сделать стартовой добавить в избранное карта сайта Remedium Group
Журнал Ремедиум
26 - 05 - 2019 [7:26]

об издании/about

новости/news

архив/archive

авторам/authors

подписка/subscription

книги Ремедиум/books

реклама в издании/advertising

контакты/contact


условия использования материалов



Авторизация на сайте
Логин:
Пароль:

Место для Вашей рекламы
Место для Вашей рекламы
Место для Вашей рекламы

Журнал "Ремедиум "№4 за 2019


Фармфокус / Pharmfocus

Современный передовой уровень искусственного интеллекта для умной медицины / Modern advanced artificial intelligence for smart medicine

DOI: http://dx.doi.org/10.21518/1561-5936-2019-4-36-43

О.Ю. Колесниченко1, А.В. Мартынов2, В.В. Пулит2, Ю.Ю. Колесниченко3, В.В. Шакиров4, Л.С. Мазелис5, О.О. Варламов6, Л.О. Минушкина7, А.Ю. Сотник8, Т.Н. Жилина1, В.П. Дорофеев9, Г.Н. Смородин10, М.К. Жапаров11

1 Институт социальных наук, ФГАОУ ВО «Первый МГМУ им. И.М. Сеченова» Минздрава России, Москва

2 СП.АРМ, Санкт-Петербург

3 Uzgraph.ru, Москва

4 ФНЦ НИИ системных исследований РАН, отдел нейроинформатики, Москва

5 ФГБОУ ВО «Владивостокский государственный университет экономики и сервиса», Владивосток

6 ФГБОУ ВО «Московский государственный технический университет им. Н.Э. Баумана», Москва

7 ФГБУ ДПО «Центральная государственная медицинская академия УД ПРФ», Москва

8 ЗАО Фирма ЦВ «ПРОТЕК», Москва

9 Московский физико-технический институт, Долгопрудный

10 ФГБОУ ВО «Санкт-Петербургский государственный университет телекоммуникаций им. М.А. Бонч-Бруевича», Санкт-Петербург

11Университет имени Сулеймана Демиреля, Каскелен, Казахстан 

На данном этапе искусственный интеллект уже не является только обсуждаемой темой. Это вполне реальные технологии, основанные преимущественно на искусственных нейронных сетях. Для их обучения используется принцип Павлова, сформулированный В.Л. Дуниным-Барковским. Математики павловское учение с подкреплением называют Deep Reinforcement Learning. ИИ разделяют на компьютерное зрение (Computer Vision), т е. распознавание и генерацию изображений; распознавание и синтез речи (Speech Recognition and Synthesis); обработку естественного языка (Natural Language Processing, NLP); графовый логический ИИ, миварную логическую технологию. Все это по отдельности – узконаправленный ИИ. А общий интеллект, равный человеку, пока не создан. Такой ИИ должен включать в себя все технологии. С учетом социальной и лингвистической природы появления интеллекта разработчики очень много внимания уделяют отшлифовке алгоритмов NLP и мультиагентной среды. К сожалению, параллельно с прогрессом в развитии нейросетей возникло такое явление, как состязательные атаки, которые, используя тот же механизм обучения, заставляют натренированную нейросеть делать ошибки. Этот факт подвергает сомнению будущее нейросетей в повседневной медицине. Среда для ИИ – это большие данные и датасеты. Европейские эксперты уже озадачились регулированием больших данных с точки зрения безопасного развития как медицины, так и фармацевтической сферы. Несмотря на сложности и отсутствие четких правил, ИИ активно внедряется в частный сектор медицины, создав уже три новые бизнес-модели.

