برنامه
پزشکی هوش مصنوعی گوگل خبر داغ این روزهای دنیای پزشکی و فناوری است. در
طول هر سال، میلیاردها جستجو در گوگل از سوی افراد گوناگون در سراسر دنیا
انجام میگیرد که برای کمک به کشف مشکل پوستشان به جعبه جادویی جستجوی وب
مراجعه میکنند. اکنون، گوگل در حال آمادهسازی و راهاندازی برنامهای
است که از الگوریتمهای شناسایی تصویر برای ارائه کمکهای تخصصی و شخصی
استفاده میکند. یک نسخه آزمایشی مختصر در کنفرانس توسعهدهندگان شرکت
گوگل در ماه گذشته نشان میدهد که این سرویس بر اساس عکسهای آپلود شده،
چندین بیماری پوستی را گزارش میدهد.
در مطالعاتی که الگوریتمها و پزشکان روی تصاویر بیماران انجام میدادند، مشخص شد ماشینهای مجهز به هوش مصنوعی
که با دانش متخصصان پوست و مو آموزش دیده بودند، قادر بودند مشکل پوستی را
از روی عکس تشخیص دهند و یا حتی از متخصصان بهتر عمل کنند. رکسانا دانشجو،
متخصص پوست و محقق حوزه یادگیری ماشین و سلامت در این باره میگوید: «در
حال حاضر شواهد بسیار کمی از آزمایشهای بالینی با استفاده از چنین فناوری
وجود دارد و هیچ ابزار تجزیه و تحلیل تصویر هوش مصنوعی برای استفاده از
متخصصان پوست در ایالات متحده تأیید نشده است.»
برنامه
جدید گوگل هنوز از نظر بالینی تأیید نشده است، اما توانایی هوش مصنوعی این
شرکت و ایجاد بخشهایی مربوط به مراقبتهای بهداشتی، برنامه پزشکی هوش
مصنوعی شرکت گوگل را قابل توجیه میکند. در کنفرانس توسعهدهندگان گوگل،
کارن دسالوو، مدیر ارشد بهداشت گوگل، گفت که این شرکت قصد دارد به محض
پایان سال جاری، آنچه را که ابزار کمکی تشخیص بیماری پوستی نام دارد و نوعی
برنامه پزشکی هوش مصنوعی گوگل است را در اتحادیه اروپا راهاندازی کند.
امکان بهرهبرداری برنامه پزشکی هوش مصنوعی گوگل در اروپا
سخنگوی
گوگل درباره ارائه برنامه پزشکی هوش مصنوعی گوگل گفت این شرکت مایل است
این سرویس را در ایالات متحده ارائه دهد، اما زمان مشخصی برای ارائه آن به
کشورهای آن سوی اقیانوس اطلس ندارد. سخنگوی گوگل از اظهار نظر درباره اینکه
آیا شرکت با سازمان غذا و داروی ایالات متحده درباره این برنامه صحبت کرده
است یا نه، امتناع کردند.
سخنگوی
این شرکت میگوید: «برنامه پزشکی هوش مصنوعی گوگل به عنوان یک وسیله
پزشکی کلاس یک در اتحادیه اروپا تعریف شده و تأیید شده است. به این معنی که
میتوان آن را در کشورهای اتحادیه اروپا و کشورهای دیگر که این استاندارد
را تشخیص میدهند، به فروش رساند. هیو هاروی، مدیرعامل شرکت هاردیان هلث
که یک موسسه مشاوره بهداشت دیجیتال در انگلستان است، میگوید که این شرکت
برای تأمین شرایط ترخیص کالا با موانع نسبتاً کمی روبهرو شده است.
نسخه
آزمایشی ماه گذشته برنامه پزشکی هوش مصنوعی شرکت گوگل نسخهای بسیار مختصر
بود و طراحی برنامه هنوز نهایی نیست. در طرحی که در نسخه نمایشی نشان داده
شده است، کاربر میبایست سه عکس از لکههای پوستی خود را از زوایا و فواصل
مختلف بگیرد و به هوش مصنوعی گوگلبفرستد.
