<\/p>\n
F\u00f6rfattare: Marcus \u00d6sterberg
\nRedakt\u00f6r: Lars Lindsk\u00f6ld
\nVersion: Webbversion 1.0
\nSl\u00e4ppt: 2018-06-06
\nCopyright: Ingen \/ CC0, exklusive bilder
\nLicens: Allm\u00e4n handling<\/p>\n
Ladda ner som ebok hos:<\/p>\n
- \n
- Apple Books\u00a0\u203a<\/a><\/li>\n
- Engelsk version hos Apple Books\u00a0\u203a\u00a0<\/a><\/li>\n
- Smashwords\u00a0\u203a<\/a><\/li>\n<\/ul>\n
\nInneh\u00e5llsf\u00f6rteckning<\/h2>\n
- \n
- Sammanfattning<\/a>\n
- \n
- Hypotes 1: bearbeta och f\u00f6rst\u00e5 anamnes och patientber\u00e4ttelser<\/a><\/li>\n
- Hypotes 2: r\u00f6st- och konversationsbaserat anv\u00e4ndargr\u00e4nssnitt<\/a><\/li>\n
- Hypotes 3: Computer Vision och deep learning<\/a><\/li>\n
- Sammanfattat<\/a><\/li>\n<\/ul>\n<\/li>\n
- Bakgrund till artificiell intelligens (AI)<\/a>\n
- \n
- Vad menas med \u201cintelligens\u201d?<\/a><\/li>\n
- AI \u00e4r inte bara en sak, men f\u00f6r det mesta \u00e4r det machine learning som avses<\/a><\/li>\n
- Tr\u00e4na upp neurala n\u00e4tverk f\u00f6r att efterlikna en hj\u00e4rna<\/a><\/li>\n
- Deep learning orsaken till f\u00f6rnyat intresse i AI<\/a><\/li>\n
- En sj\u00e4lvinstruerande maskin? Supervised vs Unsupervised vs Reinforcement vs Transfer!<\/a><\/li>\n
- Att skapa en maskin med minne f\u00f6r detaljer?<\/a><\/li>\n
- Vad \u00e4r bra nog som resultat f\u00f6r machine learning?<\/a><\/li>\n
- Styrkor som talar f\u00f6r machine learning<\/a><\/li>\n
- Vad \u00e4r bristerna idag? Toy problems, bland annat!<\/a><\/li>\n<\/ul>\n<\/li>\n
- Vad vi unders\u00f6kt<\/a>\n
- \n
- Hypotes 1: Natural Language Processing (NLP) f\u00f6r att bearbeta anamnes och patientber\u00e4ttelser<\/a><\/li>\n
- Hypotes 2: Tal- och konversationsbaserade gr\u00e4nssnitt kan underl\u00e4tta<\/a><\/li>\n
- Hypotes 3: Computer vision f\u00f6r att maskinellt se, skapa eller inspektera bilder (ibland med deep learning)<\/a><\/li>\n
- Etiska fr\u00e5gest\u00e4llningar<\/a><\/li>\n<\/ul>\n<\/li>\n
- Resultat<\/a>\n
- \n
- Kvalitativa unders\u00f6kningar<\/a><\/li>\n<\/ul>\n<\/li>\n
- Slutsats – vad vill vi g\u00f6ra fram\u00e5t?<\/a><\/li>\n
- Appendix<\/a>\n
- \n
- Ordlista<\/a><\/li>\n
- F\u00f6rdjupande material<\/a><\/li>\n
- Projektets delrapporter i utvecklingsbloggen<\/a><\/li>\n
- Tack till<\/a><\/li>\n
- K\u00e4llh\u00e4nvisningar<\/a><\/li>\n<\/ul>\n<\/li>\n<\/ul>\n
\nSammanfattning<\/h2>\n
Nedan f\u00f6ljer en sammanfattning av v\u00e5ra tre hypoteser, vad vi unders\u00f6kt och tankar fram\u00e5t. V\u00e5r avsikt har varit att unders\u00f6ka leverant\u00f6rernas erbjudande samt att f\u00e5 koll p\u00e5 hur man g\u00e5r tillv\u00e4ga f\u00f6r att g\u00f6ra grundjobbet sj\u00e4lv.<\/p>\n
Vi kan redan h\u00e4r konstatera att det inte \u00e4r artificiell intelligens (AI)<\/a> vi jobbat med utan snarare machine learning (ML)<\/a>. De personer som verkar se nyktert p\u00e5 hajpen kring AI tycks vara eniga om att ML visserligen \u00e4r ett delomr\u00e5de inom AI, i akademiska kretsar, men att vi kommer f\u00e5 v\u00e4nta minst n\u00e5gra \u00e5rtionden till innan vi har en meningsfull AI. S\u00e5 i rapporten kan vi m\u00f6jligen relatera till den f\u00f6rhoppning som finns med AI i framtiden men vi vill vara tydliga med att vi anser att machine learning \u00e4r ett mycket<\/i> l\u00e4mpligare begrepp f\u00f6r var teknikutvecklingen st\u00e5r idag. M\u00f6jligen att \u00e4ven machine intelligence<\/i>, som anv\u00e4nds en del i akademiska sammanhang, s\u00e4tter r\u00e4tt f\u00f6rv\u00e4ntningar.<\/p>\n
Hypotes 1: bearbeta och f\u00f6rst\u00e5 anamnes och patientber\u00e4ttelser<\/h3>\n
F\u00f6rst beh\u00f6ver vi g\u00f6ra \u00e5tskillnad p\u00e5 begreppen anamnes och patientber\u00e4ttelse. Med anamnes<\/a> avses i denna rapport den av v\u00e5rdpersonal inskrivna sjukdomshistorien, visserligen l\u00e4mnad av patienten vid v\u00e5rdtillf\u00e4llet, men det \u00e4r ett styrt<\/i> samtal med ett m\u00e5l om att f\u00e5 en bra helhetsbild s\u00e5 som vi i v\u00e5rden vill strukturera historien f\u00f6r att ge bakgrunden till det vi kommer att g\u00f6ra. En patientber\u00e4ttelse<\/i> d\u00e4remot \u00e4r s\u00e5 som man ber\u00e4ttar det mer spontant och i andra sammanhang. Anledningen att vi beh\u00f6ver g\u00f6ra skillnad beror p\u00e5 att vi i v\u00e5rden har m\u00e4ngder med anamnes kopplade till bes\u00f6k. N\u00e4r det g\u00e4ller ber\u00e4ttelser kan det lika g\u00e4rna vara en app i form av en h\u00e4lsodagbok, eller s\u00e5 som de utan styrning skulle logga sin h\u00e4lsa. Anamnes kan s\u00e4gas vara information given vid en viss tidpunkt och individens ber\u00e4ttelse blir information som t\u00e4cker in en tidsperiod.<\/p>\n
Genom tekniken naturlig spr\u00e5kf\u00f6rst\u00e5else<\/i>, NLP (Natural Language Processing)<\/a>, kan vi plocka ut vad en person pratar om, och vad de har f\u00f6r symptom (genom NER, Named Entity Recognition<\/a>). P\u00e5 s\u00e5 vis kan vi sl\u00e5 upp mot medicinska kodverk, v\u00e5rdplaner och riktlinjer vad som \u00e4r en l\u00e4mplig aktivitet. Under f\u00f6rstudien har vi fr\u00e4mst matchat anamnes fr\u00e5n thorax mot kodverket ICPC (International Classification of Primary Care)<\/a>. Men metoden kan naturligtvis anv\u00e4ndas med andra kodverk som anv\u00e4nds, till exempel Snomed CT, ICD-10 och KV\u00c5.<\/p>\n
N\u00e4r vi utv\u00e4rderat Amazons AWS-tj\u00e4nst f\u00f6r NLP h\u00e4lsar den v\u00e4nligt men best\u00e4mt att den inte st\u00f6djer svenska, och vi \u00e4r inte trygga med att automatiskt \u00f6vers\u00e4tta utan att f\u00f6rlora eller f\u00f6rvanska information.<\/p>\n
Men att g\u00f6ra NLP mer manuellt (och p\u00e5 svenska) verkar vara g\u00f6rbart genom ramverk som NLTK (Natural Language Toolkit)<\/a> samt att man kan bearbeta det man f\u00e5tt fram med andra tekniker inom machine learning, exempelvis deep learning<\/a>.<\/p>\n
Slutsats<\/h4>\n
En stor utmaning \u00e4r avsaknaden av strukturerad information om diagnoser, medicinska riktlinjer och liknande som kan f\u00f6rst\u00e5s av en maskin. Om den typen av information vore maskinl\u00e4sbar ist\u00e4llet f\u00f6r som PDF-filer, och att maskiner kunde utforskas s\u00e5 som vi m\u00e4nniskor kan utforska Wikipedia, skulle vi kunna \u00e5stadkomma mycket mer. Detta g\u00f6rs med en teknik kallad l\u00e4nkade data<\/a>. N\u00e5gra som f\u00f6rst\u00e5tt detta \u00e4r Socialstyrelsen med sitt API F\u00f6rs\u00e4kringsmedicinskt beslutsst\u00f6d<\/a>.<\/p>\n
En lovande avhandling presenterades p\u00e5 Chalmers under v\u00e5ren och handlar om att summera medicinska texter. Av v\u00e5r psykiatriverksamhet har vi f\u00f6rst\u00e5tt att det skulle vara extremt attraktivt som l\u00f6sning d\u00e5 deras patientjournaler tenderar att vara mycket l\u00e5nga och praktiskt taget om\u00f6jliga att l\u00e4sa igenom ordentligt inf\u00f6r varje bes\u00f6k.<\/p>\n
Hypotes 2: r\u00f6st- och konversationsbaserat anv\u00e4ndargr\u00e4nssnitt<\/h3>\n
Att enbart f\u00f6rlita sig p\u00e5 en r\u00f6stbaserad konversation som gr\u00e4nssnitt verkar idag inte m\u00f6jligt, p\u00e5 svenska. Det blir ofta missuppfattningar och fr\u00e5gan \u00e4r om man vinner n\u00e5got om anv\u00e4ndaren manuellt beh\u00f6ver r\u00e4tta det som talats in. Vi har fr\u00e4mst testat Apples SiriKit samt Microsofts Azure. Azure f\u00f6rstod inte vad vi sa ens n\u00e4r vi valt att l\u00e4sa upp en viss replik fr\u00e5n Gudfadernfilmerna, inte ens efter tre f\u00f6rs\u00f6k, trots att den visste vilken repliken var. Visserligen gjordes testet i en st\u00f6kig milj\u00f6, men det \u00e4r nog inte en orimlig ljudbild f\u00f6r ett realistiskt anv\u00e4ndarscenario, tycker vi.<\/p>\n
Vi har ocks\u00e5 utv\u00e4rderat de smarta h\u00f6gtalarna Google Home och Amazons Alexa f\u00f6r att t\u00e4nka in vilken utrustning en anv\u00e4ndare skulle kunna ha hemma n\u00e4r de beh\u00f6ver komma i kontakt med v\u00e5rden i framtiden. Dessa tv\u00e5 talar inte svenska, men f\u00f6r n\u00e5gra av landets mindre spr\u00e5k kan liknande prylar bli relevanta snabbare \u00e4n f\u00f6r majoriteten av svenskar.<\/p>\n
Det vi l\u00e4rt oss fr\u00e5n testerna med r\u00f6ststyrda prylar \u00e4r att de \u00e4r fantastiska f\u00f6r de som av en eller annan anledning har sv\u00e5rt att skriva, stava eller l\u00e4sa, men kan tala alldeles utm\u00e4rkt.<\/p>\n
\u201cEn vanlig bed\u00f6mning \u00e4r att 5\u20138 procent av befolkningen i den l\u00e4skunniga delen av v\u00e4rlden har l\u00e4s- och skrivsv\u00e5righeter av dyslektisk art.\u201d
