Səhiyyə sahəsində ən böyük və gerçəkləşməsi imkansız olan arzu – xroniki xəstəliklərin qarşısının alınmasıdır. ABŞ-da biz, hər il səhiyyəyə ayrılan 3 trilyon dolların, demək olar ki, 80%-ni xroniki xəstəliklərin öhdəsindən gəlməyə sərf edirik. Bəs onları inkişaf mərhələsində dayandırmağın bir yolu olsaydı, necə olardı?
Tibbin başqa böyük xəyalları da var. 20 il əvvəl “The Economist”də gördüyüm bir qrafiki hələ də unuda bilmirəm. Hələ o vaxt jurnal yazırdı ki, 2040-cı ilə qədər xərçəng və ürək xəstəliklərinin, 2050-ci ilə qədər isə digər çox ciddi xəstəliklərin müalicəsi mümkün olacaq, həmçinin həyatın davamlılığı 100 ilə qədər artacaq. Bunların hamısı həddindən artıq iddialı gözləntilər təsiri bağışlayırdı və əksəriyyəti bu gün də 1994-cü ildə olduğu mərhələdən irəli getməyib. Bəzi kəhanətlər, məsələn, robotlaşdırılmış cərrahiyyə və kistik fibrozun bəzi növlərinin effektiv müalicəsi, qismən də olsa, reallaşıb. Təbii ki, bu, hələ “tam sağalma” demək deyil. Yəqin ki, bu, heç kimi təəccübləndirməməlidir. Adətən, “sağalmaq” sözü, “sağlamlığın bərpası”, ya da “xəstəlikdən sağalmaq”, yaxud “xəstəliyin simptomlarının və ya vəziyyətin yüngülləşməsi” anlamını verir.
Tibdə “sağalma” halı son dərəcə azdır. Bir neçə örnək göstərmək olar, məsələn, ürək qulaqcığının fibrillyasiyası tipli aritmiyanın aradan qaldırılmasını (bəxti gətirmiş bəzi xəstələrdə), pnevmoniya halında antibiotikləri və ya hepatit C-nin yeni müalicə üsullarından birini (ən geniş yayılmış virus alt tipi genotip-1 üçün 99% sağalma).
Adətən, xəstəliyə düçar olan insan birtəhər onun öhdəsindən gəlməlidir. “The Economist”in proqnozlarına baxmayaraq, əslində, səylə xərçəngin müalicəsi üçün yollar axtaran alimlərin əksəriyyəti onu xroniki xəstəliyə çevirmək ümidilə yaşayırlar: onlar xəstəliyi tam sağaltmaqla bağlı iddialarını azaldıblar. Ürək çatışmazlığı, xroniki obstrukitv ağciyər xəstəliyi (XOAX), böyrək çatışmazlığı, serroz, demensiya, ya da hər hansı bir orqanın işində ciddi çatışmazlıq yarananda tam sağalmağa ümid yoxdur.
Bu, həddindən artıq bədbin proqnoz təsiri bağışlayır. Ancaq indi – çoxlu məlumatların, idarəolunmaz alqoritmlərin, prediktiv analitikanın, maşınların tədrisinin, genişləndirilmiş reallığın və neyromorf hesablamaların gəlişi ilə təbabət dəyişərək məlumatlar haqqında elmə çevrilir. Hələ də təbabəti yaxşılığa doğru dəyişmək və ən azı, xəstəliklər barədə qabaqcadan xəbərdarlıq etmək imkanı var. Yəni, əgər xəstəliyin nə vaxtsa özünü büruzə verəcəyi ilə bağlı dəqiq siqnal varsa və bu informasiya hərəkətə keçməyə tutarlı əsas verirsə, xəstəliyin qarşısını almaq mümkündür.
Ancaq bu arzu – sadəcə məlumatlar haqqında elmin təkmilləşdirilməsi məsələsi deyil. O, dolayı yolla tibbin demokratikləşdirilməsi ilə bağlıdır. Əgər insanlar özlərini müşahidə etmək sənətinə yiyələnməsələr, burda perspektiv gözləmək qeyri-mümkündür – “fərdiləşdirilmiş tibb” termininin ikili anlamını xatırlayın.
