جالب است بدانید طبق گزارش یکی از مراکز علمی کانادا، پلتفرم اطلاعاتی بلودات برنامه‌ایی بود که قبل از پزشکان و دانشمندان توانست ویروس کووید ١٩ را در جهان شناسایی کند به همین دلیل دانشمندان بیان می‌کنند که ممکن است هوش مصنوعی در تشخیص بیماری‌های همه‌گیر آتی موثر باشد.
بنیانگذار یک شرکت کانادایی که جزء اولین شرکت‌هایی بود که کووید ١٩ را شناسایی کرد، می‌گوید همانطور که از هوش مصنوعی (AI) برای شناسایی و هشدار دادن به مردم در مورد آخرین بیماری همه‌گیر استفاده شده است، اما اگر روش‌های برای مدیریت این تکنولوژی به وجود نیاید، همین فناوری می‌تواند منجر به انتشار اطلاعات نادرست شود.
دکتر «کامران خان»، متخصص بیماری‌های عفونی و موسس پلتفرم اطلاعاتی بلودات «BlueDot»، می‌گوید: «از آنجایی که پزشکان، دانشمندان و سیاست‌گذاران بهترین کاربرد هوش مصنوعی را کمک به ردیابی بیماری‌های احتمالی همه‌گیر آتی می‌دانند، اولین قدم این است که اطمینان حاصل کنیم که در این مسیر هیچ آسیب احتمالی ایجاد نکنیم.»
«خان» هشدار می‌دهد که مدل‌های زبان بزرگ (LLM) که اساساً الگوریتمی است که می‌تواند مجموعه‌های عظیمی از داده‌ها را برای پیشبینی و تولید متون در نظر بگیرد، می‌تواند در معرض ایجاد «توهم» یا ساختن چیزهای ساختگی قرار گیرد.
تشخیص و پیشبینی کووید ١٩
پلتفرم بلودات، مستقر در تورنتو، جزو اولین گروه‌هایی بود که علائم آنچه را که بعداً SARS-CoV-2 نامیده شد و ویروس کرونا که باعث بیماری کووید ١٩ شد، را شناسایی کرد.
این شرکت، این کار را با استفاده از هوش مصنوعی و جست‌وجوی ده‌ها هزار مقاله به ده‌ها زبان روز دنیا انجام داد، که در نهایت منجر به یافتن مقاله‌ای درباره یک «ذات الریه با علت ناشناخته» در صبح روز ٣١ دسامبر ٢٠١٩ شد.
بلودات در همان روز و تقریباً یک هفته قبل از اینکه مراکز کنترل و پیشگیری از بیماری‌های ایالات متحده و سازمان بهداشت جهانی هشدارهای خود را صادر کنند، هشداری را برای مخاطبین خود ارسال کرد.
در ماه ژوئن، سازمان بهداشت عمومی هاروارد گزارش داد که پس از ارسال هشدار بلودات، پایگاه مشتریان این شرکت تا ۴٧۵ درصد افزایش یافت.
استفاده از هوش مصنوعی برای پیشبینی بیماری‌های نوظهور
مطالب زیادی درباره مزایای هوش مصنوعی نوشته شده است، از جمله این موارد می‌توان به این موضوع اشاره کرد که این تکنولوژی می‌تواند با سرعتی بالا، به شناسایی یک بیماری نوظهور و ارسال سیگنال‌های هشدار اولیه کمک کند.
خان می‌گوید که هدف او از تأسیس بلودات، احساس نیاز به پاسخگویی سریع و دقیق به شرایط اضطراری بیماری‌های عفونی در جامعه بوده است و گاها باید از روش‌هایی که پیاده سازی آن لزوماً در عرصه دانشگاهی امکان‌پذیر نیست، استفاده کرد.
او می‌گوید: «ما باید از جدیدترین فناوری‌ها و نوآوری برای غلبه بر این مشکل استفاده کنیم، مشکلی که فقط برای کانادا نیست، بلکه در واقع برای کل جهان است.»
سازمان همکاری اقتصادی و توسعه در آوریل ٢٠٢٠ گفت، در حالی که هوش مصنوعی یک «نوشدارو و راه حلی معجزه آسا» نیست، اما سیاست‌گذاران باید تمام جهانیان را به اشتراک‌گذاری داده‌های پزشکی، مولکولی و علمی تشویق کنند تا به محققان هوش مصنوعی کمک کنند که ابزارهایی بسازند که به جامعه پزشکی کمک کند و سیستم‌های هوش مصنوعی را قابل اعتمادتر سازد.
«زهرا شاکری»، استادیار انفورماتیک سلامت و تجسم اطلاعات در دانشگاه تورنتو، به سی‌بی‌سی گفت: «به جای تجزیه و تحلیل دستی، شروع برچسب‌گذاری داده‌ها یا صرف زمان برای ادغام داده‌های حاصل از منابع مختلف، ماژول‌های هوش مصنوعی می‌توانند داده‌ها را پردازش کرده و اطلاعات روشن‌تری را برای تصمیم‌گیرندگان در این زمینه‌ها تولید کنند.»
ترکیبی یکپارچه از کارشناسان
شاکری که یکی از اعضای مؤسسه همه‌گیری T’s و مدیر آزمایشگاه هایو اسکول است، اضافه می‌کند که اگرچه هوش مصنوعی می‌تواند به بهبود آمادگی و انعطاف‌پذیری سیستم مراقبت‌های بهداشتی کمک کند، اما نمی‌تواند تنها ابزاری باشد که بتوانیم برای رسیدن به نتیجه نهایی از آن استفاده کنیم.
به گفته او، مدل‌های هوش مصنوعی مولد با تلاش برای تشخیص روابط بین کلمات کار می‌کنند و همواره به واقعیت‌ها وفادار نیستند و می‌توانند اطلاعات نادرست را نیز به اشتراک بگذارند.
یکی از راه‌حل‌های مقابله با این مشکل می‌تواند این باشد که از متخصصان حوزه‌های مختلف کمک گرفته تا بفهمیم چه اطلاعاتی درست است تا به این ترتیب مدل‌های هوش مصنوعی بهتر بتوانند اطلاعات نادرست را تشخیص دهند. افزایش آگاهی عمومی در مورد مضرات احتمالی اطلاعات تولید شده توسط هوش مصنوعی نیز می‌تواند کمک کننده باشد.
اما «شاکری» می‌گوید که همچون دوران ظهور انرژی هسته‌ای، رهبران، حکمرانان، پژوهشگران، سیاست‌گذاران و سهامداران بیشتری از بخش‌های مختلف باید برای رسیدگی به این موضوع و چالش‌های آن گرد هم آیند.
شاید صحبت در مورد این مفاهیم بسیار ساده به نظر برسد، اما وقتی نوبت به اجرای راه حل‌ها می‌رسد، نیاز به تخصص و پشتیبانی‌های بیشتر حس می‌شود. همچنین ترکیب یکپارچه‌ای از کارشناسانی که این مشکل را درک می‌کنند، می‌تواند به کار بیاید.
شاکری می‌گوید: «برای مثال، من به عنوان یک پزشک، اپیدمیولوژیست هستم. ما متخصصین دیگری در زمینه دامپزشکی داریم، برخی دیگر در زمینه بهداشت عمومی کار می‌کنند و حوزه پزشکی و درمان باید با دانشمند داده، متخصصان یادگیری ماشین و مهندسانی که تولید کننده تکنولوژی‌های جدید هستند برای ایجاد زیرساخت‌ها همکاری کنند.»