\n\u2013 Svenska Dyslexif\u00f6reningen<\/a><\/p><\/blockquote>\nOch \u00e4rligt talat, \u00e4ven vi som inte har sv\u00e5righeter k\u00e4mpar nog ibland med ord vi inte \u00e4r vana vid att se i skrift men vet vad det heter. Ett konversationsbaserat, eller r\u00f6ststyrt, gr\u00e4nssnitt kan g\u00f6ra v\u00e5rden mer tillg\u00e4nglig f\u00f6r de med funktionsneds\u00e4ttningar.<\/p>\n
Slutsats<\/h4>\n
V\u00e5r slutsats \u00e4r att man med f\u00f6rdel erbjuder b\u00e5de tal och tangentbord n\u00e4r text ska matas in. N\u00e4r tal anv\u00e4nds beh\u00f6ver man dock f\u00e5 chansen att r\u00e4tta texten innan den skickas, anv\u00e4nds eller lagras.<\/p>\n
Hypotes 3: Computer Vision och deep learning<\/h3>\n
Att anv\u00e4nda de stora molnleverant\u00f6rernas f\u00e4rdiga tj\u00e4nster f\u00f6r en meningsfull bildigenk\u00e4nning inom medicinen tycks om\u00f6jligt. Vi har s\u00e4rskilt utv\u00e4rderat Microsofts Azure och Amazons AWS. R\u00f6ntgenbilder p\u00e5 h\u00e4nder beskrivs som \u201cA white vase on a table\u201d. En man tillbakalutad p\u00e5 brits som f\u00e5r spruta i armen taggas som \u201cperson, indoor, sitting, using, woman, holding, bed, table, hand, top, green, young, white, cutting, food, man, playing\u201d d\u00e4r \u201dusing\u201d<\/i> m\u00f6jligen f\u00f6rklarar sprutan trots att vi hellre sett taggen \u201csyringe\u201d.<\/p>\n
Slutsats<\/h4>\n
Dock kan vi alltid backa tillbaka och g\u00f6ra grovjobbet sj\u00e4lva. D\u00e5 handlar det om att maskinellt dokumentera geometrin bakom en d\u00e5lig leverfl\u00e4ck, eller vad man nu vill identifiera. Detta verkar fr\u00e4mst g\u00f6ras med att jobba fram modeller s\u00e5 man maskinellt kan uppt\u00e4cka saker (feature detectors<\/a>) och jobba med neurala n\u00e4tverk (troligen av sorten convolutional<\/a>). Det \u00e4r ett t\u00e4nkbart sp\u00e5r f\u00f6r en forts\u00e4ttning.<\/p>\n
Sammanfattat<\/h3>\n
Vi kan dessv\u00e4rre konstatera ett antal hinder:<\/p>\n
- \n
- Att svenska inte \u00e4r ett prioriterat spr\u00e5k vilket g\u00f6r det sv\u00e5rt att jobba med NLP eller att k\u00f6pa in tj\u00e4nster. M\u00f6jligen kommer vissa av v\u00e5ra minoritetsspr\u00e5k att f\u00e5 st\u00f6d innan det kommer f\u00f6r svenska.<\/li>\n
- Att medicinskt inneh\u00e5ll inte k\u00e4nns igen i de f\u00e4rdiga l\u00f6sningarna hos de stora leverant\u00f6rerna.<\/li>\n
- Det finns f\u00e5 f\u00e4rdiga<\/i> produkter att k\u00f6pa in, eller hyra, som \u00e4r anv\u00e4ndbara till n\u00e5got meningsfullt. Ganska ofta h\u00e4nvisas det till en os\u00e4kerhet om ansvaret samt att leverant\u00f6rerna fortfarande inte riktigt best\u00e4mt sin aff\u00e4rsmodell (kanske f\u00f6r att det \u00e4r lite oklart var det st\u00f6rsta v\u00e4rdet finns).<\/li>\n<\/ul>\n
Det vi kan anv\u00e4nda de stora molnleverant\u00f6rerna Amazon, Google och Microsoft till \u00e4r att hyra ber\u00e4kningskraft f\u00f6r att tr\u00e4na v\u00e5ra egna modeller inom machine learning. F\u00e4rdiga l\u00f6sningar tycks de inte ha (\u00e4nnu), \u00e5tminstone inte inom ett medicinskt anv\u00e4ndningsomr\u00e5de.<\/p>\n
NLP \u00e4r mest lovande<\/h4>\n
Mest lovande f\u00f6r en forts\u00e4ttning \u00e4r beslutsst\u00f6d vid egenv\u00e5rd\/sj\u00e4lvtriage, samt att skapa olika informationstj\u00e4nster baserade p\u00e5 individens besv\u00e4r. Triage<\/a> \u00e4r en metod f\u00f6r att sortera och prioritera patienters behov baserat p\u00e5 deras anamnes, symtom och ibland data om puls, andning, kroppstemperatur, etc. P\u00e5 en akutmottagning \u00e4r det vanligen den f\u00f6rsta bed\u00f6mningen du f\u00e5r innan du antingen f\u00e5r v\u00e4nta p\u00e5 din tur eller som i akuta fall kommer f\u00f6rst i k\u00f6n.<\/p>\n
Anamnes \u00e4r intressant i kombination med NLP-teknik eftersom vi d\u00e5 kan matcha anamnes mot medicinska vokabul\u00e4r som SnoMED-CT, ICD-10, ICPC med flera. Det ger en \u00f6kad struktur p\u00e5 fritext och kan d\u00e5 b\u00e4ttre komplettera \u00f6vriga data n\u00e4r vi tr\u00e4nar upp ett neuralt n\u00e4tverk.<\/p>\n
V\u00e5r bed\u00f6mning \u00e4r att de ML-funktioner som finns f\u00f6r enkel anv\u00e4ndning p\u00e5 molnleverant\u00f6rernas tj\u00e4nster inte \u00e4r redo f\u00f6r en meningsfull anv\u00e4ndning av bilder \u00e4nnu. Inte heller st\u00f6ds svenska som spr\u00e5k vid NLP, med IBM som undantag d\u00e4r tre av nio NLP-funktioner st\u00f6ds \u00e4ven p\u00e5 svenska.<\/p>\n
Med andra ord beh\u00f6ver vi sj\u00e4lva ta ett st\u00f6rre tekniskt ansvar om vi ska f\u00e5 ML att h\u00e4nda, alternativt s\u00e5 v\u00e4ntar vi och hoppas p\u00e5 att n\u00e5gon annan l\u00f6ser v\u00e5ra problem \u00e5t oss. Men att anv\u00e4nda samma teknik som \u00e4r tillg\u00e4nglig f\u00f6r resten av v\u00e4rlden kanske inte ger en topplacering inom v\u00e4rldens eh\u00e4lsa till 2025? Kanske m\u00e5ste vi g\u00f6ra mesta m\u00f6jliga av v\u00e5r egen unika kompetens, b\u00e5de det tekniska samt v\u00e5rdande?<\/p>\n
Omv\u00e4rldskoll p\u00e5 Vitalis-konferensen 2018<\/h4>\n
Lite nedsl\u00e5ende \u00e4r att ingen av de l\u00f6sningar som visats upp som AI under Vitalis 2018 verkar ha kommit s\u00e5 l\u00e5ngt att de g\u00e5r att anv\u00e4nda. Dels tycks de bygga p\u00e5 massor med manuellt strukturerad information, i form av triageprotokoll, eller beslutstr\u00e4d<\/a> f\u00f6r dig som \u00e4r tekniskt lagd, f\u00f6r att ha en kunskapsmassa, men ocks\u00e5 att man inte ens anv\u00e4nt etablerad teknik f\u00f6r att l\u00e5ta maskinen ha en kontextuell f\u00f6rst\u00e5else.<\/p>\n
Ett exempel p\u00e5 en AI-sjuksk\u00f6terska f\u00f6reslog \u201csvamp i underlivet\u201d som relevant fortsatt konversation p\u00e5 besv\u00e4ret \u201cnagelsvamp\u201d. En f\u00f6rh\u00e5llandevis enkel l\u00f6sning kring olika begrepps relation skulle kunnat st\u00f6dja AI-sjuksk\u00f6terskan att nagel och underliv inte \u00e4r n\u00e4mnv\u00e4rt besl\u00e4ktade.<\/p>\n
N\u00e4sta steg – fler involverade<\/h4>\n
Mer positivt \u00e4r att vi har knutit kontakt med en l\u00e4kare p\u00e5 Sahlgrenska som delar v\u00e5r bild om forts\u00e4ttning och vi beh\u00f6ver nu hitta resurser f\u00f6r en mer storskalig utv\u00e4rdering som \u00e4r n\u00e4rmre v\u00e5rdverksamheten. Samtidigt vet vi att det finns ett f\u00f6rstudieprojekt inom VGR:s omst\u00e4llningsomr\u00e5de Digitala v\u00e5rdtj\u00e4nster som syftar till sj\u00e4lvtriage. Sj\u00e4lvtriage \u00e4r ett t\u00e4nkbart resultat av en s\u00e5n h\u00e4r satsning, en annan \u00e4r en automatiserad second opinion och kvalitetsarbete i st\u00f6rsta allm\u00e4nhet d\u00e5 det blir f\u00f6rh\u00e5llandevis enkelt att hitta avvikelser d\u00e4r diagnosen \u00e4r ov\u00e4ntad i relation till inneb\u00f6rden av anamnes, eller labbsvaret.<\/p>\n
Vi har uppvaktats av Chalmers innovationskontor och planerar f\u00f6r en gemensam forts\u00e4ttning med en NLP-forskare fr\u00e5n dem.<\/p>\n
Med tanke p\u00e5 vad vi l\u00e4rt oss om m\u00f6jligheterna med deep learning och de m\u00e4ngder med patienthistorik vi har verkar en kombination av NLP och deep learning det vi b\u00f6r fokusera p\u00e5 i ett mer storskaligt projekt.<\/p>\n
Vi hoppas kunna sammanf\u00f6ra flera parters intressen med ett gemensamt n\u00e4sta steg, n\u00e4ra v\u00e5rdverksamheten, s\u00e5 det blir verkstad och omst\u00e4llning i verkligheten!<\/p>\n
Resultatet av detta f\u00f6rstudieprojekt \u00e4r stora drag klart nu. Vi har hittat ett fokus och har f\u00f6r avsikt att utveckla det genom att s\u00f6ka medel fr\u00e5n innovationsfonden f\u00f6r 2019, samt att vi \u00e4ven kommer leta efter annan projektfinansiering.<\/p>\n
Bakgrund till artificiell intelligens (AI)<\/h2>\n
Utan att diskutera AI som begrepp i n\u00e5gra l\u00e4ngre ordalag avser vi med det begreppet i denna rapport s\u00e5 kallad sn\u00e4v AI (weak eller narrow AI<\/a>). Det vill s\u00e4ga en specialiserad, icke-generell, AI. En maskin som g\u00f6r en sak bra men inte alls begriper andra saker den inte st\u00f6tt p\u00e5. Man kan ocks\u00e5 v\u00e4lja att se AI som ett forskningsomr\u00e5de d\u00e4r machine learning \u00e4r huvudnumret. I realiteten \u00e4r det snarare machine learning vi h\u00e5ller p\u00e5 med i denna f\u00f6rstudie.<\/p>\n
Eftersom n\u00e4stan allt kallas f\u00f6r AI idag \u00e4r det sv\u00e5rt att hitta guldkornen i det som erbjuds. D\u00e4rf\u00f6r blev vi intresserade av en f\u00f6rstudie f\u00f6r att unders\u00f6ka vad av det som \u00e4r \u201cf\u00e4rdigt\u201d och paketerat inom AI som vi kan dra nytta av. Med andra ord efterstr\u00e4var vi att anv\u00e4nda det som redan \u00e4r gjort p\u00e5 det som \u00e4r ogjort, det vill s\u00e4ga matcha vad leverant\u00f6rer p\u00e5 olika niv\u00e5er har och applicera p\u00e5 v\u00e5ra datak\u00e4llor.<\/p>\n