کاربر میتواند به صورت اختیاری اطلاعاتی مانند قسمت آسیبدیده بدن و مدت
زمانی که این مشکل را داشته است را نیز به اطلاعات خود اضافه کند. با ضربه
زدن روی دکمه «ارسال»، تصاویر برای گوگل فشرده و ارسال میشوند. این
برنامه سپس «شرایط احتمالی» را نشان میدهد که وضعیت احتمالی نشان داده
شده در تصاویر را شرح میدهد. با ضربه زدن روی یکی از این شرایط، لیستی از
اطلاعات کلیدی مانند علائم، بیماری مسری و گزینههای درمانی در اختیار
کاربر قرار میگیرد. این شرکت میگوید: «برنامه پزشکی هوش مصنوعی شرکت
گوگل در مورد «صدها هزار تصویر پوستی» آموزش دیده است و میتواند ۲۸۸
بیماری پوستی را شناسایی کند؛ از جمله سرطانهای پوست که تقریباً ۹۰ درصد
از جستجوهای رایج در گوگل را شامل میشود.
ارزش پزشکی برنامه تشخیص بیماری پوستی گوگل
برنامه
پزشکی هوش مصنوعی گوگل در پاسخ به عکسهای کاربران حتی یک مورد را نیز به
عنوان تشخیص نهایی بیماری ارائه نمیدهد و به کاربر همواره این هشدار را
نشان میدهد که «شرایط احتمالی ذکر شده در اینجا تشخیص پزشکی نیست».
سخنگوی شرکت گوگل، این اپلیکیشن را به یک موتور جستجو تشبیه کرد که نتایج
را برای یک فرد نمایش میدهد و نتیجهگیری خود را درباره لکهای پوستی
ارائه میدهد.
با
این حال گوگل همچنان بر ارزش پزشکی برنامه پوستی خود تأکید کرده است.
دسالوو، رئیس گروه بهداشت این شرکت میگوید: «گوگل این برنامه را توسعه
داده است، زیرا به اندازه کافی متخصص پوست برای کمک به هر فرد مبتلا به
بیماریهای پوستی در جهان وجود ندارد. سیستم هوش مصنوعی گوگل و برنامه
پزشکی هوش مصنوعی گوگل میتواند به دقتی برسد که با متخصصان پوست مورد
تایید هیئت مدیره ایالات متحده برابر باشد.»
بیشک در عصری که پیش رو داریم، هوش مصنوعی
به یک نیروی درحال رشد در کسبوکارها تبدیل شده است؛ تا جایی که برترین
شرکت های هوش مصنوعی امروز، رهبران این فناوری در حال ظهور در تمام دنیا
هستند!
برترین شرکت های هوش مصنوعی که غالباً از رایانش ابری
و محاسبات لبهای در فرایندهای خود بهره میگیرند، به واسطه امتیازات آن،
فناوریهای بیشماری را با هم ترکیب میکنند تا انتظارات مشتریان خود را
در خانه، محل کار و جامعه بیشتر برآورده کنند. یادگیری ماشینی اصلیترین
نیروی هدایتگر این جریان است، اما شرکتهای برجسته هوش مصنوعی امروزه در
حال گسترش دامنه فناوری خود در دیگر جنبههای فناورانه و عملیاتی هستند: از
تجزیهوتحلیل پیشبینی شده تا هوش تجاری تا ابزار انبار داده تا یادگیری عمیق، چندین نقطه ضعف و گلوگاه صنعتی و شخصی را کاهش میدهند.
تمام
صنایع در حال تاثیرپذیری از جریان تحولات فناوری هوش مصنوعی هستند و این
تکنولوژی نوظهور باعث دگرگونی در همه جنبهها شده است. شرکتهای مبتنی بر
اتوماسیون فرایند روباتیک یا RPA، پلتفرمهای خود را کاملاً تغییر
دادهاند و با هوش مصنوعی همگام شدهاند. هوش مصنوعی در بخش خدمات مشتریان
و فرایندهای داخلی کسبوکارها در حال تغییر روشهای گذشته است.