Xəstəlik barədə simptomların meydana çıxmasından xeyli əvvəl siqnal ala bilmək hər il həkim yoxlamasından keçməkdən yox, insanın GİS-indən (geoinformasiya sistemləri) asılıdır. Biz, üzərimizdə gəzdirdiyimiz naqilsiz kiçik cihazların və internetin köməyilə özümüzdə real zaman rejimində bədənimizi fasiləsiz müşahidə etmək qabiliyyəti inkişaf etdiririk. Bu qabiliyyət tam inkişaf edəndə (ki, bu, əvvəl-axır baş verəcək), “The Economist”in təbabətlə bağlı növbəti 30 il üçün verdiyi proqnozlar inandırıcı ola bilər. Hələlik isə, jurnal 1994-cü ildə belə proqnozlar verməyə tələsib. “Məlumatların dərin analizi” və “prediktiv analitika” terminləri o vaxt hələ dəbdə deyildi, hətta çox güman ki, heç kəşf olunmamışdı. Amma proqnozlar üçün məlumatlardan istifadə konsepsiyası – məsələn, həyatın sığortası üçün aktuar statistika – çoxdan istifadə olunur. Fərq ondadır ki, indi məlumat topluları rəqəmsaldır, daha böyük və daha zəngindir. Paralel olaraq hesablama gücü və məlumatların alqoritmik emalı da son dərəcə inkişaf edib. Məhz, bunun sayəsində “Target” bəzi alıcılarının hamilə olduğunu müəyyənləşdirir, Milli Təhlükəsizlik Agentliyi terrorçuların ifşası üçün telefonlarımızdakı zənglərdən istifadə edir, xəstəxanalar isə xroniki ürək çatızmazlığından əziyyət çəkən xəstələrdən hansının qospitalizasiyaya ehtiyacı olub-olmadığını öncədən söyləyə bilir.
ƏHALİ SƏVİYYƏSİNDƏ PROQNOZLAR
Bəzi şeyləri öncədən demək asandır və bu, intuitiv şəkildə edilir. Məsələn, tanınmış bir şəxsin xəstəliyi digər insanları internetdə həmin xəstəlik haqqında məlumat axtarmağa vadar edir. Bunun baş verəcəyini təxmin etmək çox asandır, axtarış fəallığı isə sadəcə işin kəmiyyət tərəfini əks etdirir.
Bəs, “Google”un axtarış sistemlərindən ağılla istifadə eləsək və sadəcə sorğuların sayını öyrənməklə kifayətlənməyib xəstəlik barədə əvvəldən xəbər tutsaq, nə baş verər? Bu sual bizə “Google”la bağlı qrip haqqında məşhur əhvalatı xatırladır. “Google Flu Trends” (Google-un qrip tendensiyası) təşəbbüsü 2008-ci ildə istifadəyə verilib və “böyük məlumatların analizinin gücünə əyani nümunə” kimi məşhurlaşıb. Belə ki, başlanğıcda qriplə bağlı məlumatların axtarışında 45 termindən və 29 ölkədə milyardlarla axtarış sorğusu tendensiyasından istifadə olunurdu. Daha sonra idarəolunmaz alqoritmlərin köməyilə qrip epidemiyasının qığılcımları ilə bağlı uyğunluqlar müəyyənləşdirilirdi. İdarəolunmaz deyəndə konkret hipotezaların yoxluğu nəzərdə tutulur – sadəcə 50 milyon axtarış termini və alqoritmlər öz işini görür. “Nature” və “Public Library of Science (PLos) One” da yayımlanan məqalələrində “Google”un müəllifləri, bir-iki həftəlik müvəqqəti proqnozu nəzərdə tutan adi metodlardan fərqli olaraq, internetin axtarış jurnallarından, qripə yoluxma barədə gündəlik dəyərləndirmə yaratmağa qadir olduqlarını bəyan edirdilər. 2011-ci ildə onlar, ““Google Flu Trends” təşəbbüsü, ABŞ-da, xüsusilə də epidemiyanın kulminasiya dövründə və hətta qripin yeni forması olsa belə, xəstəliyə yoluxmanın vaxtında və dəqiq dəyərləndirməsini təmin edə bilər” yazırdılar.
