


Explorer l'impact révolutionnaire de l'intelligence artificielle sur l'avenir des soins de santé
La médecine est l'une des frontières les plus passionnantes pour l'intelligence artificielle, mais où l'IA aura-t-elle un réel impact sur l'avenir des soins de santé ? Rachel Roumeliotis, vice-présidente de la stratégie de contenu chez O'Reilly Media, répond ici.
Comment les données amélioreront le diagnostic
Peu d'industries sont aussi gourmandes en données que la médecine. Les données médicales se présentent sous de nombreuses formes : images, audio, vidéo, texte non structuré et informations structurées. Toutes ces données sont soumises aux problèmes traditionnels rencontrés par d'autres secteurs : informations manquantes, valeurs corrompues, valeurs aberrantes suspectées, étiquettes manquantes, erreurs typographiques, etc.
À mesure que les bases de données médicales se développent, les informations sur le nettoyage et l'étiquetage deviennent de plus en plus importantes. Bien que nous soyons encore loin de résoudre ce défi, nous constatons des progrès importants comme Holoclean et Snorkel. Le premier est un système open source basé sur l’apprentissage automatique pour la détection et la réparation automatiques des erreurs qui a été utilisé avec succès dans diverses applications médicales, notamment les hôpitaux.
Pendant ce temps, Snorkel est un outil de programmation de données open source qui automatise la tâche fastidieuse de création et d'étiquetage par programme de grands ensembles de données pour la formation d'applications d'apprentissage automatique. Cette technologie a déjà connu un succès majeur dans le domaine médical. Un projet visant à classer les malformations rares de la valvule aortique a utilisé un vaste ensemble de données à l'échelle de la population provenant de la biobanque britannique et, grâce à la programmation des données, a pu étiqueter automatiquement environ 4 000 séquences IRM auparavant non étiquetées - ce qui autrement aurait dû être fait à la main.
Les mêmes outils de programmation de données ont également apporté le succès à l'analyse d'images biomédicales, ainsi qu'à l'extraction de connaissances cachées dans les ressources existantes. Par exemple, les développeurs de Snorkel ont créé un outil d’extraction de données qui parcourt la littérature biomédicale pour extraire les associations entre les traits et les variantes génomiques. De cette manière, l’IA améliore nos connaissances médicales tout en fournissant des diagnostics plus rapides et plus précis – une considération particulièrement importante compte tenu de la pénurie de personnel médical qualifié.
Bibliothèque de modèles globale avec « apprentissage collaboratif »
L'un des défis déterminants en matière de données dans le secteur de la santé est la nature extrêmement sensible des informations. Non seulement nous devons tenir compte des antécédents médicaux personnels des gens, mais les entreprises pharmaceutiques et autres entreprises médicales protègent naturellement farouchement leurs données. Cependant, un grand pas en avant nécessite que nous rassemblions ces données pour trouver des informations qui peuvent aider à mieux comprendre la maladie et à améliorer les traitements.
Lors d'une conférence sur l'IA à Pékin, Ion Stoica, directeur de RISELab à l'Université de Californie à Berkeley, a décrit de nouveaux projets qui permettent aux organisations de collaborer sans réellement partager de données. Ce nouveau modèle de collaboration – appelé « co-opetition » – collecte des données anonymisées pour créer une bibliothèque globale de modèles que chaque participant peut utiliser pour ses propres projets.
Ce qui est particulièrement intéressant dans l’apprentissage compétitif, c’est qu’il a des applications dans d’autres secteurs disposant de vastes ensembles de données sensibles. Par exemple, les institutions financières pourraient utiliser ce modèle pour créer des modèles de fraude plus précis et plus robustes, démontrant ainsi comment une technologie pionnière en médecine améliorera bientôt d’autres domaines de nos vies.
Nouvelle économie et marchés
Cependant, ce modèle n'est qu'un exemple des nouveaux marchés en cours de développement dans le secteur de la santé. Par exemple, Computable Labs est une entreprise qui crée la technologie du futur, une startup qui crée des outils pour créer ces nouveaux marchés de données, résolvant des problèmes importants tels que la gouvernance du marché, attribuant de la valeur aux données sur le marché et garantissant un accord de confidentialité.
RISELab va encore plus loin dans cette idée en envisageant de nouveaux marchés bifaces médiés des deux côtés par l'IA. Pour ne donner qu'un exemple de la façon dont cela fonctionne, disons que vous êtes diabétique et que vous utilisez un service qui recommande des recettes en fonction de votre état de santé, mais que vous n'aimez pas la plupart des plats recommandés par le service. Dans un marché bidirectionnel basé sur l'IA, votre moteur de recommandation apprend vos goûts et vos besoins, puis communique avec d'autres moteurs pour négocier un menu satisfaisant.
Cependant, le développement de nouveaux mécanismes de marché fondés sur les flux de données n’aura pas seulement des implications significatives pour le secteur de la santé ; il représente en réalité une tentative incroyablement ambitieuse de réinventer le fonctionnement interne du capitalisme lui-même. Bien que le secteur de la santé, qui utilise beaucoup de données, soit un endroit évident pour que cela se produise, les applications sont potentiellement illimitées. Ce n’est là qu’un exemple de la manière dont la médecine non seulement nous aide à vivre assez longtemps pour profiter d’un avenir meilleur et plus avancé technologiquement, mais contribue également à le créer.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