O.Yu. Kolesnichenko1, A.V. Martynov2, V.V. Pulit2, Yu.Yu. Kolesnichenko3, V.V. Shakirov4, L.S. Mazelis5, O.O. Varlamov6, L.O. Minushkina7, A.Yu. Sotnik8, T.N. Zhilina1, V.P. Dorofeev9, G.N. Smorodin10, M.K. Zhaparov11

1 Institute of Social Sciences, Sechenov First Moscow State Medical University, Moscow;

2 SP.ARM, St. Petersburg;

3 Uzgraph.ru, Moscow;

4 Scientific Research Institute of System Studies of RAS, Department of Neuroinformatics, Moscow;

5 Vladivostok State University of Economics and Service, Vladivostok;

6 Bauman Moscow State Technical University, Moscow;

7 Central State Medical Academy at the Department of Presidential Affairs, Moscow;

8 ZAO (CJSC) Firm CV PROTEK;

9 Moscow Institute of Physics and Technology, Dolgoprudny;

10 Bonch-Bruevich St. Petersburg State University of Telecommunications, St. Petersburg;

11 Suleyman Demirel University, Kaskelen, Kazakhstan

Artificial Intelligence is no longer just the topic of discussion. Today this technology is mostly based on Artificial Neural Networks. Pavlov Principle formulated by W.L. Dunin-Barkowski is used for their training. Mathematics compared Pavlov's doctrine with Deep Reinforcement Learning. AI technologies are divided into Computer Vision, images recognition and generation; Speech Recognition and Synthesis; Natural Language Processing; Graph Logic AI, MIVAR logic technology. All of this separately is Narrow AI. Artificial General Intelligence, equal to human, hasn’t been created yet. AGI should include all mentioned technologies. Given social and linguistic nature of the intelligence emergence, developers are paying attention to NLP algorithms and multi-agent environment. Simultaneously with the development of neural networks, adversary attacks emerged, which using the same learning mechanism force a trained neural network to make mistakes. This fact calls in question the future of neural networks in medicine. Big Data and data sets are the environment for AI. European experts have already begun to regulate Big Data for safe Health Care and drugs creation. Despite the difficulties and lack of clear rules, AI is actively being introduced into the private medicine. Due to AI the three new business models have already been created.

Источники / References

1. Bartol TM, Bromer C, Kinney J, Chirillo MA, Bourne JN, Sejnowski TJ et al. Nanoconnectomic upper bound on the variability of synaptic plasticity. eLife J. 2015; 4:e10778. DOI: 10.7554/eLife.10778.

2. Pozzi I, Bohté SM, Roelfsema PR. A biologically plausible learning rule for Deep Learning in the brain. arXiv:1811.01768v1 [cs.NE] 5 Nov 2018.

3. Howard D, Eiben AE, Kennedy DF, Mouret J-B, Valencia P, Winkler D. Evolving embodied intelligence from materials to machines. Nature Machine Intelligence. 2019; 1: 12-19. DOI.org/10.1038/s42256-018-0009-9.

4. Chan BWC. Lenia – Biology of Artificial Life. arXiv:1812.05433v2 [nlin.CG] 21 Dec 2018.

5. Дунин-Барковский ВЛ, Соловьева КП. Принцип Павлова в проблеме обратного конструирования мозга. XVIII Международная конференция Нейроинформатика-2016. Сборник научных трудов, Часть 1. Москва, Национальный исследовательский ядерный университет «МИФИ», 2016; 11-23.

6. Dunin-Barkowski W, Solovyeva K. Pavlov Principle and Brain Reverse Engineering. IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology, CIBCB-2018. Saint Louis, Missouri, USA. 2018; Paper #37: 1-5. DOI: 10.1109/CIBCB.2018.8404975.

7. Shakirov VV, Solovyeva KP., Dunin-Barkowski WL. Review of State-of-the-Art in Deep Learning Artificial Intelligence. Optical Memory and Neural Networks. 2018; 27 (2): 65-80. DOI: 10.3103/S1060992X18020066.

8. Dunin-Barkowski WL., Shakirov VV. A Way toward Human Level Artificial Intelligence. Optical Memory and Neural Networks. 2019; 28 (1): 21-26. DOI: 10.3103/S1060992X19010041.