Amma 2013-cü ilin əvvəli qızğın ziddiyyətlərlə müşayiət olundu: məlum oldu ki, “Google Flu Trends”, qrip epidemiyasının başlanğıcını doğru dəyərləndirməyib. Bundan sonra məlumatların analizi və emalı ilə məşğul olan dörd nüfuzlu mütəxəssisdən ibarət qrup “Science”də yazmışdı ki, “Google Flu Trends”, 2011-ci ilin avqustundan etibarən hər həftə mütəmadi şəkildə qripin yayılmasını həddindən artıq yüksək rəqəmlərlə göstərib. Daha sonra sözügedən qrup, “böyük məlumatların iddialılığını”, “böyük məlumatların, verilənlərin ənənəvi şəkildə toplanması və analizini tamamlamaqdan daha çox, onları əvəz elədiyi barədə geniş yayılmış təsəvvürləri” tənqid elədi.
Onlar “Google Flu Trends”in (GFT) “alqoritm dinamikasını” kəskin tənqid edir və göstərirdilər ki, axtarış sorğularında istifadə olunan 45 termin sənədləşdirilməyib, axtarışın əsas şərtləri olan açar elementlər məqalələrdə təqdim olunmayıb, ilkin alqoritm isə mütəmadi yenilənməyə və yoxlamalara məruz qalmayıb. Dahası, GFT alqoritmi statik olsa da, axtarış sisteminin özü il ərzində, nə az, nə çox, 600 təkrar baxışa məruz qalaraq daima dəyişib. Ancaq nəticələr hazırlanarkən bu da nəzərə alınmayıb. Bu məsələ ilə bağlı başqa müəlliflər də rəylərini bildirmişdilər. Onların əksəriyyəti səbəb-nəticə əlaqəsi və kontekstin yoxluğuna deyil, qarşılıqlı əlaqəyə diqqət yetirirdilər. Seçim metodları tənqid olunurdu, çünki kraudsorsing, “Google”da axtarış aparanlarla məhdudlaşırdı.
Bundan əlavə, ciddi bir analitik problem də müşahidə olunurdu: GFT məlumatların o qədər çoxsaylı müqayisəsini aparırdı ki, təsadüfi nəticələr almaq ehtimalı vardı. Dünyanı məlumatlar vasitəsilə anlamağa çalışanda bütün bunlar adi tələyə də çevrilə bilər. Krençel və Madsberqin “Wired”də yazdığı kimi: “Böyük məlumatların iddialılığı onda deyil ki, biz alqoritm və metodlar toplusuna həddindən artıq arxayınıq, halbuki əslində onlar hələ yoxdular. Problem daha çox, bizi əhatə edən dünyanı bütünlüklə anlamaqdan ötrü kompüterin arxasında oturub rəqəmləri saf-çürük etməyin kifayət olduğuna kor-koranə inamdadır”. Bizə sadəcə məlumatlar yox, cavablar lazımdır. Tim Harford “Financial”da bununla bağlı açıq yazmışdı: “Böyük məlumatlar artıq burdadır, amma böyük aydınlanma hələ baş verməyib”.
Bəziləri, məlumatların sadəcə sanitar-epidemioloji mərkəzlərin əlavəsi olduğunu, “Google”un, heç vaxt sehrli alətə sahib olduğunu demədiyini söyləyərək GFT-ni müdafiə eləməyə başladılar. Az-çox məntiqli nəzər nöqtəsini “Böyük məlumatlarla bağlı səkkiz (yox, doqquz!) problem” (Eight (No, Nine!) Problems With Big Data) məqaləsində Hari Markusla Ernest Devis sərgilədilər: Mən artıq onların bir çox qənaətlərindən istifadə etmişəm, amma Markusla Devisin böyük məlumatlar və onların nəyi bacarıb, nəyi bacarmadığını göstərən arsız reklamla bağlı fikirlərini xüsusi xatırlatmaq lazımdır: “Böyük məlumatlar hər yerdədir. Adama elə gəlir ki, hər kəs onları toplayır, analiz edir, bundan pul qazanır, onların gücünü vəsf edir və ya onlardan qorxur… Böyük məlumatlar yoxa çıxmayacaq və belə də olmalıdır. Ancaq gəlin, realist olaq: bu, gümüş güllə deyil, məlumatları analiz edənlər üçün vacib resursdur”.