مراکز
تحقیقاتی و دانشگاهی پژوهشهای خود در حوزه هوش مصنوعی را روزبهروز
گستردهتر میکنند و همچنین فرصتهای شغلی هوش مصنوعی در بسیاری از صنایع
به سرعت درحال رشد است. برترین شرکت های هوش مصنوعی سرمایهگذاری
گستردهای را از شرکتهای سرمایهگذار خطرپذیر و شرکتهای عظیم مانند
مایکروسافت و گوگل جذب میکنند و همین موضوع احتمال رشد بیشتر آنها در
آینده را پیشبینی میکند.
شرکت
Accenture که به عنوان یک غول در حوزه مشاور فناوری در حال فعالیت است، در
این زمینه استدلال میکند: هوش مصنوعی این توانایی را دارد که نرخ سودآوری
را به طور متوسط ۳۸٪ افزایش دهد و میتواند منجر به افزایش رشد عظیم
اقتصادی ۱۴ تریلیون دلاری ارزش افزوده ناخالص (GVA) تا سال ۲۰۳۵ شود.
به
ویژه در طول همهگیری بیماری COVID-19، حوزههایی مانند مراقبتهای
بهداشتی علاقه به فعالیت و سرمایهگذاری در زمینه هوش مصنوعی را به طور
فرایندهای اعلام داشتهاند، با این امید که تجربیات بیمار را در زمینه
پزشکی از راه دور، تصویربرداری دیجیتال و انواع دیگر زمینهها گردآوری کنند
و به بیماران دسترسی بیشتری به منابع پزشکی مورد نیاز خود دهند.
حتی
در طی همهگیری بیماری کووید ۱۹ که اکثر صنایع کل هزینههای خود را برای
زنده ماندن کاهش دادند، بسیاری از برترین شرکت های هوش مصنوعی در سال ۲۰۲۰
سرمایهگذاریهای خود در این حوزه را افزایش دادند.
برترین شرکتهای هوش مصنوعی و رهبران ابر!
ارائهدهندگان
خدمات هایتکنولوژی با ارائه راهکارهای مبتنی بر هوش مصنوعی و یادگیری
ماشین از طریق سیستمعاملهای ابری محبوب خود، بازار را رهبری میکنند و به
دیگر شرکتها امکان میدهند هوش مصنوعی را بدون هزینه توسعه داخلی، در
برنامهها و سیستمهای خود ادغام کنند. این جریان، نهتنها به سود بیشتر
غولهای فناوری میانجامد، که حتی به روند توسعه شرکتهای درحال رشد نیز
سرعت میبخشد.
آمازون
غول
تجارت «آمازون» هم در حوزه مشتریمداری هوش مصنوعی و هم در برنامههای
کاربردی مربوط به شرکتها و فرایندهای آنها سرمایهگذاری کرده است.
وبسرویس آمازون یا (AWS)، به عنوان یکی از رهبران برجسته در محاسبات
ابری شناخته میشود که محصولات و خدمات هوش مصنوعی مربوط به پشتیبانی
مشتریان را ارائه میدهد و بسیاری از خدمات هوش مصنوعی پیشرفته خود را بر
پایه خدمات هوش مصنوعی موجود در محصولات مصرفی توسعه داده است.
الکسا،
دستیار زبان هوش مصنوعی شرکت آمازون که در سری بلندگوهای echo ادغام شده،
حالا دیگر در سراسر جهان شناخته شده است. آمازون اکو از طریق سرور صدای
هوشمند الکسا، هوش مصنوعی را به خانههای ما آورده است. از سوی دیگر،
وبسرویسهای آمازون (AWS)، مجموعهای از برنامههای یادگیری ماشین و
خدمات هوش مصنوعی توسعه داده شده برای کسبوکارها هستند که هنوز
ماموریتهای زیادی برای انجام دارند! از میان وبسرویسهای آمازون، خدمات
هوش مصنوعی اصلی شرکت شامل این محصولات میشود: هوش مصنوعی Lex که یک نسخه
تجاری الکسا است؛ هوش مصنوعی Polly که متن را به گفتار تبدیل میکند؛ و
هوش مصنوعی Rekognition که یک سرویس تشخیص تصویر است. وبسرویس آمازون
(AWS) در حال حاضر بیش از ۱۰،۰۰۰ مشتری دارد، از جمله زیمنس، Netflix،
Tinder، NFL و ناسا.