9. Varlamov OO. Wi!Mi Expert System Shell as the Novel Tool for Building Knowledge-Based Systems with Linear Computational Complexity. The International Review of Automatic Control (IREACO). 2018; 11 (6): 314-325. DOI.org/10.15866/ireaco.v11i6.15855.

10. Varlamov OO, Chuvikov DA, Adamova LE, Kolesnichenko OYu, Petrov MA, Zabolotskaya IK, Zhilina TN. Logical, Philosophical and Ethical Aspects of AI in Medicine. International Conference on Computer Science and Information Technology (ICCSIT-2018), International Journal of Machine Learning and Computing. 2019. В печати.

11. Booth Jo, Booth Ja. Marathon Environments: Multi-Agent Continuous Control Benchmarks in a Modern Video Game Engine. arXiv:1902.09097v1 [cs.AI] 25 Feb 2019.

12. Pathak D, Lu C, Darrell T, Isola P, Efros AA. Learning to Control Self-Assembling Morphologies: A Study of Generalization via Modularity. arXiv:1902.05546v1 [cs.LG] 14 Feb 2019.

13. Tassa Y, Doron Y, Muldal A, Erez T, Li Y, Lillicrap T et al. Deepmind control suite. arXiv:1801.00690v1 [cs.AI] 2 Jan 2018.

14. Wang R, Lehman J, Clune J, Stanley KO. Paired Open-Ended Trailblazer (POET): Endlessly Generating Increasingly Complex and Diverse Learning Environments and Their Solutions. arXiv:1901.01753v3 [cs.NE] 21 Feb 2019.

15. Gopalakrishnan A, Mali A, Kifer D, Lee Giles C, Ororbia AG. A Neural Temporal Model for Human Motion Prediction. arXiv:1809.03036v4 [cs.CV] 6 Dec 2018.

16. Hernandez-Ruiz A, Gall J, Moreno-Noguer F. Human Motion Prediction via Spatio-Temporal Inpainting. arXiv:1812.05478v1 [cs.CV] 13 Dec 2018.

17. Qiu J, Huang G, Lee TS. A Neurally-Inspired Hierarchical Prediction Network for Spatiotemporal Sequence Learning and Prediction. arXiv:1901.09002v1 [cs.NE] 25 Jan 2019.

18. Liu S, Lever G, Merel J, Tunyasuvunakool S, Heess N, Graepel T. Emergent Coordination Through Competition. arXiv:1902.07151v2 [cs.AI] 21 Feb 2019.

19. Sutskever I, Martens J, Hinton GE. Generating Text with Recurrent Neural Networks. 28th International Conference on Machine Learning (ICML-11). 2011; 1017-1024.

20. Radford A, Jozefowicz R, Sutskever I. Learning to Generate Reviews and Discovering Sentiment. arXiv:1704.01444v2 [cs.LG] 6 Apr 2017.

21. Radford A, Narasimhan K, Salimans T, Sutskever I. Improving Language Understanding by Generative Pre-Training, 2018. Improving Language Understanding by Generative Pre-Training

22. Radford A, Wu J, Child R, Luan D, Amodei D, Sutskever I. Language Models are Unsupervised Multitask Learners, 2019. https://github.com/openai/gpt-2.

23. Yogatama D, De Masson d'Autume C, Connor J, Kocisky T, Chrzanowski M, Kong L et al. Learning and Evaluating General Linguistic Intelligence. arXiv:1901.11373v1 [cs.LG] 31 Jan 2019.

24. Wang A, Cho K. BERT has a Mouth, and It Must Speak: BERT as a Markov Random Field Language Model. arXiv:1902.04094v1 [cs.CL] 11 Feb 2019.

