающийся на скоординированное взаимодействие множества технологий. Интегрированная многозадачная система глубокого обучения отслеживает другие автомобили, пешеходов и дорожную разметку. Автомобиль воспринимает обстановку за счет комбинации камер, радара, датчиков отраженного света и «мультидоменных» контроллеров ИИ, которые с помощью глубоких нейросетей работают с вводом данных и выводом решений. Имитация возможностей человеческого восприятия с помощью компьютерного программного обеспечения до сих пор считается очень трудной задачей. Зрение компьютера стало намного реже ошибаться при идентификации пешехода – от 1 ошибки на 30 изображений до 1 ошибки на 30 млн изображений. Это мощь так называемого fleet learning, «обучения автопарка» – то есть обучения, в ходе которого одновременно обучаются все автомобили, снабженные одинаковыми системами искусственного интеллекта, что делает их «умнее» за более короткое время. Однако, несмотря на то, что четвертый уровень автономности допускает участие человека в управлении в непредвиденных ситуациях, автомобили такого уровня могут попадать в ужасные аварии – если с ними случится что-то вроде зависания ноутбука или падения браузера, как это бывает у нас в быту.

Рис. 4.8. Самоуправляющиеся автомобили и автоматическое лечение без участия человека-врача. Пять уровней автоматизации автомобилей по версии Сообщества автомобильных инженеров. Источник: с изменениями из: S. Shladover, «The Truth About „Self-Driving“ Cars,» Scientific American (2016): www.scientificamerican.com/article/the-truth-about-Idquo-self-driving-rdquo-cars.

Я хочу особо выделить эту параллель – автономные автомобили и медицинская практика при поддержке ИИ – как наиболее важную в этой книге. Если для автомобилей четвертый уровень может быть достигнут при идеальных условиях на дороге и при идеальной организации движения, то весьма маловероятно, что в медицине когда-нибудь появится даже третий уровень автономности искусственного интеллекта. Определенные задачи вполне доступны искусственному интеллекту, например точная диагностика (при помощи алгоритма) поражений кожи или наружного и среднего уха. Но медицина в целом никогда не потерпит отсутствия надзора со стороны врача-человека и прочих медработников – при любом заболевании и в любых условиях. В будущем второй уровень – с частичной автоматизацией (например, управление торможением/ ускорением и рулением для автомобилей) – будет большим подспорьем как для врачей, так и для пациентов. Учитывая, что люди будут брать на себя инициативу в непредвиденных обстоятельствах (то есть находиться в резерве, когда основную работу будет делать ИИ-система с условной автоматизацией), со временем в медицине будет достижим и третий уровень автономности искусственного интеллекта (для определенных заболеваний у некоторых категорий пациентов).

Если четырех областей применения искусственного интеллекта (игры, изображения, речь, автомобили), рассмотренных здесь, недостаточно, то можно привести длинный список прочих задач, которые, согласно недавним сообщениям, оказались «по зубам» искусственному интеллекту (см. табл. 4.3).

И если весь предыдущий рассказ не произвел на вас должного впечатления, то, надеюсь, приведенные в таблице достижения наглядно продемонстрируют вам разносторонние возможности ИИ и дадут понять на основании ретроспективных данных, чего уже добился искусственный интеллект, особенно учитывая резкое ускорение прогресса в этой области. Есть, однако, много опасений, которые уравновешивают восторг. В следующей главе я системно рассмотрю многие проблемы ИИ, укажу некоторые точки быстрого роста, характеризующие всю эту отрасль в целом, а также попытаюсь объяснить, что все это может значить для медицины.

Таблица 4.3

Различные задачи, которые, по имеющимся сообщениям, в последние годы были решены с помощью искусственного интеллекта