Men vad menas med AI? En vettig definition av AI \u00e4r den som nedtecknades p\u00e5 1950-talet, n\u00e4mligen:<\/p>\n
\u201dthe capability of a machine to imitate intelligent human behavior\u201d<\/p><\/blockquote>\n
Vad menas med \u201cintelligens\u201d?<\/h3>\n
”Och dessutom lovar marknadsf\u00f6ringen betydligt mer \u00e4n vad den kan h\u00e5lla \u00e4ven n\u00e4r det g\u00e4ller \u00e4kta artificiell intelligens.\u201d
\n\u2013 Sv\u00e5rt f\u00f6r it-k\u00f6pare att hitta r\u00e4tt n\u00e4r allt kallas f\u00f6r AI (Computer Sweden)<\/a><\/p><\/blockquote>\nEtt s\u00e4tt att m\u00e4ta artificiell intelligens \u00e4r Turingtestet<\/a>. D\u00e5 ska en m\u00e4nniska bed\u00f6ma om den pratar med en maskin eller m\u00e4nniska. Men man kan ocks\u00e5 diskutera vad man menar med ordet \u201cintelligence\u201d. \u00d6vers\u00e4tter man det rakt av till svenskans \u201cintelligens\u201d kommer man ofta bli besviken p\u00e5 det AI lyckas utf\u00f6ra 2018. Men om man ist\u00e4llet j\u00e4mf\u00f6r det med hur \u201cintelligence\u201d ing\u00e5r i andra begrepp eller omr\u00e5den, som Business Intelligence (BI)<\/a> blir inneb\u00f6rden en helt annan.<\/p>\n
Men fler nyanser finns om man kollar in vad en ordbok s\u00e4ger<\/a>:<\/p>\n
”The ability to acquire and apply knowledge and skills.\u201d<\/p><\/blockquote>\n
Ja, en AI kan genom machine learning l\u00e4ra sig saker baserat p\u00e5 de data den matas med.<\/p>\n
Man kan diskutera vad man menar med \u201capply\u201d, men visst. Att applicera sin kunskap kan vara i linje med de som menar att en AI m\u00e5ste ha en kropp eller annan representation, uppn\u00e5tt medvetande, samt vara d\u00f6dlig, f\u00f6r att vara intelligent p\u00e5 riktigt. I sin mest banala form kan man ocks\u00e5 argumentera f\u00f6r att en kakst\u00e4mpel som massproducerar pepparkaksgubbar applicerar sin kunskap.<\/p>\n
Men vad menas med \u201cskills\u201d? \u00c4r det att den kan s\u00e4ga ifr\u00e5n att den inte kan dra slutsatser baserat p\u00e5 underlaget, eller att den inte tycker att det den l\u00e4rt sig kan appliceras p\u00e5 den fr\u00e5ga den f\u00e5tt? Det vi fiskar efter med detta resonemang \u00e4r att intelligens kanske kr\u00e4ver mer \u00e4n enbart gammal hederlig ber\u00e4kningskraft.<\/p>\n
”The collection of information of military or political value\u201d och ”the gathering of intelligence\u201d<\/p><\/blockquote>\n
H\u00e4r kommer vi in p\u00e5 likheten mellan AI och Business Intelligence. Att det mer handlar om vetskap, k\u00e4nnedom och insikt genom information. Den h\u00e4r definitionen av AI har vi i projektet vissa problem med. Om \u201cintelligens\u201d p\u00e5 svenska skulle handla om insamlandet av data s\u00e5 borde vi rimligen inte ha n\u00e5gon brist p\u00e5 AI-kompetens med tanke p\u00e5 att detta \u00e4r vad varje databasadministrat\u00f6r (DBA), m\u00e5nga backend-utvecklare och alla fullstack-utvecklare gjort under majoriteten av sina karri\u00e4rer.<\/p>\n
Oavsett vad man anser att en AI \u00e4r, eller hur man definierar intelligens, \u00e4r en maskin inte j\u00e4mf\u00f6rbar med en m\u00e4nniska. AI kan f\u00f6rv\u00e4ntas ha m\u00e4nskliga f\u00f6rm\u00e5gor, men dess ber\u00e4kningskraft har varit om\u00e4nsklig sedan mycket l\u00e4nge. S\u00e4tt en maskin p\u00e5 att r\u00e4kna ut genomsnittet av n\u00e5gra miljoner decimaltal och j\u00e4mf\u00f6r med en m\u00e4nniska, eller ja, du kommer inte hinna uppleva att m\u00e4nniskan blir f\u00e4rdig.<\/p>\n
AI \u00e4r inte bara en<\/i> sak, men f\u00f6r det mesta \u00e4r det machine learning som avses<\/h3>\n
AI \u00e4r ett paraplybegrepp som rymmer bland annat machine learning (ML) och resultatet av ML, att f\u00f6rst\u00e5 m\u00e4nskligt tal, att f\u00e5 en maskin att ha begrepp om visuella saker som en g\u00e5ngtrafikant framf\u00f6r ett autonomt fordon, och mycket mer.<\/p>\n
Men det mesta som kallas f\u00f6r AI kan man sortera in under machine learning. Precis som AI definierades machine learning redan p\u00e5 1950-talet. S\u00e5 h\u00e4r tyckte Arthur Samuel 1959 att man skulle beskriva machine learning:<\/p>\n
”[\u2026] field of study that gives computers the ability to learn without being explicitly programmed\u201d<\/p><\/blockquote>\n
En mer nutida definition \u00e4r den Aur\u00e9lien G\u00e9ron skrev i boken Hands-on Machine Learning with Scikit-Learn and TensorFlow:<\/p>\n
”Machine learning is the science (and art) of programming computers so they can learn from data\u201d<\/p><\/blockquote>\n
- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image24.png\")
<\/a>Bild 1: Humorsajten XKCD sk\u00e4mtar om processen f\u00f6r machine learning. (k\u00e4lla: xkcd.com\/1838\/)<\/figcaption><\/figure><\/dt>\n<\/dl>\n Som humorsajten XKCD konstaterar i ovan bild s\u00e5 \u00e4r processen inom machine learning ibland lite f\u00f6rr\u00e4disk, att man kan g\u00e5 vilse om man inte f\u00f6rst\u00e5r alla delmoment. Eller som journalisten Darrell Huff uttryckte det:<\/p>\n
”if you torture the data long enough, it will confess to anything\u201d
\n\u2013 Darrell Huff, boken How to Lie With Statistics (1954)<\/a><\/p><\/blockquote>\nMan kan allts\u00e5 f\u00e5 fram statistik som st\u00f6djer valfri slutsats. Samma problem finns med machine learning, som till stor del bygger p\u00e5 statistik och matematik. Man beh\u00f6ver veta<\/strong> att data inte \u00e4r obalanserade, \u00e4r f\u00f6rdomsfull, blivit torterade, etc.<\/p>\n
Tr\u00e4na upp neurala n\u00e4tverk f\u00f6r att efterlikna en hj\u00e4rna<\/h3>\n
Ett neuralt n\u00e4tverk l\u00e5ter sv\u00e5rare \u00e4n det \u00e4r. Det \u00e4r ett artificiellt skapat n\u00e4tverk av neuroner. Neuroner kan lika g\u00e4rna ben\u00e4mnas som hj\u00e4rncell eller nervcell. Dessa sammankopplas i ett n\u00e4tverk med hj\u00e4lp av synapser och kan p\u00e5 s\u00e5 s\u00e4tt prata med varandra.<\/p>\n
N\u00e4r det g\u00e4ller machine learning kallas denna \u201chj\u00e4rna\u201d f\u00f6r ett Artificiellt Neuralt N\u00e4tverk (ANN)<\/a>, allts\u00e5 ett skapat n\u00e4tverk av neuroner.<\/p>\n
En enskild neuron \u00e4r bra p\u00e5 n\u00e5got och blir mer v\u00e4ltr\u00e4nad \u00f6ver tid. Den upptr\u00e4nade neuronens roll kan exempelvis vara att k\u00e4nna igen din mormor, d\u00e4rav namnet p\u00e5 den hypotetiska \u201cmormor-cellen\u201d:<\/p>\n
”In the 1960s neurobiologist Jerome Lettvin named the latter idea the \u201cgrandmother cell\u201d theory, meaning that the brain has a neuron devoted just for recognizing each family member. Lose that neuron, and you no longer recognize grandma.\u201d
\n\u2013 One Face, One Neuron (Scientific American)<\/a><\/p><\/blockquote>\nT\u00e4nk att du har enorma m\u00e4ngder med s\u00e5na h\u00e4r neuroner. Det \u00e4r s\u00e5 du k\u00e4nner igen v\u00e4nner och sl\u00e4ktingar du tr\u00e4ffar ofta. N\u00e4tverket \u00e4r beslutsm\u00e4ssigt n\u00e4r du ser n\u00e5gon du k\u00e4nner igen i en folkmassa.<\/p>\n
Den mindre v\u00e4ltr\u00e4nade neuronen kan handla om att f\u00f6rs\u00f6ka k\u00e4nna igen den d\u00e4r tjejen som i andra klass flyttade till en annan stad, hon du inte haft kontakt med p\u00e5 l\u00e4nge.<\/p>\n
Deep learning orsaken till f\u00f6rnyat intresse i AI<\/h3>\n
Orsaken till att AI p\u00e5 nytt kommit i ropet beror mestadels p\u00e5 tekniken kallad deep learning (DL). Deep learning bygger vidare p\u00e5 n\u00e5gon av kategorierna av machine learning, ofta n\u00e4mnda \u00e4r; unsupervised-, supervised eller reinforcement learning.<\/p>\n
Det som DL g\u00f6r \u00e4r att ha ett oerh\u00f6rt mycket mer omfattande n\u00e4tverk \u00e4n man jobbat med tidigare. Det \u00e4r m\u00f6jligt p\u00e5 grund av b\u00e5de den ber\u00e4kningskraft som numera \u00e4r tillg\u00e4nglig, \u00e5tminstone f\u00f6r de riktigt stora organisationerna, men ocks\u00e5 f\u00f6r att m\u00e5nga hamstrat p\u00e5 sig enorma m\u00e4ngder med v\u00e4rdefulla data.<\/p>\n
- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image29.png\")
<\/a>Bild 2: Enklast t\u00e4nkbara neuralt n\u00e4tverk. Normalt sett har man massor av hidden layer som samarbetar mellan input och output.<\/figcaption><\/figure><\/dt>\n<\/dl>\n Dessa niv\u00e5er som deep learning har m\u00e5nga av kallas f\u00f6r dolda lager (hidden layers) och namnet kommer sig av att man inte ser detta p\u00e5 samma s\u00e4tt som delen d\u00e4r man stoppar in data (input layer) och lagret d\u00e4r svaret kommer ut (output layer).<\/p>\n