ابر گوگل
شاید
بزرگترین و مهمترین شرکت هوش مصنوعی در این لیست، بارزترین و
پرآوازهترین آنها نیز باشد. گوگل، یکی از پیشروترین شرکتهای هوش مصنوعی
در جهان، در سالهای اخیر، گوگل استارتاپهای هوش مصنوعی متعددی را خریداری
کرده است و این نشان میدهد مدیران و توسعهدهندگان گوگل واقعاً به
پیشرفتها و قابلیتهای هوش مصنوعی اعتقاد دارند. ابر گوگل علاوه بر
استفاده از هوش مصنوعی برای بهبود خدمات خود، چندین سرویس هوش مصنوعی و
یادگیری ماشین را نیز به کسبوکارها و شرکتها میفروشد. پلتفرم ابر گوگل
نرمافزار پیشرو در صنعت TensorFlow را که اکنون برای همه رایگان است و
همچنین تراشه AI Tensor در زمینه یادگیری ماشین را نیز در مجموعه پروژههای
موفق و رو به پیشرفت خود دارد.
گوگل
حقیقتا در زمینه توسعه هوش مصنوعی و تجزیهوتحلیل دادهها پیشرو است و
برای ارتقای قابلیتهای هوش مصنوعی سرمایهگذاریهای بزرگی انجام داده
است. مهمترین خرید ابر گوگل، معامله ۴۰۰ میلیون دلاری DeepMind بوده است.
شرکت IBM
شرکت
چندملیتی IBM از دهه ۱۹۵۰ در زمینه هوش مصنوعی فعال است. این شرکت در تولد
فناوری هوش مصنوعی نقش اساسی داشته و تا امروز نیز به مسئولیت خود در
حمایت و توسعه هوش مصنوعی کاملا متعهد بوده است. شرکت IBM با استفاده از
هوش مصنوعی واتسون، یک پلتفرم یادگیری ماشین ایجاد کرده است که میتواند
هوش مصنوعی را در فرایندهای تجاری ادغام کند؛ مانند ساخت یک چتبات برای
پشتیبانی مشتریان. خریداران محصولات IBM و مشتریان اصلی این شرکت عبارتند
از: Big Four Auditor، KPMG و Bradesco که یکی از بزرگترین بانکهای برزیل
است.
تلاشهای
IBM در سالهای اخیر متمرکز بر واتسون بوده که یک سرویس شناختی مبتنی بر
هوش مصنوعی است. واتسون شامل نرمافزار هوش مصنوعی به عنوان یک سرویس، و
سیستمهای مقیاسبندی طراحی شده برای ارائه تجزیهوتحلیل مبتنی بر ابر و
خدمات هوش مصنوعی است. این پروژه طی چندین سال و با خرید چندین استارت آپ
هوش مصنوعی سودآور همراه بوده است. هوش مصنوعی واتسون از یک پلتفرم ابر
قدرتمند بهرهمند است.
مایکروسافت
مایکروسافت
نیز مانند آمازون، هم از جنبه خدمات مصرفکنندگان و هم در حوزه کسبوکار،
ارتباطی تنگاتنگ با هوش مصنوعی دارد. کورتانا، دستیار دیجیتال هوش مصنوعی
مایکروسافت، با الکسا، سیری و دستیار گوگل در رقابت مستقیم است. فیچرهای
هوش مصنوعی، بخش بزرگی از خدمات Azure Cloud مایکروسافت است که به برخی از
بزرگترین نامهای تجاری، سرویسهای چتبات و خدمات یادگیری ماشین ارائه
میدهد. مایکروسافت فقط در سال ۲۰۱۸ موفق شد پنج شرکت هوش مصنوعی را
خریداری کند.
