“Näib, et tehisintellekti (AI) maastik kogeb praegu oma kõige dramaatilisemat kasvu. See on korraga põnev ja segadusttekitav, arvestades, et sektor on olnud arendamisel peaaegu seitse aastakümmet,” kirjutab TalTechi doktorant Elli Valla AI buumi käsitlevas artiklis.
Juba 1950ndatel andis Norbert Wiener, matemaatika ja küberneetika pioneer, varaseid hoiatusi masinatest tulenevate eksistentsiaalsete ohtude kohta. Ta viitas omakorda 1860ndate kartustele1, et masinad hakkavad inimesi domineerima. Vastukaaluks väitis IBMi arvutiteadlane Arthur L. Samuel, kes arendas 1950ndatel välja esimese iseõppiva maleprogrammi2, et masinad on lihtsalt vahendid, ilma tahte või maagiata. 1980ndatel oli arvutirevolutsioon täies hoos ja tõi endaga kaasa arvutifoobia (computerphobia). Ka toona oldi mures, et uued masinad võivad asendada inimtööjõudu, põhjustades ühiskondlikke muutusi ja laialdast tööpuudust.
Arvestades, et 1950ndate düstoopilised ennustused ei ole materialiseerunud, kerkib küsimus: kas praegune olukord on tõesti teistsugune või on see vaid järgmine peatükk AI pikas ajaloos?
Üheks oluliseks pöördepunktiks tehisintellekti arengus oli 2010. aastatel süvaõppe (deep learning) mudelite edu Stanfordi korraldatud ImageNet3 võistlusel masinnägemises. See läbimurre tulenes mitte ainult graafikaprotsessorite (GPU) kasutuselevõtust, vaid ka suurtest kogustest sildistatud pildiandmetest ja konvolutsiooniliste närvivõrkude (CNN) rakendamisest. Need faktorid koos viisid AI-mudelite täiustamiseni pildituvastuses, mõjutades revolutsiooniliselt mitmeid tööstusharusid, sealhulgas tervishoidu. Pildituvastamise algoritmid on nüüd kriitilise tähtsusega meditsiiniliste piltide tõlgendamisel.
2017. aastal avaldas Google Braini meeskond artikli pealkirjaga „Attention Is All You Need“4, mis esitles uue põlvkonna närvivõrkude arhitektuuri nimega transformers. Alates sellest ajast on need saanud modernse loomuliku keele töötlemise (NLP) vundamendiks ja on aluseks tuntud keelemudelitele, nagu BERT ja GPT seeria, kus „T“ tähendab transformer’it.
Üheks põhjuseks, miks AI valdkond näib olevat oma kõige dünaamilisemas kasvuetapis, on AI demokratiseerimine. Võimsad keelemudelid, nagu ChatGPT, Bard, Claude ja teised, on langetanud sisenemiskünnist, lubades tehnilise taustata inimestel suhelda keeruliste AI-süsteemidega. See erineb varasematest AI arengu faasidest, mis olid peamiselt arvutiteadlaste ja spetsialiseeritud inseneride pärusmaa.
Käekirja kinemaatika diagnostiline jõud
Tarkvarateaduse instituudi doktorandi ja nooremteadurina olen näinud AI dramaatilist mõju tervishoius, täpsemalt inimese motoorse funktsiooni analüüsis.
Meie uurimistöö fookuses on AI-algoritmid, mis dekodeerivad kompleksseid inimmotoorseid võimeid. Uurimine keskendub tahvelarvutite ja AI-algoritmide kasutamisele Parkinsoni tõvega inimeste käekirjamustrite analüüsimisel5. Käekiri ei ole lihtsalt tint paberil, vaid ka aken inimese neuroloogilisse süsteemi. Kinemaatiliste parameetrite (nagu kiirus, kiirendus, trajektoorinurgad jt) analüüs AI-algoritmide abil võimaldab tuvastada peeneid kõrvalekaldeid, mis võivad olla haiguse varajaseks indikaatoriks.