Vart och ett av dessa dolda lager bidrar till att f\u00f6rfina ett intryck, likt en bild p\u00e5 en sl\u00e4kting f\u00f6r att komma fram till vem som \u00e4r p\u00e5 bild. Eller om en bild ska klassificeras f\u00f6r att ta reda p\u00e5 om den f\u00f6rest\u00e4ller antingen en hund eller katt. Eller om det \u00e4r en frisk eller sjuk cell man tittar p\u00e5.<\/p>\n
Neurala n\u00e4tverk kan ha olika arkitektur beroende p\u00e5 vad det ska utr\u00e4tta. De dolda lagren kan vara kombinationer av lager med olika specialiteter. Exempelvis om man ska leta tecken p\u00e5 stroke bland bilder p\u00e5 ansikten underl\u00e4ttar det att f\u00f6rst lokalisera ansiktet i bilden s\u00e5 man kan l\u00e5ta efterf\u00f6ljande neuroner ha ett avgr\u00e4nsat omr\u00e5de f\u00f6r att lokalisera \u00f6gonlock, mungipor, kinder och s\u00e5 vidare.<\/p>\n
Deep learning drar nytta av oerh\u00f6rt m\u00e5nga lager vilket g\u00f6r det extremt komplext och ber\u00e4kningsintensivt. Det \u00e4r inte alltid realistiskt att g\u00f6ra detta sj\u00e4lv eller investera i egen ber\u00e4kningskraft.<\/p>\n
En sj\u00e4lvinstruerande maskin? Supervised vs Unsupervised vs Reinforcement vs Transfer!<\/h3>\n
N\u00e4r man l\u00e4rt en maskin n\u00e5got baserat p\u00e5 data finns det tv\u00e5 huvudsakliga arkitekturer f\u00f6r hur man drar nytta av detta. Det ena \u00e4r att man kan ha ett neuralt n\u00e4tverk som st\u00e5r redo f\u00f6r att baserat p\u00e5 det n\u00e4tverket l\u00e4rt sig svara p\u00e5 fr\u00e5gor. S\u00e4g att man skickar en ny bild till ett neuralt n\u00e4tverk som tr\u00e4nats p\u00e5 att klassificera om bilden inneh\u00e5ller en hund eller katt, d\u00e5 kommer man f\u00e5 ett svar.<\/p>\n
En helt annan arkitektur \u00e4r att spara ner dessa l\u00e4rdomar till en modell (eller ML-modell). Det kan l\u00e5ta knepigt p\u00e5 svenska, men, det handlar om att \u201cmodellera\u201d kunskapen, att oms\u00e4tta l\u00e4rdomen till n\u00e5got som kan beskrivas f\u00f6r en maskin. Och en kunskapsmodell (ML-modell) kan \u00f6verf\u00f6ras fr\u00e5n en maskin till en annan, s\u00e5 om en maskin tr\u00e4nats p\u00e5 att k\u00e4nna igen n\u00e5got kan det f\u00f6rklaras f\u00f6r en annan maskin.<\/p>\n
S\u00e5 vad menar man med l\u00e4rande? Inom machine learning pratar man oftast om antingen supervised-, unsupervised-, reinforcement, eller transfer learning.<\/p>\n
- \n
- Supervised learning (SL)<\/a> \u00e4r att datam\u00e4ngden man matar sitt neurala n\u00e4tverk med inneh\u00e5ller b\u00e5de fr\u00e5ga och facit, eller att den har \u201clabels\u201d<\/a>. T\u00e4nk p\u00e5 en l\u00e4rare som pekar p\u00e5 en karta \u00f6ver Europa och s\u00e4ger \u201cd\u00e4r ligger Tyskland, d\u00e4r ligger Italien\u201d. Efter lite tr\u00e4ning ska neuronerna b\u00f6rja kunna svara p\u00e5 om ett land \u00e4r Tyskland eller Italien.<\/li>\n
- Unsupervised learning (UL)<\/a> inneb\u00e4r att man inte har koll p\u00e5 samma s\u00e4tt utan vill att n\u00e4tverket sj\u00e4lv uppt\u00e4cker m\u00f6nster i datak\u00e4llan. T\u00e4nk p\u00e5 ett barn som sitter med en stor m\u00e4ngd legoklossar. Hur kommer barnet fram till om klossarna passar ihop? \u00c4r det storleken, f\u00e4rgen, formen eller n\u00e5got annat som \u00e4r avg\u00f6rande?<\/li>\n
- Reinforcement learning (RL)<\/a> handlar om att uppmuntra det som \u00e4r bra och att det finns n\u00e5gon form av konsekvens av det man vill undvika. Ett talande exempel \u00e4r att l\u00e4ra sig att cykla. K\u00e4nslan av frihet n\u00e4r man lyckas vingla fram \u00e4r bel\u00f6ningen och sm\u00e4rtan att cykla omkull \u00e4r det man f\u00f6rs\u00f6ker undvika. Eller p\u00e5 teknikspr\u00e5k har man en reward-funktion och en cost-funktion som styr det \u00f6nskv\u00e4rda beteendet \u00e5t r\u00e4tt h\u00e5ll.<\/li>\n
- Transfer learning (TL)<\/a> g\u00e5r ut p\u00e5 att \u00f6verf\u00f6ra en kunskapsmodell p\u00e5 ett mer eller mindre nytt omr\u00e5de f\u00f6r att l\u00f6sa andra problem \u00e4n man ursprungligen avs\u00e5g. Det har visat sig fungera att f\u00f6rst tr\u00e4na upp en ML-modell p\u00e5 att identifiera blommor, katter och andra levande objekt, f\u00f6r att sedan finjustera den p\u00e5 att bli bra p\u00e5 att klassificera hudcancer inom medicinsk bilddiagnostik.<\/li>\n<\/ul>\n
Unsupervised learning minst l\u00e4mpad f\u00f6r v\u00e5rden?<\/h4>\n
Supervised<\/i> learning fungerar f\u00f6r det exempel p\u00e5 den datak\u00e4lla vi f\u00e5tt om thorax. Det beror p\u00e5 att vi har anamnes samt tre olika l\u00e4kares diagnoskoder som baseras p\u00e5 den anamnes de l\u00e4st. Unsupervised<\/i> \u00e4r lite knepigare d\u00e5 man bara sitter p\u00e5 en massa data men inte har ett givet svar f\u00f6r vad var och en av datapunkterna inneb\u00e4r. T\u00e4nk dig att du har massor med patientber\u00e4ttelser men inte har en aning om diagnos, eller ens vilka som varit sjuka ens enligt sin egen uppfattning.<\/p>\n
Vi antar att i de fall v\u00e5rden samlat p\u00e5 sig uppgifter om patienters h\u00e4lsotillst\u00e5nd \u00e4r det med avsikten att st\u00e4lla diagnos snarare \u00e4n av n\u00e5got behov av att hamstra information. D\u00e4rmed antar vi att vi sitter b\u00e5de p\u00e5 fr\u00e5gan i form av provsvar, anamnes, r\u00f6ntgenbilder och annan data samt n\u00e5gon form av bed\u00f6mning eller klassificering.<\/p>\n
I dessa fall vore det inte meningsfullt att l\u00e5tsas som att vi inte vet svaret. Dock kan b\u00e5de supervised och reinforcement fortfarande vara relevanta. Om man spelar ut dem mot varandra tycks de ha olika ambitioner. Supervised learning handlar om att f\u00e5 en maskin att bli lika duktig som de m\u00e4nniskor som instruerar den, medan man med reinforcement inte n\u00f6dv\u00e4ndigtvis begr\u00e4nsar sig till vad instrukt\u00f6rerna \u00e4r kapabla till.<\/p>\n
Reinforcement learning \u00e4r mycket duktiga p\u00e5 begr\u00e4nsade problem, s\u00e5dant som har ett avgr\u00e4nsat regelverk. Det \u00e4r n\u00e5got oklart i vilka fall det skulle fungera i ett v\u00e5rdkontext.<\/p>\n
Att skapa en maskin med minne f\u00f6r detaljer?<\/h3>\n
- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image27.jpeg\")
<\/a>Bild 3: \u00c4r roboten intelligent eller har den \u201cbara\u201d memorerat en massa regler? (K\u00e4lla: commitstrip.com)<\/figcaption><\/figure><\/dt>\n<\/dl>\n Ett sk\u00e4mt bland utvecklare \u00e4r att det inte \u00e4r n\u00e5gon skillnad mellan en AI och n\u00e5got som programmerats med en miljon utifall-att-scenarier. Det vi utvecklare kallar if-satser. En if-sats \u00e4r som ett villkor. Typ, om det finns flintastek i aff\u00e4ren s\u00e5 k\u00f6p b\u00e5de flintastek och potatissallad till middag<\/i>. Om en maskin har miljontals s\u00e5dana regler att f\u00f6rh\u00e5lla sig till kan den b\u00f6rja bli sv\u00e5r att skilja fr\u00e5n en m\u00e4nniska i vissa fall.<\/p>\n
\u00c4r det gott nog f\u00f6r att g\u00f6ra nytta och \u00e4r det vad vi menar \u00e4r intelligent?<\/p>\n
Vad \u00e4r bra nog som resultat f\u00f6r machine learning?<\/h3>\n
- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image16.jpeg\")
<\/a>Bild 4: Micah har investerat i ett fint grafikkort (GPU) och kan nu f\u00e5r reda p\u00e5 att katten \u00e4r en hund. (K\u00e4lla:Twitter)<\/figcaption><\/figure><\/dt>\n<\/dl>\n M\u00e5nga tj\u00e4nster som bygger p\u00e5 machine learning har i b\u00e4sta fall b\u00e4ttre precision \u00e4n m\u00e4nniskor, men hur bra beh\u00f6ver det vara f\u00f6r att vara etiskt f\u00f6rsvarbart att anv\u00e4nda? Det \u00e4r en sv\u00e5r fr\u00e5ga. Anekdotiskt, vid dialog med kollegorna, verkar det finnas en konsensus att ifall en maskin g\u00f6r fel en g\u00e5ng \u00e4r det f\u00f6rf\u00e4rligt och f\u00f6r\u00f6dande f\u00f6r f\u00f6rtroendet, medan inte hela m\u00e4nskligheten d\u00f6ms ut lika l\u00e4tt vid de misstag vi redan \u00e4r vana vid. Det verkar varken r\u00e4ttvist eller rationellt.<\/p>\n