GFT ilə bağlı problemlərə baxmayaraq, bu cür addımlar nəticəsiz qalır. Alternativ və daha gec yaranmış yanaşma – yoluxma qığılcımlarını “Twitter”də aktiv əlaqə saxlayan, “mərkəzi qovşaqlar” adlandırılan insan bazasından daha az istifadə eləməklə proqnozlaşdırmaqdır. Bu halda insanlar, demək olar ki, ötürücü qismində çıxış edirlər. Bu metod virus xəstəlikləri qığılcımlarını bütün əhalinin müşahidəsi metodundan yeddi gün daha tez aşkarlamağa fürsət verirdi.
Minlərlə sosial şəbəkədə və KİV xəbərlərində axtarış aparan “HealthMap” alqoritmi eyni metodun köməyilə 2014-cü ildə Qərbi Afrikada Ebola qripi epidemiyası ilə bağlı Ümumdünya Səhiyyə Təşkilatından doqquz gün əvvəl xəbərdarlıq etmişdi.
Mən “Google”, qrip və yoluxucu xəstəliklərin epidemiyası mövzusunda ona görə bu qədər dərinə getdim ki, onlar, getdiyimiz yolun erkən mərhələlərini əks etdirirlər və tibdə genişmiqyaslı məlumatlardan istifadə edərək proqnoz verərkən başımızı itirə biləcəyimizi göstərirlər. Amma bu yolla hərəkət eləmək istəyiriksə, ondan necə çıxdığımızı bilmək vacibdir.
FƏRDİ SƏVİYYƏDƏ PROQNOZLAR
“Google Flu Trends”in etdiyi kimi, bütün əhali üzrə məlumatlarla müqayisədə, tək bir insanın detallı məlumatlarının qalan əhalinin detallı məlumatları ilə kombinasiyası metodu ilə daha güclü effekt əldə etmək mümkündür. Siz bununla əvvəllər qarşılaşmısınız. Məsələn, “Pandora” şirkəti, 200 milyondan çox qeydiyyatdan keçmiş istifadəçilər üzrə ən çox dinlənilən mahnılardan ibarət məlumat bazasına malikdir. Ümumi götürəndə, bu istifadəçilər “bəyənirəm” və “bəyənmirəm” düyməsinə 35 milyon dəfədən çox basıblar. Şirkət, kimin maşın sürəndə musiqi dinlədiyini, kimin Androidi, kimin Ayfonu olduğunu və onların hər birinin harda yaşadığını bilir. Nəticədə təkcə dinləyicinin hansı musiqini bəyənəcəyini yox, onun siyasi seçimlərini də təxmin etmək mümkündür və şirkət artıq prezident seçkiləri və konqressə seçkilər kampaniyaları zamanı məqsədli siyasi reklamlarda bundan istifadə eləyib.
“Pandora”nın baş elmi işçisi Erik Bişke hesab edir ki, onların məlumat toplama proqramları öz istifadəçilərinin mahiyyətini açmağa imkan verir. Və bu, həqiqətən, belədir, çünki mahiyyətə çata bilməkdən ötrü onlar böyük məlumatların iki layını inteqrasiya edirlər – sizin haqqınızda olan məlumatlarla milyonlarla başqa insanlar barədə məlumatları.
Pittsburq Tibbi Mərkəzi, ilk tibbi yardım məntəqələrinin xidmətindən istifadə ehtimalını proqnozlaşdırmaq məqsədilə məlumat ticarəti ilə məşğul olan “Acxiom” kimi şirkətlərdən istifadə edərək, öz pasientlərinin şopinq zamanı xarakterik davranışları da daxil olmaqla, bütün məlumatların dərin analizini aparır.
