A mai számítógépes algoritmusok hihetetlen feladatokat végeznek el kiemelkedő pontossággal, óriási léptékben, szinte emberi intelligenciával. Ezt a számítógépes intelligenciát gyakran MI-nek nevezik, vagyis mesterséges intelligenciának. Várhatóan hihetetlen hatása lesz jövőbeli életünkre. Jelenleg azonban még kemény kihívásokkal nézünk szembe számos halálos betegség felismerésében és diagnosztizálásában, például fertőző kórok és rák esetében. Évente betegek ezrei halnak meg májrákban és szájrákban. Akkor tudunk legjobban segíteni azoknak, akik ezektől szenvednek, ha időben felismerjük és diagnosztizáljuk a kórt. De hogyan ismerjük fel ezeket napjainkban, és hogyan segíthet ebben az MI? Azoknál a betegeknél, akiknél sajnos felmerül a kór gyanúja, egy szakorvos mindenekelőtt nagyon drága orvosi képalkotó eljárást rendel el, például fluoreszcens képalkotó eljárást, CT-, MRI-vizsgálatokat. A képek ismeretében egy másik szakorvos felállítja a diagnózist, és beszél a beteggel. Mint látják, ez hatalmas erőforrás-igényű folyamat, mely kétféle szakorvost, drága orvosi képalkotó eljárásokat igényel, és a fejlődő világban nem bizonyult praktikusnak. Valójában számos másik, iparilag fejlett országban sem az. Megoldható-e ez a probléma mesterséges intelligenciával? A mai hagyományos mesterséges intelligencia-rendszerekkel a probléma megoldásához mindenekelőtt tízezres – ismétlem: tízezres nagyságrendű ilyen drága orvosi képre lenne szükség. Ezután szakorvoshoz fordulnék, aki kielemezné nekem ezeket a képeket. Majd ezzel a két információval szabványos mély neurális hálót vagy mély tanulási hálót taníthatok be a beteg diagnózisának felállításához. Az első megközelítéshez hasonlóan a hagyományos mesterséges intelligenciai megközelítések is ugyanazzal a problémával küszködnek. Hatalmas adatmennyiség, szakorvosok és orvosi képalkotó technológiák. Kitalálhatunk-e méretezhetőbb, hatékonyabb és értékesebb mesterséges intelligencia-architektúrákat, hogy megoldjuk ezeket a nagyon fontos, ma felmerülő problémákat? Csapatom jelenleg épp ezen fáradozik az MIT Media Labnál. Feltaláltunk több rendhagyó MI-architektúrákat, hogy a mai legfontosabb kihívások egy részét megoldhassuk az orvosi képalkotásban és klinikai kísérletekben. Az előbb bemutatott példa megoldására két célt ki tűztünk ki. Első célkitűzésünk az volt, hogy csökkentsük a képek számát, amik az MI algoritmusok betanításához kellenek. Második célunk – még többet akartunk, csökkenteni akartuk a betegek átvizsgálásához szükséges, drága orvosi képalkotó technológiák használatát. Hogyan oldottuk ezt meg? Első célkitűzésünkhöz egyetlen orvosi képet fogtunk, nem pedig tucatnyi vagy több ezer nagyon drága képet, mint a hagyományos MI esetében. Csapatom és én nagyon frappáns módot találtunk ki arra, hogy abból a képből milliárdnyi információs csomagot vonjunk ki. Az információs csomagok tartalma: színek, képpontok, geometria, és a betegség leképezése az orvosi képre. Bizonyos értelemben több milliárd tanuló adatponttá konvertáljuk azt az egy képet, jelentősen csökkentve a betanításhoz szükséges adatmennyiséget. Második célkitűzésünkhöz, a betegek kivizsgálását célzó drága orvosi képalkotó technológiák alkalmazásának csökkentéséhez szabályos fehér fényű fotózással indítottunk, vagy tükörreflexes fényképezőgéppel, vagy mobilkamerával megoldva. Aztán emlékeznek arra a több milliárdnyi információcsomagra? Azokat ráfektettük az orvosi képről erre a képre, úgynevezett összetett képet alkottunk belőlük. Nagy meglepetésünkre ötven ilyen összetett kép elég volt ahhoz – mondom: csak ötven –, hogy igen nagy hatékonysággal betanítsuk ezeket az algoritmusokat. Megközelítésünk összefoglalva: tízezer nagyon drága orvosi kép felhasználása helyett szokatlan módon taníthatjuk be az MI algoritmusokat, mindössze 50 darab nagy felbontású, de közönséges fotóval, amiket tükörreflexes géppel és mobilkamerával készítettünk, és így állítjuk fel a diagnózist. Még fontosabb, hogy algoritmusaink a jövőben is, de már jelenleg is tudnak fogadni valamennyi nagyon egyszerű, fehér fényű fotót a betegtől, kiváltva a drága orvosi képalkotó eljárásokat. Hiszem: készen állunk arra, hogy olyan korba lépjünk, ahol a mesterséges intelligencia hihetetlen hatással lesz a jövőre. És szerintem, ahogy a hagyományos MI-re gondolunk, ami adatokban gazdag, ám alkalmazásokban szegény, tovább kell gondolkodnunk a nem szokványos MI-architektúrákról, amik kis adatmennyiséggel is képesek kezelni és megoldani a legfontosabb előttünk álló problémákat, különösen az egészségügyben. Nagyon szépen köszönöm. (Taps)