Hur unders\u00f6ker man om de tekniska l\u00f6sningarna som tagits fram \u00e4r bra nog? Ja det finns olika m\u00e5ttstockar. En som \u00e4r greppbar f\u00f6r alla \u00e4r om man \u00f6vertr\u00e4ffar professionella m\u00e4nniskor s\u00e5 pass ofta att man ersatt vissa av m\u00e4nniskans arbetsuppgifter. Att detta h\u00e4nder kan man l\u00e4sa om med j\u00e4mna mellanrum. Inte s\u00e4llan att en maskin \u00e4r mer pricks\u00e4ker \u00e4n en m\u00e4nniska n\u00e4r det g\u00e4ller att identifiera det ena eller det andra. En mer statistisk m\u00e5ttstock \u00e4r om man kunnat p\u00e5verka en informationsm\u00e4ngds relativa entropi<\/a>. Det \u00e4r ett s\u00e4tt att f\u00e5 reda p\u00e5 om information som bearbetats av en algoritm har uppn\u00e5tt mer ordning eller inte. Den n\u00f6rdige kan ocks\u00e5 l\u00e4sa p\u00e5 mer om diversity index<\/a>.<\/p>\n
Mycket inom bilddiagnostik tycks kunna g\u00f6ras av de kunskapsmodeller\/neurala n\u00e4tverk som \u00e4r resultatet av olika former av machine learning. Som att hj\u00e4lpa en m\u00e4nniska att hitta \u201cRegions of Interest (ROI)\u201d \u2013 platser i en bild d\u00e4r m\u00e4nniskan borde l\u00e4gga sitt fokus.<\/p>\n
Styrkor som talar f\u00f6r machine learning<\/h3>\n
En maskin har vissa superf\u00f6rm\u00e5gor en m\u00e4nniska har sv\u00e5rt att uppn\u00e5. En av dem \u00e4r att maskiner inte har l\u00e5gt blodsocker innan lunch, inte heller blir de tr\u00f6tta i slutet av arbetsdagen. De kan rent utav jobba under natten och presentera sina fynd n\u00e4r du sj\u00e4lv valde att sova gott, tog en v\u00e4lg\u00f6rande sovmorgon och en h\u00e4lsosam cykeltur i solen till jobbet.<\/p>\n
Till skillnad fr\u00e5n m\u00e4nniskor \u00f6kar maskiners ber\u00e4kningskraft fr\u00e5n \u00e5r till \u00e5r. Och i vissa fall kan man investera n\u00e5gra tiotals tusenlappar och f\u00e5 svaret p\u00e5 en fr\u00e5ga samma vecka ist\u00e4llet f\u00f6r n\u00e4sta \u00e5rtionde. Idag \u00e4r det antingen grafikprocessorer (GPU, Graphic Processing Units), Tensor-processorer (TPU, Tensor Processing Unit) som Google hyr ut, eller Intels FPGA (Field Programmable Gate Array), som g\u00f6r grovjobbet. Eller ja, det \u00e4r snarare datahallar fyllda av dessa man anv\u00e4nder. Eller med en egen arbetsstation med en GPU likt Nvidias CUDA f\u00f6r att som data scientist g\u00e5 fr\u00e5n utforskande av datak\u00e4lla till att provtr\u00e4na ett artificiellt neuralt n\u00e4tverk p\u00e5 en delm\u00e4ngd data. Detta f\u00f6r att unders\u00f6ka om m\u00f6jligheten att forts\u00e4tta i st\u00f6rre skala \u00e4r intressant.<\/p>\n
Vad \u00e4r bristerna idag? Toy problems, bland annat!<\/h3>\n
En sv\u00e5righet med att dra nytta av machine learning idag \u00e4r att m\u00e5nga leverant\u00f6rer menar att de erbjuder f\u00e4rdiga l\u00f6sningar, men vid n\u00e4rmare inspektion \u00e4r det kanske inte fullt s\u00e5 revolutionerande som s\u00e4ljbudskapet g\u00f6r g\u00e4llande.<\/p>\n
En annan utmaning tycks vara att m\u00e5nga leverant\u00f6rer erbjuder l\u00f6sningar p\u00e5 \u201ctoy problems\u201d. L\u00f6sningar p\u00e5 saker som inte hj\u00e4lper s\u00e4rskilt m\u00e5nga. Detta \u00e4r tydligt med de kognitiva<\/i> tj\u00e4nster som inspekterar bilder. N\u00e4r de endast kan identifiera internationella k\u00e4ndisar eller<\/i> landm\u00e4rken som Eiffeltornet \u00e4r de inte s\u00e5 v\u00e4rst anv\u00e4ndbara f\u00f6r v\u00e5rden, eller n\u00e4stan n\u00e5gon bransch.<\/p>\n
Trots att leverant\u00f6rerna har l\u00e5nga listor med mer eller mindre f\u00e4rdiga tj\u00e4nster \u00e4r det oklart vad de erbjuder som inte handlar om antingen klassisk ber\u00e4kningskraft eller toy problems<\/i>. Man kan f\u00e5 en k\u00e4nsla av att m\u00e5nga leverant\u00f6rer s\u00e4ger sig vara h\u00f6gre upp i n\u00e4ringskedjan \u00e4n de verkligen \u00e4r.<\/p>\n
Ytterligare en sv\u00e5righet \u00e4r att jobba med f\u00f6rvaltning av de kunskapsmodeller\/neurala n\u00e4tverk man tr\u00e4nat upp. Det kr\u00e4vs erfarenhet m\u00e5nga \u00e4nnu saknar att v\u00e4lja strategi kring online-learning<\/a>, batch-learning eller om man kastar ut allt vid varje iteration och b\u00f6rjar om. J\u00e4mf\u00f6r med ifall du lobotomerar\/nollst\u00e4ller dina m\u00e4nskliga medarbetare varje g\u00e5ng de ska l\u00e4ra sig n\u00e5got nytt. Antagligen inte.<\/p>\n
Det hade varit l\u00e4mpligt att kunna bygga vidare p\u00e5 andras kunskap och f\u00e4rdigtr\u00e4nade kunskapsmodeller. Kanske att man deponerade sina modeller och (l\u00e4nkade) \u00f6ppna data i en publik blockkedja? Just nu \u00e4r det p\u00e5 utvecklartj\u00e4nsten Github man oftast hittar f\u00e4rdiga l\u00f6sningar att \u00e5teranv\u00e4nda, visserligen med varierande kvalitet.<\/p>\n
Vad vi unders\u00f6kt<\/h2>\n
Vi har dels unders\u00f6kt vad som erbjuds i form av f\u00e4rdiga l\u00f6sningar av de som \u00e4r i v\u00e5rdsektorn, men ocks\u00e5 de mer klassiska teknikleverant\u00f6rerna och deras kognitiva- och AI-system man kan anv\u00e4nda via deras tj\u00e4nster p\u00e5 n\u00e4tet.<\/p>\n
Vissa produkter erbjuds som s\u00e5 kallad white label<\/i>. Det inneb\u00e4r att man kan s\u00e4tta dit sin egen logotyp p\u00e5 en i \u00f6vrigt f\u00e4rdig l\u00f6sning. Samtidigt, en av de tv\u00e5 leverant\u00f6rer som har h\u00f6rt av sig efter Vitalis f\u00f6rklarar att:<\/p>\n
”Tyv\u00e4rr har vi inte s\u00e5 mycket f\u00e4rdig teknisk dokumentation, iom att vi typiskt sett inte erbjuder en produkt mot utvecklare eller systemintegrat\u00f6rer, utan \u00e4r mer vana att leverera f\u00e4rdig helhetsl\u00f6sningar med UI+backend.\u201d<\/p><\/blockquote>\n
Med andra ord \u00e4r transparensen i l\u00f6sningen inte b\u00e4ttre \u00e4n att man manuellt m\u00e5ste provk\u00f6ra den f\u00f6r varje t\u00e4nkbar diagnos och se ifall resultatet verkar vettigt. Den andra leverant\u00f6ren som \u201dv\u00e5gat\u201d h\u00f6ra av sig vill helst ha ett m\u00f6te f\u00f6r att reda ut vilka fr\u00e5gor de ska besvara, trots att fr\u00e5gorna redan framg\u00e5tt i konversationen, i punktlista och allt…<\/p>\n
F\u00f6r att l\u00e4ra oss mer om den komplexitet dessa l\u00f6sningar inneb\u00e4r har vi ocks\u00e5 studerat utvecklarkurser samt tagit certifikat i deep learning, computer vision, NLP och GAN:s p\u00e5 kursplattformar som Udemy, samt data science hos Berkeley p\u00e5 EDX. Nedan \u00e4r lite av det vi funnit inom respektive hypotes.<\/p>\n
Hypotes 1: Natural Language Processing (NLP) f\u00f6r att bearbeta anamnes och patientber\u00e4ttelser<\/h3>\n
Det exempel p\u00e5 datak\u00e4lla vi har om thorax inneh\u00e5ller anamnes i ostrukturerad text, tre olika l\u00e4kares individuella diagnoser med diagnosklassificering enligt kodverket ICPC, samt vad de tre l\u00e4karna gemensamt kom fram till.<\/p>\n
Vi har tittat p\u00e5 datak\u00e4llan ur tv\u00e5 olika vinklar. Dels genom NLP med association likt sentiment analysis<\/a>, att se positiva och negativa indikationer (mjuk matchning). Ett mer g\u00e5ngbart alternativ visade sig vara ordmatchning mellan kodverket ICPC och anamnes-texten (h\u00e5rd matchning). Mjuk matchning kan f\u00e5nga ord som beskriver en allm\u00e4n upplevelse av h\u00e4lsotillst\u00e5ndet men tycks inte n\u00e5 fram till n\u00e5got som kan underl\u00e4tta i en v\u00e5rdsituation.<\/p>\n
NLP \u00e4r matematik, men spr\u00e5k \u00e4r m\u00e5ngtydigt. Det g\u00f6r det n\u00e5got komplicerat att implementera NLP i v\u00e5rden med tanke p\u00e5 det kontrollbehov som finns f\u00f6r att v\u00e5rdgivaren ska kunna ta ansvar.<\/p>\n
Tillsammans med experter inom psykiatri, fr\u00e5n Sahlgrenska Universitetssjukhuset, har vi inspekterat l\u00f6sningar som finns f\u00f6r att summera och navigera journaltexter. Dessv\u00e4rre har vi \u00e4ven h\u00e4r haft sv\u00e5rt att koppla en befintlig l\u00f6sning till n\u00e5got som g\u00e5r att implementera. Kanske m\u00e5ste vi ist\u00e4llet n\u00e4rma oss akademin f\u00f6r att ta med oss n\u00e5got fr\u00e5n forskningen till n\u00e5got vi kan utv\u00e4rdera och senare produktifiera tillsammans med industrin?<\/p>\n
Vi har knutit kontakter inom Chalmers via deras innovationskontor f\u00f6r att specifikt prata NLP. Vi har ocks\u00e5 intervjuat en forskare inom computational biology<\/i> och physiology driven systems biology<\/i> fr\u00e5n G\u00f6teborgs Universitet\/The Wallenberg Laboratory f\u00f6r att f\u00e5 insikter och perspektiv.<\/p>\n
Men vi har m\u00e4rkt att det inom b\u00e5de det ingenj\u00f6rsmedicinska och NLP finns resurser i G\u00f6teborg. Exempelvis denna avhandling fr\u00e5n i mars \u00e4r v\u00e4rd att utforska:<\/p>\n
\n
”In Paper III, we study the use of deep neural sequence models working on the raw character stream as input, and how this class of models can be used to detect medical terms in text (such as drugs, symptoms, and body parts). The system is evaluated on medical health records in Swedish.”
