Автор: 
Одной из базовых проблем современного машинного обучения является создание объяснимого искусственного интеллекта, решения которого будут носить рекомендательный характер — так называемой системы поддержки принятия решений. Его отличие от уже существующих разновидностей ИИ — в полной прозрачности работы алгоритма. Учёные Сибирского федерального университета разработали алгоритм концептуальной кластеризации, который поможет решать ряд сложных задач в области машинного обучения. Используя этот алгоритм, машина может самостоятельно за доли секунды выделять подгруппы схожих объектов и анализировать их. Исследование опубликовано в журнале Algorithms.
Разработка может применяться в медицине для диагностики и прогнозирования социально значимых заболеваний. Например, для прогнозирования рисков осложнений инфаркта миокарда и диагностики онкологических заболеваний у пациентов. По словам учёных, универсальность метода позволяет использовать его на производстве, например, для сортировки деталей, и даже для решения вопросов налогообложения — то есть, везде, где требуется быстрый и обоснованный анализ большого объёма данных.
«Современные алгоритмы машинного обучения, те же нейросети, чаще всего представляют из себя «чёрный ящик» — в соответствии с вводными они формируют некий результат, которому мы можем доверять или не доверять. Однако в медицине или в системе налогообложения пользователю требуется объяснение, почему машина пришла к тому или иному выводу, ведь последствия негативного решения искусственного интеллекта могут быть разрушительны. Особенно это касается области диагностики заболеваний или моделирования возможных осложнений для здоровья пациентов», — сообщил руководитель исследования Игорь Масич.
Если искусственный интеллект обучается с помощью «учителя», то есть ему даются примеры с метками, то можно на основе этих исходных данных найти логические закономерности и построить классификатор, состоящий из логических правил, так что каждый новый случай, требующий рассмотрения, ИИ может соотнести с этими правилами. Учёные уже выяснили, как поведёт себя новый алгоритм в области прогнозирования осложнений у пациентов, перенёсших инфаркт миокарда. Задача состояла в том, чтобы составить прогноз состояния таких пациентов и скорректировать индивидуальную траекторию их лечения.
«Можно взять результаты первичных анализов и обследований — анализы крови, результаты УЗИ сердца и коронарографии, электрокардиограмму и т. д. и загрузить их в систему, которая по заданным правилам всё проверит, соотнесёт, найдёт значимое и сделает выводы. Эти выводы лечащий врач может интерпретировать и использовать для назначения индивидуальной терапии. Таким образом машина поможет предсказать не только основные осложнения в постинфарктный период, но и предупредить пациента о возможности повторного кризиса, или даже сработать на опережение в группах риска и предсказать вероятность инфаркта у человека», — продолжил учёный.
Ещё одна медицинская задача, с которой уже учится справляться новый алгоритм — диагностика раковых заболеваний. Учёные СФУ поручили искусственному интеллекту решение задачи из области генетики — изучить экспрессию генов с целью прогнозирования развития онкологических болезней. Сложность состоит в гигантском объёме данных, которые предстояло изучить машинному помощнику. Учёным удалось выделить с помощью нового алгоритма несколько генов, которые, по всей видимости, отвечают за развитие рака в организме человека. Машина указала на них, проанализировав индивидуальные данные пациентов и соотнеся их с пороговыми значениями.
Дальнейшим развитием этого направления стало применение логического анализа данных к задачам кластеризации — задачам более сложным и неформализованным. Разработан инструмент, который позволяет получать совершенно прозрачную группировку объектов по кластерам, используя близкий человеческому мышлению аппарат понятий или концептов. Этот инструмент также полезен для более детальной классификации и выявления новых классов объектов, например, обнаружение новых видов заболеваний.
Учёные предусмотрели ещё одно практическое применение разработанной системы: она поможет работникам налоговых органов проверить сведения о налогоплательщиках, проверить достоверность налоговых деклараций и т. п. Пригодятся такие способности искусственного интеллекта и на производстве — например, чтобы выделять однородные партии продукции с повышенными требованиями к качеству, например, изделий электронной компонентной базы космического применения. Так можно быстро и эффективно сортировать микрочипы или транзисторы в соответствии с их качествами.