Şimali və Cənubi Karolinanın səhiyyə təşkilatı da eyni şəkildə davranır. Təşkilat yüksək dərəcəli xəstələnmə riski olan (məsələn, fastfud, siqaret, spirtli içkilər və dərmanlar almaqla) pasientləri müəyyənləşdirmək məqsədilə öz bölgəsində yaşayan 2 milyondan yuxarı insanın kredit kartları haqqında məlumat toplayır. Pittsburqda istifadə olunan prediktiv model göstərib ki, alış-verişlərini daha çox İnternet vasitəsilə edən və poçtla sifariş verən istehlakçılar ilkin tibbi yardım məntəqələrinə daha tez-tez müraciət edirlər. Ki, səhiyyə təşkilatları bunu qətiyyən müsbət hal kimi dəyərləndirmir. Mövcud pasientlərlə bağlı məlumatlar təkrar daxil olanda və sistemə böyük sayda pasientlər qoşulanda müəyyən prosesləri daha yaxşı proqnozlaşdırmaq üçün, aşkar edilən qarşılıqlı əlaqələr yeni təfərrütlarla zənginləşdirilir. Lakin gizlilik və etikliklə bağlı problemlər hələ də aktualdır.
Bu örnəklər süni intellektin – insan intellektinə bənzər intellekt sərgiləyən maşınların və ya proqram təminatlarının rudiment forması kimi nəzərdən keçirilə bilər. Bizi əhatə edən digər misallara “Google Now”, “Future Control”, “Cortana” və “SwiftKey” kimi şəxsi rəqəmsal köməkçilər daxildir. Onlar məlumatları elektron məktublardan, SMS-lərdən, qeyd kitabçalarından, gündəliklərdən, axtarış sorğularının tarixçələrindən, məkanlardan, alış-verişdən, birlikdə zaman keçirdiyiniz insanlardan, incəsənətlə bağlı maraqlarınızdan və sizin keçmişdəki davranışlarınızdan toplayır. Sadalanan tətbiqlər, haqqınızda öyrəndiklərinə əsasən, gözlənilən görüşü xatırlatmaq, yolunuzdakı tıxacları göstərmək, ya da təyyarə reysinizlə bağlı xəbərləri göstərmək üçün sizin ekranınızda peyda olur. “Future Control”, dostlarınızın “Twitter”də yazdıqlarını oxuyaraq sizə məsləhət də verə bilər: “Sevgiliniz darıxır, ona gül göndərin”. Mətn yazdığınız zaman tez-tez yanlış klavişi bassanız, “SwiftKey” buraxdığınız səhvləri seçir və düzəldir. “Google Now”, biletlərlə bağlı məlumatları əldə etməkdən ötrü aviaxətlərlə və tədbir təşkilatçıları ilə işləyir və hətta sizi qabaqcadan televiziyanın proqramı ilə təmin etməkdən ötrü televizorunuzun səsini də dinləyə bilir. Təxmin elədiyiniz kimi, bunlar, “Google Flu Trends”in uyğunluq axtarışı metodundan qat-qat güclü imkanlardır və təbabətə birbaşa aidiyyatı var.
Bu cür xəbərdarlıq gücü yalnız və yalnız süni intellektin açar xüsusiyyətinə, maşınların tədrisinə əsaslanır. Kompyüterə, ya da proqrama nə qədər çox məlumat daxil edilirsə, onlar bir o qədər çox şey öyrənir, alqoritmlər bir o qədər yaxşı olur və deməli, maşınlar daha da ağıllanır.