\n\u2013 Olof Mogrens disputation vid Chalmers avdelning f\u00f6r Data Science<\/a><\/p>\n<\/blockquote>\nAtt tolka vad som s\u00e4gs\/skrivs<\/h4>\n
Detta \u00e4r n\u00e5got som n\u00e5gra organisationer visade upp eller f\u00f6rel\u00e4ste om under Vitalis-konferensen 2018. Eller snarare att de hade byggt l\u00f6sningar p\u00e5 konversationsbaserad anv\u00e4ndarinteraktion (som vi kommer g\u00e5 igenom strax). Ingen av dem imponerade. Vissa av dem tycks rent utav ha en sj\u00e4lvf\u00f6rst\u00e4rkande och negativ spiral d\u00e4r de anv\u00e4nder reinforcement learning p\u00e5 den anamnes de sj\u00e4lva genererat. Det b\u00f6r bli en allt dummare AI \u00f6ver tid, s\u00e5 kallad overfitting, trots att de f\u00f6rel\u00e4ste om att deras AI blev smartare f\u00f6r varje dag. Kanske gl\u00f6mde de ber\u00e4tta om hur <\/i>den blev smartare trots intrycket av det som l\u00e4t sj\u00e4lvf\u00f6rst\u00e4rkande?<\/p>\n
- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image21.png\")
<\/a>Bild 5: Skiss p\u00e5 triage-app fr\u00e5n Region Sk\u00e5ne.<\/figcaption><\/figure><\/dt>\n<\/dl>\n Bland annat Region Sk\u00e5ne har byggt en prototyp p\u00e5 hur en s\u00e5dan tj\u00e4nst kan se ut (se ovan). Men d\u00e4r har man troligen utg\u00e5tt fr\u00e5n v\u00e5rdgivarens behov d\u00e5 man har ett g\u00e4ng delmoment innan man kommer fram till att beskriva sin h\u00e4lsa. Det \u00e4r allts\u00e5 en l\u00f6sning p\u00e5 tidsbokning d\u00e4r man f\u00f6rst senare i processen att boka en tid fr\u00e5gar hur patienten ser p\u00e5 sitt \u00e4rende.<\/p>\n
Dock kvarst\u00e5r att ge beslutsst\u00f6d kring l\u00e4mplig v\u00e5rdniv\u00e5 vilket g\u00f6r att detta \u00e4r ett komplement till befintlig prim\u00e4rv\u00e5rd, fast via via n\u00e4tet. Man missar d\u00e4rmed sj\u00e4lvtriage om man inte f\u00f6rs\u00f6ker ta ett beslut baserat p\u00e5 det man vet. I och med att l\u00f6sningen leder anv\u00e4ndaren in p\u00e5 en tidbokning innan man vet l\u00e4mplig v\u00e5rdniv\u00e5 (om ens n\u00e5gon) missar man po\u00e4ngen. Det \u00e4r en tj\u00e4nst f\u00f6r tidsbokning.<\/p>\n
- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image32.png\")
<\/a>Bild 6: Sahlgrenska akademins professor Agnes Wold om att ibland beh\u00f6ver vi varken n\u00e4tdoktorer eller andra doktorer. (K\u00e4lla:Twitter).<\/figcaption><\/figure><\/dt>\n<\/dl>\n Om man utg\u00e5r fr\u00e5n att Agnes Wold har r\u00e4tt i sitt exempel \u00e4r det dumt att man i sina smarta digitala l\u00f6sningar styr folk mot en on\u00f6dig tidsbokning n\u00e4r de borde ge somliga personer en uppmuntran att stanna hemma eller bara avvakta.<\/p>\n
F\u00f6r att det ska fungera med en mer betryggande tr\u00e4ffs\u00e4kerhet beh\u00f6ver v\u00e5rdens kunskapsmassa finnas i en f\u00f6r\u00e4dlad och maskinl\u00e4sbar form s\u00e5 man vet vilka f\u00f6ljdfr\u00e5gor som beh\u00f6ver st\u00e4llas till anv\u00e4ndaren. F\u00f6r detta tycks triageprotokoll anv\u00e4ndas idag. \u00d6versatt till ML motsvarar det ett beslutstr\u00e4d. Ing\u00e5ngsv\u00e4rdet \u00e4r patientens ber\u00e4ttelse\/anamnes och beroende p\u00e5 dess inneh\u00e5ll kan \u00e4rendet ta lite olika v\u00e4gar. Finns tecken p\u00e5 lungsjukdom hamnar man i den delen av tr\u00e4det och beh\u00f6ver st\u00e4lla vissa kontrollfr\u00e5gor. Handlar det ist\u00e4llet om ledsm\u00e4rta finns andra kontrollfr\u00e5gor f\u00f6r att kunna st\u00e4lla diagnos.<\/p>\n
Hur illa \u00e4r det f\u00f6r patienten?<\/h4>\n
Genom teknik som sentiment analysis kan man f\u00e5 en indikation om k\u00e4nslom\u00e4ssighet i patientens egen ber\u00e4ttelse. D\u00e5 vi i f\u00f6rstudien inte har tillg\u00e5ng till n\u00e5gra st\u00f6rre m\u00e4ngder patientber\u00e4ttelser har vi torrsimmat detta med en annan datak\u00e4lla ist\u00e4llet. Vi har tittat p\u00e5 produktrecensioner d\u00e4r vi haft tv\u00e5 ytterligheter; de som gav ett bra betyg och de som gav l\u00e5gt betyg. F\u00f6rutom betygen har vi sj\u00e4lva texten fr\u00e5n recensionen. Tr\u00e4nar man upp en ML p\u00e5 dessa data kan den med viss s\u00e4kerhet f\u00f6ruts\u00e4ga betyget om man matar den med en ny recensionstext.<\/p>\n
En v\u00e5rdliknelse vore att ha en datak\u00e4lla med historiska patientber\u00e4ttelser med n\u00e5gon form av bekr\u00e4ftelse ifall \u00e4rendet var av allvarlig eller harml\u00f6s karakt\u00e4r.<\/p>\n
Den h\u00e4r typen av teknik kan vara os\u00e4ker i det individuella fallet, men kan kanske f\u00e5nga upp extremerna d\u00e4r desperationen lyser igenom och n\u00e5gon form av \u00e5tg\u00e4rd \u00e4r befogad.<\/p>\n
Adaptive Boosting (AdaBoost) och Cascading classifiers<\/h4>\n
AdaBoost<\/a> och Cascading classifiers<\/a> \u00e4r meta-algoritmer inom ML och tekniker som ger ett sammanst\u00e4llt \u201cutl\u00e5tande\u201d baserat p\u00e5 m\u00e5nga signaler i det neurala n\u00e4tverket. Det \u00e4r en maskins s\u00e4tt att komma med en kvalificerad gissning ist\u00e4llet f\u00f6r att bara redovisa sannolikhet. En motsvarighet till \u201cmycket tyder p\u00e5 att\u2026\u201d, att m\u00e5nga mindre viktiga indikationer pekar p\u00e5 en viss slutsats.<\/p>\n
Inte heller f\u00f6r detta har vi en l\u00e4mplig datak\u00e4lla fr\u00e5n v\u00e5rden, s\u00e5 vi har studerat hur man g\u00f6r bin\u00e4r klassificering av om en text \u00e4r spam eller inte. N\u00e4r man matar sin ML-modell med en viss text och kr\u00e4ver ut ett svar med AdaBoost och ett utan visar det sig att AdaBoost ofta presterar b\u00e4ttre. Dock inte alltid.<\/p>\n
M\u00f6jligen minskar os\u00e4kerheten med m\u00e4ngden data. Oavsett \u00e4r det klokt att fundera p\u00e5 detta f\u00f6r den datak\u00e4lla man jobbar med och utv\u00e4rdera precisionen.<\/p>\n
Semantisk analys<\/h4>\n
Tekniken Latent Semantic Analysis (LSA)<\/a> kan anv\u00e4ndas f\u00f6r att ber\u00e4kna sl\u00e4ktskap mellan ord. Det finns en m\u00e4ngd applikationer av LSA, men i ett v\u00e5rdkontext skulle bland annat en smart synonymhantering kunna vara anv\u00e4ndbar. Som att ha en relation mellan doctor \u2192 physician. Ett annat t\u00e4nkbart omr\u00e5de \u00e4r att klassificera texter.<\/p>\n
Vissa s\u00e5na h\u00e4r tj\u00e4nster kan k\u00f6pas \u00f6ver n\u00e4tet, Infermedica<\/a> exempelvis:<\/p>\n
\n
”The Infermedica API features custom Natural Language Processing technology, allowing your applications to understand clinical concepts (symptoms and risk factors) mentioned by users as natural language text.\u201d<\/p>\n<\/blockquote>\n
\u201cTo infer\u201d, att dra slutsatser eller uttyda n\u00e5got, \u00e4r m\u00e5h\u00e4nda tydligt om vilken precision man kan f\u00f6rv\u00e4nta sig av slutsatserna. Att det \u00e4r ett f\u00f6rs\u00f6k<\/i> till f\u00f6r\u00e4dling av information.<\/p>\n
Forts\u00e4ttning p\u00e5 NLP-sp\u00e5ret: Deep learning + NLP i kombination<\/h4>\n
F\u00f6r att minska risken f\u00f6r att slutsatserna \u00e4r oprecisa beh\u00f6ver vi forts\u00e4tta unders\u00f6ka m\u00f6jligheterna. Vi tror att en kombination av stora datam\u00e4ngder, deep learning och NLP \u00e4r n\u00e4sta logiska steg.<\/p>\n
Deep learning kr\u00e4ver dessv\u00e4rre mycket<\/i> mer data \u00e4n vi har tillg\u00e5ng till i denna f\u00f6rstudie. Dock \u00e4r inte m\u00e4ngden information ett problem f\u00f6r VGR, snarare att f\u00e5 lov att anv\u00e4nda den. S\u00e5 n\u00e4sta steg g\u00e5r ut p\u00e5 att utvidga projektet med fler parter, att samarbeta med experter fr\u00e5n Chalmers och G\u00f6teborgs Universitet f\u00f6r att ta fram en specifikation f\u00f6r hur en l\u00e4mplig datak\u00e4lla ser ut.<\/p>\n
Hypotes 2: Tal- och konversationsbaserade gr\u00e4nssnitt kan underl\u00e4tta<\/h3>\n
Detta sorterar in under ML p\u00e5 grund av att det kr\u00e4vs mycket machine learning f\u00f6r att en maskin ska kunna avkoda m\u00e4nskligt tal och i b\u00e4sta fall f\u00f6rst\u00e5 avsikten m\u00e4nniskan har med det som s\u00e4gs. Det kan ocks\u00e5 handla om att lyssna p\u00e5 hur<\/i> n\u00e5got s\u00e4gs, vilka delar som betonas med eftertryck, om personens s\u00e4tt att andas medan de pratar tyder p\u00e5 n\u00e5got, och s\u00e5 vidare.<\/p>\n