مایکروسافت
ترکیبی از پروژههای هوش مصنوعی مرتبط با مشتریان و کسبوکارهای فناوری
اطلاعات را ارائه میدهد. محصولاتی که از این شرکت در گروه مربوط به
مصرفکنندگان جای میگیرد، عبارتند از: کورتانا، دستیار دیجیتال همراه با
ویندوز و غیر از ویندوز فون و چتبات Zo که مانند نوجوان صحبت میکند.
مایکروسافت در سرویس ابر Azure خود، خدمات هوش مصنوعی مانند سرویسهای
رباتی، یادگیری ماشین و خدمات شناختی را به فروش میرساند.
هوش مصنوعی همه جا هست!
از
گوگل و آمازون گرفته تا IBM و مایکروسافت، هر شرکت بزرگ فناوری در حال
اختصاص منابع مالی و سرمایهگذاری برای دستیابی به موفقیت در هوش مصنوعی
است. دستیاران شخصی مانند سیری و الکسا هوش مصنوعی را به بخشی از زندگی
روزمره ما تبدیل کردهاند. در همین حال، دستیابی به موفقیتهای انقلابی
همچون به دست گرفتن بازار هوش مصنوعی جهان و تبدیل شدن به یکی از برترین
شرکت های هوش مصنوعی ممکن است یک امر عادی نباشد، اما مطمئناً قابل دسترس
است.
درمان
سرطان با هوش مصنوعی همواره یکی از رویاهای دور از دسترس و مشترک
دانشمندان علم داده و بیوتکنولوژیستها در قرن اخیر بوده است. اما به نظر
میرسد با پیشرفت هوش مصنوعی در پزشکی و نیز با حمایت سرمایهگذاران در استارتاپهای هوش مصنوعی، این رویا در حال تحقق باشد.
فرینوم
یک شرکت حوزه بیوتکنولوژی است که محصولات غربالگری بیماری سرطان را به
صورتی قابل دسترس و برای درمان پیشگیرانه سرطان تولید میکند تا این دسته
از بیماریها در مراحل ابتدایی تشخیص داده شوند و کنترل گردند. چارلز
رابرتز، گابریل اوته، رایلی انیس و مایکل اوت این شرکت را در سال ۲۰۱۴ در
سانفرانسیسکو جنوبی، در ایالت کالیفرنیا راهاندازی کردند.
استارتاپ فرینوم تا امروز، یک پلتفرم هوش مصنوعی در درمان
و پزشکی را توسعه داده که بیماری سرطان را در مراحل اولیه تشخیص میدهد و
به پزشکان کمک میکند تا نسل بعدی درمانها را دقیقتر طراحی کنند و
ابزارها و روشهای فعلی را بهینهسازی کنند. راهکار این مجموعه متمرکز بر
آزمایش خون برای غربالگری و تشخیص زودهنگام بیماری سرطان و انتخاب درمان
مناسب است. در حال حاضر، هدف این شرکت فراهمآوردن بستری برای درمان سرطان
با هوش مصنوعی است. راهکارهای این شرکت بر کشف مجدد روشهای مدیریت
بیماریهای خاص از طریق تشخیص و مداخله بهموقع و سیستماتیک برای درمان
این بیماری متمرکز است.
هوش مصنوعی به ریشهکن شدن سرطان کمک میکند!
استارتاپ
فرینوم که به صورت تخصصی با محوریت فناوری هوش مصنوعی فعالیت میکند، از
ابتدای تاسیس در سال ۲۰۱۴، چشمانداز روشنی داشته است و آن، ایجاد یک تیم
میانرشتهای متشکل از متخصصان زیستشناسی محاسباتی و تکنیکهای یادگیری ماشین
برای درمان سرطان با هوش مصنوعی بوده است. بنیانگذاران این مجموعه
امیدوارند با استفاده از دادههای موجود درباره نحوه بروز و پیشروی
بیماری سرطان، روشهای نوینی را برای مدیریت بیماران مبتلا به سرطان
ارائه دهند و روند درمان این بیماری را متحول کنند؛ تا جایی که بیماران در
همه جای دنیا به دانش و ابزار موردنیاز برای حفظ زندگی سالم، مجهز شوند و
حتی یک روز، بیماری سرطان به طور کلی ریشه کن گردد.