“Jeopardy!” (Risk elə!) televiktorinasında “IBM Watson” superkompüterinin insanlar üzərində zəfərini maşınların və süni intellektin tədrisi texnikaları təmin eləmişdi. Həmin viktorinada “Google”da cavablarını tapmaq imkansız olan suallara tez cavab vermək tələb edilir. “IBM Watson”a, “Jeopardy!” oyununun əvvəlki buraxılışlarında verilən minlərlə sualın cavabları öyrədilmişdi, superkompüter Vikipediyadakı bütün məlumatlarla silahlandırılmışdı və prediktiv modelləşdirilməyə proqramlaşdırılmışdı. Bu, gələcəkdən xəbər vermək deyil, sadəcə “IBM Watson”un doğru cavabı bildiyinin göstəricisidir. Superkompüterin gələcəkdən xəbər vermək imkanlarının kökündə Bayes şəbəkəsi, Markov zənciri, genetik alqoritmlər və istinad vekrotları da daxil olmaqla maşınların tədrisi üçün sanballı bir portfel dayanırdı.
Bu mövzuda daha dərinə getməyəcəyəm: mən bütün bunları anlamaq üçün kifayət qədər ağıllı deyiləm və xoşbəxtlikdən, bunun, bizim indi getdiyimiz yola elə bir dəxli yoxdur. Təbabət üçün süni intellektin və maşınların tədrisinin digər bir alt növü – dərin tədris daha vacib əhəmiyyət daşıyır.
“Siri”nin nitqi deşifrə etmək bacarığının, həmçinin “Google Brain”in obrazları tanımaqla bağlı təcrübələrinin arxasında dərin tədris dayanır. “Google X”in araşdırmaçıları “YouTube” videolarından 10 milyon təsvir seçiblər və onları 1000 kompüterdən ibarət şəbəkəyə buraxıblar ki, milyonlarla modelləşdirilmiş neyronlara və milyardlarla modelləşdirilmiş sinapslara malik olan “Google Brain”in müstəqil şəkildə nə təklif edə biləcəyini görsünlər. Cavab: pişiklər.
İnternet, ən azından, “YouTube” seqmenti (hansı ki, internetin kifayət qədər əhəmiyyətli hissəsini əhatə edir), pişik videoları ilə doludur. Bu kəşf, pişikləri tanımaqdan əlavə, koqnitiv hesablamarı da (neyromorf da adlanır) təsvir etmişdi.
Əgər kompüterlər, nəzəriyyənin bəyan etdiyi kimi, insan beyni ilə yarışa bilərsə, onda onların mənimsəmə, fəaliyyət və anlayışla bağlı funksional imkanlarının növbəti mərhələyə keçməsinə nail olmaq mümkündür.
Neyromorf hesablamalar sahəsi başgicəlləndirici sürətlə inkişaf edir. 2015-ci ildə kompüter gözünün dəqiqliyi – məsələn, piyadanın, dəbilqənin, velosipedçinin, avtomobilin tanınması – 23%-dən 44%-ə qədər təkmilləşib, səhvlər sıxlığı isə 12%-dən 7%-ə qədər azalıb.
Ancaq “Google Brain”in nailiyyətlərinə baxmayaraq, hələlik bizim fəxr edə biləcəyimiz bir şey yoxdur. İnsan beyni aşağı güclə – təxminən, 20 vatt – işləyir, superkompüterin işləməsi üçünsə milyonlarla vatt tələb olunur. Beyni proqramlaşdırmaq lazım deyil (hərçənd hərdən adama elə gəlir ki, o, proqramlaşdırılıb) və o, bütün ömrü boyu neyronlar itirir, lakin bu zaman ciddi funksional tükənmə baş vermir. Amma kompüter bircə çipini itirsə, xarab olar və adətən, maşınlar qarşılıqlı əlaqədə olduqları dünyaya adaptə ola bilmir.
Nyu-York Universitetinin əməkdaşı, neyrobioloq Hari Markus bu neyromorf tapşırığın gələcəyini belə ifadə edib: “Belə zamanlarda mən təməl həqiqəti xatırlamağı faydalı hesab edirəm: insan beyni – kainatdakı ən mürəkkəb orqandır və biz hələ də onun necə işlədiyini təsəvvür edə bilmirik. Kim deyir ki, onun inanılmaz gücünün surətini çıxartmaq asan olacaq?”