Siris tolkning av nasal n\u00e4rkings \u201cHar lite ont i huvudet men m\u00e5r nog ganska bra egentligen\u201d \u00e4r inte helt perfekt.<\/p>\n
- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image30.png\")
<\/a>Bild 7: Siris tolkning av nasal n\u00e4rkings \u201cHar lite ont i huvudet men m\u00e5r nog ganska bra egentligen\u201d \u00e4r inte helt perfekt.<\/figcaption><\/figure><\/dt>\n<\/dl>\n Vi har utv\u00e4rderat tj\u00e4nster och gjort efterforskningar. N\u00e4r det g\u00e4ller att tala och bli f\u00f6rst\u00e5dd har det varit v\u00e4ldigt varierande resultat. I samtliga fall har f\u00f6rst\u00e5elsen processats i leverant\u00f6rernas egna system, s\u00e5 vi f\u00e5r v\u00e4l anta att det inte blir b\u00e4ttre just nu.<\/p>\n
Apples Siri tror att \u201cm\u00e5r nog\u201d \u00e4r \u201cj\u00e4vla hor\u201d n\u00e4r det talas in av en nasal person med l\u00e4tt n\u00e4rkingsk accent, men samma app fungerar relativt bra n\u00e4r andra talar till den.<\/p>\n
Vi har ocks\u00e5 testat det Microsoft erbjuder via Azure. D\u00e4r fick man tr\u00e4na upp maskinens f\u00f6rst\u00e5else genom att v\u00e4lja en fras att upprepa. Maskinen visste allts\u00e5 p\u00e5 f\u00f6rhand vad den skulle f\u00e5 h\u00f6ra. Trots detta och tre f\u00f6rs\u00f6k att tala in en replik fr\u00e5n f\u00f6rsta filmen i Gudfadernserien lyckades inte maskinen h\u00f6ra\/f\u00f6rst\u00e5 talet. Om man anser att det \u00e4r f\u00f6rmildrande omst\u00e4ndigheter s\u00e5 var det samma nasala n\u00e4rking som vid just detta tillf\u00e4llet satt p\u00e5 ett halvfullt kaf\u00e9 och nog var mer t\u00e4t i n\u00e4san \u00e4n vanligt med tanke p\u00e5 f\u00f6rsta \u201cfriska\u201d dagen efter en f\u00f6rkylning. Men f\u00f6r att v\u00e5rden ska kunna anv\u00e4nda dessa tj\u00e4nster kan man inte misslyckas med att hj\u00e4lpa varken nasala eller f\u00f6rkylda, och \u00e4ven n\u00e4rkingar b\u00f6r f\u00e5 hj\u00e4lp.<\/p>\n
Support i hemmet man kan tala med<\/h4>\n
Det vi l\u00e4rt oss av n\u00e5gra veckor med Google Home och Amazon Echo (mer k\u00e4nd som Alexa) \u00e4r att de i dagsl\u00e4get har sv\u00e5rt med allt svenskt. \u00c4ven om man accepterar att tala engelska till dem \u00e4r det inte helt simpelt att v\u00e4lja hur man ska uttala svenska saker s\u00e5 de f\u00f6rst\u00e5r. Exempelvis \u00e4r det ju fantastiskt att kunna fr\u00e5ga Google Home saker som n\u00e4r ens n\u00e4rmaste apotek st\u00e4nger. Men om man ska fr\u00e5ga n\u00e4r apoteket p\u00e5 en viss gata st\u00e4nger uppst\u00e5r fr\u00e5gest\u00e4llningar om uttal, eller om man ska f\u00f6rs\u00f6ka \u00f6vers\u00e4tta, eller annat.<\/p>\n
Se l\u00e4nk i appendix f\u00f6r en djupdykning i att konversera med smarta h\u00f6gtalare.<\/p>\n
Lyssna efter sjukdom?<\/h4>\n
Det mest medicinska uppslag vi n\u00e5tt f\u00f6r anv\u00e4ndning av r\u00f6stgr\u00e4nssnitt \u00e4r tipset att kontakta bland annat Araz Rawshani p\u00e5 G\u00f6teborgs Universitet<\/a>. Vad vi f\u00f6rst\u00e5tt finns forskning om hur en person l\u00e5ter som h\u00e5ller p\u00e5 att r\u00e5ka ut f\u00f6r, eller l\u00f6per stor risk att, f\u00e5 ett hj\u00e4rtstopp och att Araz troligen kan orientera oss i nul\u00e4get. F\u00f6rutom att det vore en bra varningssignal att b\u00e4dda in i v\u00e5ra telefonitj\u00e4nster, som n\u00e4r man ringer till 1177, \u00e4r det n\u00e5got som vore intressant att utv\u00e4rdera som en f\u00f6rebyggande funktion i exempelvis de appar vi tar fram f\u00f6r att tala in sin patientber\u00e4ttelse. Eller vid sj\u00e4lvtriagering. Tydligen finns biomark\u00f6rer som p\u00e5verkar andning och talet.<\/p>\n
En t\u00e4nkbar applikation \u00e4r en triagehj\u00e4lp. En guide f\u00f6r att ta hand om mindre olyckor i k\u00f6ket, som v\u00e4gleder anv\u00e4ndaren att f\u00f6lja den ordning av unders\u00f6kningar som finns. V\u00e4gledning av amat\u00f6rer som via konverserande teknik kan se till att pl\u00e5stra om sig sj\u00e4lva innan de eventuellt kontaktar v\u00e5rden f\u00f6r en efterkontroll.<\/p>\n
Slutsats<\/h4>\n
Slutsats f\u00f6r denna hypotes \u00e4r att det kanske kommer en fungerande konversationsl\u00f6sning till n\u00e5got av de svenska minoritetsspr\u00e5ken innan vi f\u00e5r det p\u00e5 svenska. Sen om det i vissa applikationer av distansv\u00e5rden finns po\u00e4nger att patienten ska kunna tala med apparater tycks det v\u00e4rt att utv\u00e4rdera.<\/p>\n
En grupp som kan ha stor nytta av konversationsbaserade gr\u00e4nssnitt redan idag \u00e4r de med l\u00e4s- och skrivsv\u00e5righeter. Vilket enligt Svenska Dyslexif\u00f6reningen<\/a> uppskattas till cirka 5\u20138% av befolkningen i den l\u00e4skunniga delen av v\u00e4rlden. F\u00f6r den gruppens skull \u00e4r det att f\u00f6redra om inmatning av text kan ske med hj\u00e4lp av konversationsbaserade inslag, exempelvis f\u00f6r de begrepp man kanske vet hur de uttalas men inte klarar av att stava. Det skulle fler personer ha nytta av emellan\u00e5t.<\/p>\n
Idag \u00e4r det lite sv\u00e5rt att anv\u00e4nda dessa tj\u00e4nster via de k\u00e4nda leverant\u00f6rerna p\u00e5 grund av integritet. Att erbjuda en tj\u00e4nst d\u00e4r allt som talas in skickas till en tredjepart f\u00f6r analys g\u00f6r fr\u00e5gan till mer av en juridisk art.<\/p>\n
Ett mer g\u00e5ngbart scenario \u00e4r att f\u00e5 texter uppl\u00e4sta, vilket kan gynna b\u00e5de de med nedsatt f\u00f6rm\u00e5ga att l\u00e4sa men ocks\u00e5 alla andra som av en eller anledning f\u00f6redrar att inte l\u00e4sa just d\u00e5. Exempelvis att f\u00e5 tjugo artiklar fr\u00e5n 1177.se inl\u00e4sta som en personlig ljudbok inf\u00f6r att man ska p\u00e5 en viss behandling i v\u00e5rden.<\/p>\n
Hypotes 3: Computer vision f\u00f6r att maskinellt se, skapa eller inspektera bilder (ibland med deep learning)<\/h3>\n
Computer vision \u00e4r ett av ett flertal begrepp som handlar om att ge en maskin egenskapen att se n\u00e5got. Det \u00e4r inte alltid helt liktydigt med p\u00e5 det s\u00e4tt en m\u00e4nniska ser n\u00e5got, men det kommer vi in p\u00e5 lite senare.<\/p>\n
Bilder, och s\u00e4rskilt video, \u00e4r tungt att l\u00e5ta en maskin analysera j\u00e4mf\u00f6rt med text och siffror. Motsvarigheten till en endaste bild du tar med mobilens kamera kan vara alla b\u00f6cker du n\u00e5gonsin l\u00e4st under din skoltid. P\u00e5 grund av att computer vision \u00e4r s\u00e5 pass ber\u00e4kningsintensivt \u00e4r det att f\u00f6redra att kunna bygga vidare p\u00e5 det andra redan gjort. \u00c4ven f\u00f6r detta finns det tj\u00e4nster p\u00e5 n\u00e4tet, varav vi inspekterat n\u00e5gra av dem.<\/p>\n
Bland de stora leverant\u00f6rerna av mer eller mindre f\u00e4rdiga l\u00f6sningar \u00f6ver n\u00e4tet finns en viss upps\u00e4ttning med standardfunktioner. F\u00f6ljande lista har Microsoft listat f\u00f6r sin kognitiva tj\u00e4nst Azure:<\/p>\n
- \n
- Tag images based on content.<\/li>\n
- Categorize images.<\/li>\n
- Identify the type and quality of images.<\/li>\n
- Detect human faces and return their coordinates.<\/li>\n
- Recognize domain-specific content. (Just nu endast k\u00e4ndisar och k\u00e4nda landm\u00e4rken)<\/li>\n
- Generate descriptions of the content.<\/li>\n
- Use optical character recognition to identify printed text found in images.<\/li>\n
- Recognize handwritten text.<\/li>\n
- Distinguish color schemes.<\/li>\n
- Flag adult content.<\/li>\n
- Crop photos to be used as thumbnails.<\/li>\n<\/ol>\n
Baserat p\u00e5 dessa tj\u00e4nster finns en risk att man bygger upp h\u00f6ga f\u00f6rv\u00e4ntningar om vad dessa tj\u00e4nster klarar av. Nog f\u00f6r att det lagts mycket tid och energi att tr\u00e4na upp dessa tj\u00e4nsters f\u00f6rm\u00e5gor, men till vad kan de anv\u00e4ndas i praktiken? Vi har provk\u00f6rt lite. F\u00f6rst ut var Amazons tj\u00e4nst Rekognition. En bild d\u00e4r Marcus sitter vid ett st\u00e5bord och f\u00f6rel\u00e4ser vid en projektorduk fick ett tydligt tema av j\u00e4rnv\u00e4g och milit\u00e4r. Kanske berodde t\u00e5gkopplingen p\u00e5 att det var vinklade f\u00f6nster i bakgrunden, men det milit\u00e4riska kr\u00e4ver nog mer fantasi.<\/p>\n