این
شرکت فرایندهای تازهای از آزمایشهای خون را توسعه میدهد که توانایی
تشخیص مراحل اولیه سرطان را دارند. این برنامه از یک پلتفرم چندگانه
استفاده میکند که از فناوریهای مختلفی تشکیل شده است: فناوریهایی
همچون یادگیری ماشینی که نمونههای مثبت آزمایش سرطان خون را برای آموزش
خود دریافت میکنند. سایر انواع هوش مصنوعی این سیستمعامل میتواند
DNA، RNA، پروتئین و سایر نشانگرهای زیستی در خون را برای تشخیص سرطان
تجزیهتحلیل و بررسی کند.
هوش
مصنوعی با تحلیل و بررسی هزاران نمونه مثبت آزمایش سرطان خون، خود را
آموزش میدهد و بعد از این مرحله، میتواند تشخیص دهد که کدام الگوهای
زیستی، نشاندهنده نوع سرطان و مسیرهای درمانی موثر است. آموزش روی
نمونههای سالم نیز به هوش مصنوعی کمک میکند تا ترکیب طبیعی نشانگرهای
زیستی عاری از سلول و نوع عملکرد آنها را بشناسد. دانشمندان حاضر در این
مرکز پژوهشی، با استفاده از زیستشناسی مولکولی و یادگیری ماشین، به تشخیص
سرطان و مشاهده آنچه به چشم عادی انسانها قابل رویت نیست میپردازند تا
درمان سرطان با هوش مصنوعی را محقق کنند.
تیمهای تشکیلدهنده استارتاپ Freenome
در
تیم فرینوم، سه مجموعه اصلی سهم اساسی در دستیابی به اهداف علمی پژوهشی و
یافتن درمان سرطان با هوش مصنوعی دارند: تیم مهندسان هوش مصنوعی و فناوران،
تیم دانشمندان بیولوژی و پزشکان و مجموعه بیمارانی که تجربه سرطان را
داشتهاند یا در حال مبارزه با سرطان هستند.
• تیم فناوران شامل برنامهنویسان، متخصصان یادگیری ماشین و هوش مصنوعی در زیستشناسان
محاسباتی هستند که مسئولیت انجام آزمایشهای خون برای تشخیص زودهنگام
سرطان را به عهده دارند. این تستها توسط سیستمعامل چندمنظوره که ساخته
فرینوم است، انجام میگیرند.
•
تیم دانشمندان بیولوژی و پزشکان شامل زیستشناسان مولکولی، پزشکان و
متخصصان توالییابی هستند که برای اطمینان از بالاترین کیفیت تحقیقات علمی و
ایجاد زیرساختهای لازم برای تشخیص زودرس و درمانهای دقیق سرطان در
نسل بعدی، با هم همکاری میکنند.
•
مهمترین بخش این همکاری، همه افراد و بیمارانی هستند که تحت تأثیر
بیماری سرطان قرار گرفتهاند. این گروه، تجربیات خود به عنوان بیمار را
به دو تیم دیگر ارائه میدهند.
شرکا و سرمایهگذاران Freenome
شرکت
فرینوم با شرکتهای دارویی، سامانههای یکپارچه خدمات بهداشت و
درمان و موسسات دانشگاهی همکاری میکند تا از پلتفرم Multiomics خود برای
رسیدگی به درمان سرطان با هوش مصنوعی و مهمترین چالشهای پیش رو
استفاده کند. از زمان تأسیس فرینوم در سال ۲۰۱۴، پلتفرم Multiomics بیش از
۵۰۰ میلیون دلار از طریق سرمایهگذاریهای پیشرو در حوزه بهداشت و
درمان و فناوری جذب کرده است.
شرکت
فرینوم همچنین بودجه ۲۷۰ میلیون دلاری را در راستای توسعه سیستم جدید
آزمایش خون Multiomics برای تشخیص زودهنگام سرطان جمعآوری کرده است.