Buna baxmayaraq, insan beyninin son dərəcə güclü, kompüterin isə zəif olduğu nitqin, simaların, jetslər və şəkillərin tanınması istiqamətində böyük inkişaf müşahidə olunur. Mən sinxron tərcümənin köməyilə çoxlu konfranslarda iştirak etmişəm, müxtəlif ölkələrdə mühazirələr oxumuşam və bir nailiyyət məni xüsusilə heyrətləndirib: Vaxtilə “Microsoft”un elm bölməsinə rəhbərlik eləmiş Riçard Rəşid Çində mühazirə oxuyanda kompüter, nəinki mühazirəni sinxron şəkildə heroqliflərə çevirirdi, həm də Rəşidin öz səsiylə (modelləşdirilmiş) çin dilinə tərcümə eləyirdi. “Facebook”un dünyanın ən böyük fotokitabxanasına malik olan “DeepFace” proqramı, iki fotonun eyni bir adama məxsus olub-olmadığını 97,25% dəqiqliklə müəyyənləşdirə bilir. Tibbin aqibəti bəllidir.
Alimlər artıq göstərirlər ki, kompüterlər üz ifadələrini – məsələn, ağrını insanlardan daha dəqiq tanımağa qadirdir. Və kompüterlərin simaları tanıması istiqamətində inanılmaz proqres baş verir.
Stenford Universitetinin informatika üzrə mütəxəssisləri, fotoların tanınması məqsədilə 1600 kompüterin klasterindən istifadə ediblər, təcrübələr 20 min fərqli obyektin üzərində aparılıb. Bu nümunədə bizim mövzuya ən çox dəxli olan odur ki, həmin mütəxəssislər, döş xərçəngi zamanı biopsiyada götürülən örnəyin bədxassəli olub-olmadığını müəyyənləşdirməkdən ötrü dərin tədrisin vasitələrindən istifadə ediblər. Harvard Universitetinin əməkdaşı Endryu Bek döş xərçənginin diaqnostikası və fotoların avtomatik analizi əsasında sağqalma şansını proqnozlaşdırmaq üçün kompüterləşdirilmiş sistem hazırlayıb. Məlum olub ki, EHM-da məlumatların emalı patoloqlarla müqayisədə daha böyük dəqiqliyi təmin edir və bu, uzun illər ərzində diqqətdən kənarda qalan yeni əlamətləri üzə çıxartmağa kömək olur.
Və biz süni intellektin inkişafının aktiv dəstəyini də unutmamalıyıq. Məhz o, görən və eşidən cihazlar yaratmağa imkan verib. “Orcam” ötürücü-kamerası zəif görən insanların eynəklərinə quraşdırılır. Bu kamera predmetləri görür və sümüyün keçiricilik qabiliyyətindən istifadə edərək məlumatı qulaqlıqlar vasitəsilə ötürür. “GN ReSound Linx” və “Starkey” eşitmə aparatları – smartfona qoşulan tətbiqlərdir və “eşitmə qabiliyyətini itirmiş insanlara normal eşidənlərdən daha yaxşı eşitmək imkanı verir”.
Qolları və ayaqları olmayan insanlar üçün fikirlə idarə olunan əlil kresloları var – əsl bionik gələcək.. Buna görə də, təbabət süni intellektin dünyanı dəyişmək bacarığını gözdən qaçırmamalıdır. Təbii ki, texnologiyalar robot texnikası ilə asanlıqla birləşə bilər. San-Fransiskoda yerləşən Kaliforniya Universitetində xəstəxana apteki tamamilə avtomatlaşdırılıb və robotlaşdırılmış dərman preparatlarının verilməsi prosesində hələlik heç bir səhv olmayıb.
Erik Topol
Genomika üzrə professor, kardioloq, Skripps Translyasiyalı Araşdırmalar İnstitutunun direktoru.
“The Patient Will See You Now” kitabından.
Səhifəmizdə hər hansı səhv və ya qeyri-dəqiq məlumat gördükdə, həmin mətni seçib Ctrl+Enter düymələrini sıxaraq bu barədə bizə məlumat verməyinizi xahiş edirik.