25. Houlsby N, Giurgiu A, Jastrzebski S, Morrone B, De Laroussilhe Q, Gesmundo A et al. Parameter-Efficient Transfer Learning for NLP. arXiv:1902.00751v1 [cs.LG] 2 Feb 2019.

26. Lee J, Yoon W, Kim S, Kim D, Kim S, So CH et al. BioBERT: a pre-trained biomedical language representation model for biomedical text mining. arXiv:1901.08746v3 [cs.CL] 3 Feb 2019.

27. Aharoni R, Johnson M, Firat O. Massively Multilingual Neural Machine Translation. arXiv:1903.00089v1 [cs.CL] 28 Feb 2019.

28. Lample G, Conneau A. Cross-lingual Language Model Pretraining. arXiv:1901.07291v1 [cs.CL] 22 Jan 2019.

29. Nachmani E, Wolf L. Unsupervised Polyglot Text To Speech. arXiv:1902.02263v1 [cs.LG] 6 Feb 2019.

30. Engel J , Agrawal KK, Chen S, Gulrajani I, Donahue C, Roberts A. GANSynth: Adversarial Neural Audio Synthesis. arXiv:1902.08710v1 [cs.SD] 23 Feb 2019.

31. Haque A, Guo M, Verma P, Fei-Fei L. Audio-Linguistic Embeddings for Spoken Sentences. arXiv:1902.07817v1 [cs.SD] 20 Feb 2019.

32. Gupta A, Vedaldi A, Zisserman A. Learning to Read by Spelling: Towards Unsupervised Text Recognition. arXiv:1809.08675v2 [cs.CV] 9 Dec 2018.

33. Duarte A, Roldan F, Tubau M, Escur J, Pascual S, Salvador A et al. Wav2Pix: Speech-conditioned Face Generation using Generative Adversarial Networks. arXiv:1903.10195v1 [cs.MM] 25 Mar 2019.

34. Yang D, Hong S, Jang Y, Zhao T, Lee H. Diversity-sensitive conditional generative adversarial networks. arXiv:1901.09024v1 [cs.LG] 25 Jan 2019. URL: https://sites.google.com/view/iclr19-dsgan/.

35. Finlayson SG, Bowers JD, Ito J, Zittrain JL, Beam AL, Kohane IS. Adversarial attacks on medical machine learning. Science, 2019; Vol. 363 (6433):1287-1289. DOI: 10.1126/science.aaw4399.

36. Finlayson SG, Chung HW, Kohane IS, Beam AL. Adversarial Attacks Against Medical Deep Learning Systems. arXiv:1804.05296v3 [cs.CR] 4 Feb 2019.

37. Kolesnichenko Yu, Kolesnichenko O, Smorodin G. 3-Dimensional Vector Analysis of 2-Dimensional Ultrasound Diagnostic Images. 21st Conference of Open Innovations Association FRUCT, University of Helsinki, Finland, 2017; 428-434.

38. HMA-EMA Joint Big Data Taskforce, Summary report. Heads of Medicines Agencies EU, European Medicines Agency.EMA/105321/2019.13 February 2019, 48.

Ключевые слова: искусственный интеллект, искусственные нейронные сети, большие данные, Artificial Intelligence, Artificial Neural Networks, Big Data


Вернуться назад

Архив номеров
Archive of "Remedium"

2018.jpg
2017.jpg
2016.jpg
2015.jpg
2014.jpg
2013.jpg
2012.jpg
2011.jpg
2010.jpg
2009.jpg
2008.jpg
2007.jpg
2006.jpg
2005.jpg
2004.jpg
2003.jpg
2002.jpg


Издание зарегистрировано в Комитете по печати РФ
Рег. свидетельство ПИ №77-1138,
выдано 25.11.1999
об издании/about реклама/advertising подписка/subscription архив/archive контакты/contactусловия использования материалов
Яндекс цитирования
Rambler's Top100
Rambler's Top100

© Remedium 2014-2019
Все права защищены