Meie töö ei piirdu ainult Parkinsoni tõve uurimisega. Oleme avastanud, et käekirja analüüsimiseks kasutatavad põhimõtted on kohaldatavad ka teistes sektorites, nagu näiteks väsimuse hindamisel6. Nutitelefonide sensorid on selles kontekstis osutunud hindamatuks. Nad koguvad peenmotoorseid signaale, mis on informatiivsed kognitiivse soorituse uurimises. Nutiseadmete kaasamine meie metoodikasse on sillutanud teed kaugdiagnoosimise uuele ajastule. See on eriti kasulik liikumishäiretega inimestele, kuna vähendab vajadust sagedaste arstivisiitide järele. Seega potentsiaalne tulemus mitte ainult ei paranda patsientide tervisenäitajaid, vaid leevendab ka tervishoiusüsteemi koormust.
Meie uurimistöö on vaid üks näide AI transformeerivast potentsiaalist. Kui 21. sajand jätkub, on ilmne, et AI aitab muuta tervishoidu nii kättesaadavamaks kui ka tõhusamaks.
Keelemudelid meditsiinis: arstide digitaalsed assistendid
Keelemudelite (LLM) potentsiaal tervishoiusektoris on märkimisväärne, eriti sellistes valdkondades, nagu meditsiiniline diagnoosimine, ravisoovitused ja administratiivsed ülesanded. LLM-id võivad oluliselt kiirendada tervishoiu tööprotsesse, automaatsete rutiinsete tegevuste, näiteks meditsiiniliste andmete sorteerimise, esialgsete aruannete koostamise ja standardsetele patsiendi küsimustele vastamise kaudu. See efektiivsus võimaldab meditsiinitöötajatel keskenduda keerukamatele patsiendihoolduse aspektidele, millega praegune AI ei ole võimeline tegelema. Peale selle võimaldab rutiinsetest ülesannetest vabanemine tervishoiutöötajatel pühenduda pidevale õppimisele ja professionaalsele arengule, kiirendades meditsiini arengut.
Selles kontekstis on Google’i LLM nimega MedPaLM27 oluline verstapost. See keelemudel on peenhäälestatud tohutu andmekogumiga meditsiinilistele küsimustele ja vastustele ning oli esimene, mis saavutas „eksperdi“ taseme meditsiinilise litsentsimise eksami küsimustes. MedPaLM2 võime genereerida ja mõista meditsiiniliselt asjakohast teksti võib diagnoosimisel, ravi planeerimisel ja patsientide harimisel oluliselt kaasa aidata, tehes sellest potentsiaalse murrangulise muutuse tervishoiutehnoloogias.
Tulevik: terviseandmete digitaalsed kaksikud
Üheks revolutsiooniliseks visiooniks on patsientide „digitaalsete kaksikute“ kontseptsioon – digitaalne esitus, mis modelleerib individuaalsete biomarkerite, haigusloo ja isegi reaalajas terviseandmete unikaalset komplekti.
Kujutage ette maailma, kus arstid saaksid enne reaalse patsiendi peal rakendamist läbi viia mitmesuguseid teste ja simuleerida erinevaid ravistsenaariume digitaalsel kaksikul. See võiks drastiliselt minimeerida meditsiinilise ravi katse-eksituse meetodiga seotud riske. See annab olulise panuse täppismeditsiini, võimaldades simuleerida patsiendi digitaalse kaksiku reaktsioone erinevatele ravivõimalustele, muutes seeläbi raviprotsessi palju tõhusamaks ja kiiremaks.