این سرمایه جمعآوری شده، به روند پژوهشهای مربوط به اولین آزمایش
خون شرکت فرینوم برای غربالگری سرطان روده بزرگ و تشخیص ضایعات پیشسرطانی
سرعت میبخشد و مسیر توسعه محصول را تسریع خواهد کرد.
فرینوم
از پلتفرم منحصربهفرد خود که توصیف تومورهای سرطانی و وضعیت ایمنی بدن را
به عهده دارد، برای ساخت نسل بعدی آزمایشهای غربالگری خون در
سرطانهای مختلف کمک میگیرد و در این روش، از پایه آزمایش غربالگری
سرطان روده بزرگ نیز استفاده میکند تا امید تازهای به موضوع درمان سرطان
با هوش مصنوعی ببخشد.
تأمین
مالی شرکت فرینوم توسط سرمایهگذار جدید این استارتاپ، Bain Capital
Life Sciences و سرمایهگذار فعلی آن، Perceptive Advisors انجام شد.
در این میان، گروهی دیگر از سرمایهگذاران نیز جدیدا به حمایت از شرکت
فرینوم پیوستهاند. از جمله: Fidelity Management & Research
Company، LLC، Janus Henderson Investors، Farallon Capital Management،
Rock Springs Capital، Cormorant Asset Management، EcoR1 Capital، LLC،
Catalio Capital Management که برای جمعآوری سرمایه موردنظر و حمایت
از طرحهای پژوهشی و عملیاتی شرکت فرینوم به جمع سرمایهگذاران این
مجموعه پیوستند. سرمایهگذاران فعلی فرینوم نیز که در تامین مالی
پژوهشهای این شرکت همکاری داشتند، عبارتند از: مدیریت سرمایه RA،
وجوه و حسابهای مشاوره شده توسط T. Rowe Price Associates، انجمن سرطان
آمریکا Permanente Ventures، Novartis، Polaris Partners، Roche
Venture Fund، Soleus Capital و بخش ۳۲.
مسیر جمعآوری سرمایه شرکت Freenome
گابریل
اوت، مدیرعامل شرکت فرینوم، درباره اختصاص سرمایه به این استارتاپ
میگوید: «ما از داشتن حمایت مالی Bain Capital Life Science و Advistive
Advisors به عنوان سرمایهگذار اصلی بسیار خرسندیم و از همه
سرمایهگذاران جدید و فعلی به خاطر اعتماد مداوم آنها به فرینوم
قدردانی میکنیم که ما را در مأموریت اصلیمان برای بهبود قابلیت دسترسی و
پیگیری غربالگری سرطان همراهی میکنند. با تلاش روزافزود و حمایت
بیشائبه همراهان، ما هر روز به دنیایی نزدیک میشویم که میتوان سرطان
را زودتر یا حتی در مرحله پیشسرطانی تشخیص داد و در نهایت، از طریق درمان
سرطان با هوش مصنوعی جان بسیاری از انسانها را نجات داد.» مسیر جمعآوری
سرمایه شرکت فرینوم را میتوان اینطور بازبینی کرد:
۲۶ آگوست ۲۰۲۰ : شرکت فرینوم ۲۷۰ میلیون دلار سرمایه جمعآوری کرد.
۲۴ جولای ۲۰۱۹ : شرکت فرینوم ۱۶۰ میلیون دلار سرمایه به دست آورد.
۲۸ آگوست ۲۰۱۷ : شرکت فرینوم ۷ میلیون دلار سرمایه جذب کرد.
جفری
شوارتز، مدیرعامل Bain Capital Life Sciences میگوید: «رویکرد نوآورانه
فرینوم در تشخیص زودهنگام سرطان و شروع درمان این بیماری در زمانی که قابل
درمان است، پیشرفتهای قابل توجه و متفاوت دانش پزشکی برای غربالگری
بیماران و درمان سرطان با هوش مصنوعی را نشان میدهد. توانایی این پلتفرم
در تشخیص طیف وسیعی از انواع سرطان جذاب است و ما به ادامه کار با این شرکت
و سهیم شدن در این موفقیت، امید بسیار زیادی داریم.»