N\u00e4st ut var att be Microsofts kognitiva tj\u00e4nster p\u00e5 Azure att ber\u00e4tta lite om n\u00e5gra bilder.<\/p>\n
- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image25.jpeg\")
<\/a>Bild 8: Marcus r\u00f6ntgade h\u00f6gra hand: \u201cA white vase on a table\u201d<\/figcaption><\/figure><\/dt>\n<\/dl>\n - \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image14.jpeg\")
<\/a>Bild 9:
Description: A person sitting on a bed
Tags: person, indoor, sitting, using, woman, holding, bed, table, hand, top, green, young, white, cutting, food, man, playing<\/figcaption><\/figure><\/dt>\n<\/dl>\nMannen som f\u00e5r en spruta i armen sitter eller ligger visserligen p\u00e5 en sorts s\u00e4ng, men \u00e4r \u201cusing\u201d en referens till missbruk snarare \u00e4n ett sjukhusscenario? Allt vitt tyg skulle annars kunna avsl\u00f6ja en trolig plats.<\/p>\n
- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image20.jpeg\")
<\/a>Bild 10:
Description: A person holding a baseball bat
Tags: person, cake, holding, cutting, bat, baseball, woman, man, dark, cut, wea- ring, knife, pair, skiing, table, hat, white, plate, standing<\/figcaption><\/figure><\/dt>\n<\/dl>\nNej, det \u00e4r inte en person som h\u00e5ller ett basebolltr\u00e4 p\u00e5 den bilden. Dock \u00e4r n\u00e5gra av taggarna ganska beskrivande, exempelvis att det \u00e4r m\u00f6rkt och vad man nu ska tro cut<\/i> inneb\u00e4r. Men cake<\/i> \u00e4r intressant. \u00c4r det den blodiga vita ytan som liknar en jordgubbst\u00e5rta tro? Eller \u00e4r det en olycka i skidbacken och anledningen till \u201cskiing\u201d?<\/p>\n
Vad beror dessa underligheter p\u00e5? Troligen att underlaget av bilder inte \u00e4r s\u00e4rskilt komplett inom de anv\u00e4ndningsomr\u00e5den vi i v\u00e5rden efters\u00f6ker.<\/p>\n
AI lider av hallucinationer – dr\u00f6mmer neurala n\u00e4tverk om elektriska f\u00e5r?<\/h4>\n
Som webbplatsen AIwierdness uppm\u00e4rksammade i mars 2018<\/a> tycks neurala n\u00e4tverk ofta se f\u00e5r p\u00e5 bilder \u00e4ven d\u00e4r inga finns. Lite av en komisk vinkling av science fiction-novellen \u201cDo Androids Dream of Electric Sheep\u201d.<\/p>\n
Nedan bilder (l\u00e5nade av AIwierdness.com<\/a>) verkar identifiera ljusa fl\u00e4ckar som f\u00e5r p\u00e5 bilder med gr\u00f6nt inneh\u00e5ll, troligen gr\u00e4s.<\/p>\n
- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image28.jpeg\")
<\/a>Bild 11:
Description: A close up of a hillside next to a rocky hill
Tags: hillside, grazing, sheep, giraffe, herd<\/figcaption><\/figure><\/dt>\n<\/dl>\n- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image26.jpeg\")
<\/a>Bild 12:
Description: A herd of sheep grazing on a lush green hillside
Tags: grazing, sheep, mountain, cattle, horse<\/figcaption><\/figure><\/dt>\n<\/dl>\n- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image17.jpeg\")
<\/a>Bild 13:
Description: A close up of a lush green field
Tags: grass, field, sheep, standing, rainbow, man<\/figcaption><\/figure><\/dt>\n<\/dl>\nDen enkla f\u00f6rklaringen \u00e4r nog att det bildmaterial som tj\u00e4nsten tr\u00e4nats p\u00e5 ofta haft kombinationen av gr\u00e4smattor och att de ljusa partierna har varit just f\u00e5r. S\u00e5 n\u00e4r det kommer bilder med ljusa fl\u00e4ckar av tinande sn\u00f6 p\u00e5 halvgr\u00f6nt underlag tycks det l\u00e4tt h\u00e4nt att tro d\u00e4r finns ulliga sm\u00e5 f\u00e5r.<\/p>\n
Andra \u00e5terkommande felklassificeringar vi m\u00e4rkt av p\u00e5 bilder vi k\u00f6rt mot Microsofts Azure \u00e4r att \u00e4ldre stenbyggnader ofta antas ha ett klocktorn. F\u00f6r att slippa g\u00f6ra det tekniska arbetet kan man f\u00f6lja Picdescbot p\u00e5 Twitter<\/a>. P\u00e5 det kontot h\u00e4mtas en slumpm\u00e4ssig bild fr\u00e5n Wikipedia och kollar vad en bildtj\u00e4nst antar att den f\u00f6rest\u00e4ller. Ofta blir det bra, med ett antal underliga och ibland komiska undantag.<\/p>\n
En mer regional hallucination \u00e4r att Microsoft Azure ofta tror att det \u00e4r en pizza p\u00e5 bild n\u00e4r man postar pressfoton fr\u00e5n evenemang VGR:s politiker varit p\u00e5. \u00c4n s\u00e5 l\u00e4nge har det inte varit n\u00e5gon pizza i bild.<\/p>\n
Anv\u00e4ndningsomr\u00e5det f\u00f6r dessa f\u00e4rdiga tj\u00e4nster \u00e4r inte v\u00e5rdrelaterade just nu. M\u00f6jligen om man hyr ber\u00e4kningskraft och tr\u00e4nar upp en tj\u00e4nst p\u00e5 den sorts bilder man sj\u00e4lv vill kunna skapa en f\u00f6rst\u00e5else kring.<\/p>\n
Mer manuell computer vision<\/h4>\n
Om man ist\u00e4llet g\u00e5r in f\u00f6r lite mer manuell computer vision st\u00e4lls man inf\u00f6r ett antal utmaningar. Som tidigare n\u00e4mnt tar det v\u00e4ldigt mycket ber\u00e4kningskraft, s\u00e5 ett tidigt m\u00e5l \u00e4r att begr\u00e4nsa den information man har att jobba med. Man vill identifiera ett ROI (Region of Interest), m\u00f6jligen \u00f6versatt till utsnitt<\/i> p\u00e5 svenska.<\/p>\n
Det \u00e4r inte konstigare \u00e4n att identifiera vissa basala geometriska former f\u00f6r att se om en bild inneh\u00e5ller n\u00e5got som kan vara av intresse<\/p>\n
- \n
- \n
![\"Bild](\"https:\/\/vgrblogg.se\/utveckling\/wp-content\/uploads\/sites\/3\/2018\/06\/image31.jpeg\")
<\/a>Bild 14: F\u00e4rdigtr\u00e4nad ML-modell som ska detektera var ansikte, \u00f6gon och mun \u00e4r i en bild\/videostr\u00f6m. Den st\u00f6djer tydligen inte helsk\u00e4gg, en r\u00f6d rektangel ska markera munnen.<\/figcaption><\/figure><\/dt>\n<\/dl>\n \u00d6versatt till ett simpelt exempel i form av ansiktsigenk\u00e4nning \u00e4r det kombinationen av ett eller flera \u00f6gon, \u00f6gonbryn, n\u00e4sa, mun och \u00f6ron det h\u00e4nger p\u00e5 som g\u00f6r ett ansikte. Alla dessa egenskaper \u00e4r s\u00e5 kallade weak classifiers<\/a>, det \u00e4r kombinationen av flera saker som g\u00f6r en maskin \u00f6vertygad om att vad den ser \u00e4r ett ansikte.<\/p>\n
Ofta g\u00f6rs dessa beslut p\u00e5 bilder i gr\u00e5skala d\u00e5 f\u00e4rgnyanser egentligen inte tillf\u00f6r n\u00e5got f\u00f6r maskiner, vilket vi m\u00e4nniskor f\u00f6rst\u00e5s inte h\u00e5ller med om. En maskins pricks\u00e4kerhet \u00f6kar inte n\u00f6dv\u00e4ndigtvis genom att se \u00f6gonf\u00e4rg, d\u00e4remot \u00e4r f\u00e4rginformation betungande vid ber\u00e4kningen.<\/p>\n
Att \u201cse\u201d handlar om geometri<\/h5>\n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- Unsupervised learning (UL)<\/a> inneb\u00e4r att man inte har koll p\u00e5 samma s\u00e4tt utan vill att n\u00e4tverket sj\u00e4lv uppt\u00e4cker m\u00f6nster i datak\u00e4llan. T\u00e4nk p\u00e5 ett barn som sitter med en stor m\u00e4ngd legoklossar. Hur kommer barnet fram till om klossarna passar ihop? \u00c4r det storleken, f\u00e4rgen, formen eller n\u00e5got annat som \u00e4r avg\u00f6rande?<\/li>\n
- Supervised learning (SL)<\/a> \u00e4r att datam\u00e4ngden man matar sitt neurala n\u00e4tverk med inneh\u00e5ller b\u00e5de fr\u00e5ga och facit, eller att den har \u201clabels\u201d<\/a>. T\u00e4nk p\u00e5 en l\u00e4rare som pekar p\u00e5 en karta \u00f6ver Europa och s\u00e4ger \u201cd\u00e4r ligger Tyskland, d\u00e4r ligger Italien\u201d. Efter lite tr\u00e4ning ska neuronerna b\u00f6rja kunna svara p\u00e5 om ett land \u00e4r Tyskland eller Italien.<\/li>\n
- \n
- \n
- F\u00f6rdjupande material<\/a><\/li>\n
- Slutsats – vad vill vi g\u00f6ra fram\u00e5t?<\/a><\/li>\n
- Hypotes 2: Tal- och konversationsbaserade gr\u00e4nssnitt kan underl\u00e4tta<\/a><\/li>\n
- AI \u00e4r inte bara en sak, men f\u00f6r det mesta \u00e4r det machine learning som avses<\/a><\/li>\n
- Hypotes 2: r\u00f6st- och konversationsbaserat anv\u00e4ndargr\u00e4nssnitt<\/a><\/li>\n
- Hypotes 1: bearbeta och f\u00f6rst\u00e5 anamnes och patientber\u00e4ttelser<\/a><\/li>\n
- Engelsk version hos Apple Books\u00a0\u203a\u00a0<\/a><\/li>\n