Optimism ja ettevaatlikkus: tasakaalustades AI potentsiaali ja ohtu
Kuigi AI transformatiivset potentsiaali on selgelt näha, on ülioluline olla teadlik ka selle riskidest. Isiklikult kaldun optimistlikule vaatenurgale. Paljud valdkonna eksperdid arutavad juba AI ranget reguleerimist või isegi selle arengu peatamist kauge murelikkuse tõttu tehisliku generaliseeruva intelligentsuse (AGI) pärast. AGI pole veel saavutatud, kuid on olemas otseseid ja hallatavaid riske, millele peaksime keskenduma: AI-genereeritud valeinfo ehk hallutsinatsioonid8, treeningandmete tajunihked (inglise keeles bias) ning süvavõltsingu (inglise keeles deep fake) oht identiteedivarguse näol. Need probleemid võivad viia valede meditsiiniliste diagnooside, diskrimineerimise või tundliku teabe volitamata juurdepääsuni. Seetõttu on oluline mõista, et AI-genereeritud tulemusi ei tohiks pidada 100% usaldusväärseks. Teisest vaatenurgast, AI mudeleid saab treenida kahjuliku info tuvastamiseks ja märgistamiseks, toimides vastumeetmena mainitud väljakutsetele.
Kasvav hirm on ka see, et AI võib viia massilise töökoha kaotuseni, muutes paljud traditsioonilised rollid tarbetuks. Kuid on oluline mõista, et AI loob ka uusi töövõimalusi, mida varem pole olnud. Näiteks AI tõus on suurendanud nõudlust annoteerijate järele, kes märgivad ja puhastavad andmeid masinõppe mudelite treenimiseks. Samamoodi vajavad AI-toega vestlusrobotid inimlikke „treenereid“, et aidata nende algoritme täpsemaks ja detailsemaks muuta. Need on töökohad, mis tihti ei nõua erialaseid tehnilisi oskusi, muutes ülemineku nendesse rollidesse lihtsamaks.
Innovatsioon enne regulatsiooni
Kuigi need riskid on tõsised, usun, et innovatsioon peaks eelnema regulatsioonile. Me ei tohiks AI arengut takistada enneaegse ja potentsiaalselt kahjuliku regulatsiooniga. Peaksime jätkama vastutustundlikku arendamist, et riske paremini mõista ja seeläbi leevendada.
Kokkuvõttes on AI teekond täis väljakutseid, kuid need takistused pakuvad ka võimalusi täiustamiseks ja parendamiseks. Selle asemel, et peatada see paljutõotav arengutee kaugete ja spekulatiivsete riskide tõttu, peaks tasakaalustatud lähenemine keskenduma praeguste käegakatsutavate ohtude mõistmisele ja leevendamisele.
Minu arvates on tehisintellektil potentsiaali saada inimkonna kõige väärtuslikumaks liitlaseks, avades uksi arengutele, millest me oleme seni ainult unistanud.
Allikad
1 Blogileht https://newsletter.pessimistsarchive.org/p/the-original-ai-doomer-dr-norbert annab AI ajaloolise „õnnistus või hukatus“ debati osas sisuka ülevaate.
2 https://www.chessprogramming.org/Arthur_Samuel
3 https://www.image-net.org/challenges/LSVRC/
4 Vaswani, Ashish, et al. „Attention is all you need.“ Advances in neural information processing systems 30 (2017).
5 Valla, Elli, et al. „Tremor-related feature engineering for machine learning based Parkinson’s disease diagnostics.“ Biomedical Signal Processing and Control 75 (2022): 103551.
6 Valla, Elli, et al. „Transforming fatigue assessment: smartphone-based system with digitized motor skill tests.“ International journal of medical informatics 177 (2023): 105152.
7 http://sites.research.google/med-palm
8 Termin „hallutsinatsioon“ viitab olukordadele, kus tehisintellekti süsteem loob väljundeid, mis näivad usutavad, kuid on tegelikkuses kas täielikult välja mõeldud, valed või põhinevad eksiarvamusel. Sellised väljundid võivad juhtida eksiteele kasutajaid või süsteeme, kes vajavad täpseid andmeid, luues seeläbi potentsiaalseid ohte erinevates rakendusvaldkondades.
Artikkel ilmus esmakordselt Tallinna Tehnikaülikooli ajakirjas Mente et Manu oktoobris 2023.
