सैद्धांतिक और कम्प्यूटेशनल विज्ञान जर्नल
खुला एक्सेस

अमूर्त

एआई और बिग डेटा कन्वर्जेंस

जॉन एंडर गोमेज़ एड्रियन

आर्टिफिशियल इंटेलिजेंस की अधिकांश तकनीकों, विशेष रूप से मशीन लर्निंग से संबंधित तकनीकों को, मॉडल मापदंडों को समायोजित करने के लिए डेटा नमूनों का उपयोग करने वाले एल्गोरिदम के माध्यम से प्रशिक्षित अधिक मजबूत और सटीक मॉडल प्राप्त करने के लिए जितना संभव हो उतना डेटा की आवश्यकता होती है। उदाहरण के तौर पर, डीप न्यूरल नेटवर्क पर आधारित एक मॉडल में लाखों पैरामीटर (जिन्हें वेट के रूप में नामित किया गया है) हैं, जिनके मान त्रुटि-बैकप्रोपेगेशन एल्गोरिदम द्वारा क्रमिक रूप से अपडेट किए जाते हैं जो प्रशिक्षण डेटा सेट के सभी नमूनों को पुनरावृत्त रूप से देखता है। श्री कुकियर ने बताया कि स्टैनफोर्ड विश्वविद्यालय के शोधकर्ताओं ने मशीन-लर्निंग मॉडल को प्रशिक्षित करने के लिए कैंसरग्रस्त स्तन कोशिकाओं के हजारों नमूनों और रोगियों की उत्तरजीविता दरों का उपयोग किया, और इनपुट डेटा की विशेषताओं में पैटर्न की पहचान करने के लिए लर्निंग एल्गोरिदम के लक्ष्य फ़ंक्शन को परिभाषित किया जो कि किसी दिए गए बायोप्सी के गंभीर रूप से कैंसरग्रस्त होने की भविष्यवाणी करने के लक्ष्य से सबसे अच्छा सहसंबंधित है। प्राप्त मशीन-लर्निंग मॉडल ने ग्यारह विशेषताओं की पहचान की जो सबसे अच्छी तरह से भविष्यवाणी करती हैं कि बायोप्सी अत्यधिक कैंसरग्रस्त है। शोधकर्ताओं को आश्चर्य हुआ कि ग्यारह विशेषताओं में से केवल आठ पहले डॉक्टरों द्वारा जानी जाती थीं और चिकित्सा साहित्य में उनका अध्ययन किया गया था। स्टैनफोर्ड के शोधकर्ताओं ने प्रयोग में इनपुट डेटा की सभी विशेषताओं को शामिल किया, बिना लर्निंग एल्गोरिदम को यह बताए कि कौन सी विशेषताओं का उपयोग करना है, इसका परिणाम यह हुआ कि मशीन लर्निंग एल्गोरिदम द्वारा पाई गई तीन विशेषताओं (या संकेतकों) को चिकित्सा समुदाय द्वारा प्रासंगिक नहीं माना गया; पैथोलॉजिस्ट ने कभी भी ऐसे संकेतकों पर अपना ध्यान केंद्रित नहीं किया। जैसा कि श्री कुकियर ने टिप्पणी की है कि मशीन लर्निंग इसलिए काम करती है क्योंकि लर्निंग एल्गोरिदम को बहुत सारा डेटा दिया जाता है - इतनी अधिक जानकारी जिसे कोई भी इंसान अपने जीवनकाल में पचा नहीं सकता और किसी भी समय प्रबंधित नहीं कर सकता