این
بودجه سرعت تلاشهای فرینوم برای گسترش بستر خود و ایجاد نمونه کارهایی
از آزمایش خون پیشرو در صنعت را برای چندین سرطان تسریع میکند. پلتفرم
این شرکت، با قابلیت توصیف تومور و عملکرد مربوط به سیستم ایمنی، یک
فناوری آزمایش خون متمایز و جامع را برای تشخیص زودهنگام سرطان امکانپذیر
میکند. با استفاده از یک رویکرد جامع چندمنظوره (تجزیهوتحلیل مجموعه
دادههای بیولوژیکی بزرگ و پیچیده) پلتفرم فرینوم با استفاده از
تکنیکهای پیشرفته زیستشناسی محاسباتی و تکنیکهای یادگیری ماشین و هوش مصنوعی،
فناوریهای استفاده از ژنومیک، ترانسکریپتومیک، متیلومیک و
پروتئومیکس را ادغام میکند تا چندین عملگر را برای تشخیص زودهنگام سرطان
شناسایی کند.
دکتر الن
هاکلهوون، مدیرعامل شرکت Perceptive Capital خاطرنشان کرد: «فرینوم در
حالی که اولین محصول خود را از طریق آزمایش محوری راهاندازی کرده است، در
یک نقطه انعطافپذیر قرار دارد و ما آینده را مملو از فرصتهای بیشمار
برای گسترش فعالیتهای حمایتی خود میبینیم. آزمایشهای غربالگری مبتنی
بر انواع مختلف سرطان، پتانسیلهای بسیار زیادی برای بهرهبرداری از
فناوریهای پیشرفته و بهبود غربالگری و پیشگیری و درمان سرطان با هوش
مصنوعی دارد.»
مدیر مالی
فرینوم، ویلیام کوئیرک میگوید: «این بودجه با سرعت بخشیدن به انجام
آزمایشهای خون، به ما امکان میدهد برنامههای تجاری خود را برای
غربالگری سرطان روده بزرگ به سمت تصویب، بازپرداخت و تجاریسازی اجرا کنیم
و درعینحال، سیستم آزمایش خون ما را نیز توسعه میدهد. آزمایشهای
دیگر فرینوم برای غربالگری سرطانهای دیگر نیز در راه است، و این شرکت
قرار است از پتانسیل کامل پلتفرم جدید چندگانه خود به عنوان یک فناوری مخرب
برای غربالگری سرطان استفاده کند.» در حال حاضر کاربرد هوش مصنوعی در
پزشکی، روزبهروز در حال افزایش است. توسعه و ایجاد راهکارهای درمانی مبتنی
بر تکنولوژیهای برتر و هوش مصنوعی در سراسر دنیا بازاری پرتکاپو و فعال
دارد و این موضوع به افزایش بهرهوری اقتصادی کشورها از یک سو، و افزایش
سودآوری سرمایهگذاران از سوی دیگر کمک میکند. فعالان حوزه فناوری هوش مصنوعی،
بیوتکنولوژی و سرمایهگذارانی که به دنبال حمایت از ایدههای خلاق در این
حوزهها هستند، میتوانند فرصتهای موجود در کشورمان ایران را نیز مدنظر
قرار دهند و از چنین مدلهای افزایش سرمایه و توسعه مراکز پژوهشی که در
خارج از ایران به نتایج موفقیتآمیز دست یافته است، الگوبرداری کنند.
دانشمندان رایانه در سالهای اخیر عاملهای مجازی متنوعی توسعه دادهاند. عامل مجازی هوش مصنوعی
با هدف تعامل با انسان و کمک کردن به وی در انجام امور مختلف طراحی شده
است. یافتههای شماری از پژوهشهای پیشین حاکی از این است که میزان اعتماد
فرد به این عاملها معمولاً به این مسئله بستگی دارد که عاملها چقدر
دوستداشتنی و دلنشین به نظر میرسند.
یافتههای
مطالعات روانشناسی نیز نشان دادهاند که وقتی انسانها کسی را دوست داشته
باشند یا به نظرشان دلنشین بیاید، تمایل دارند که حرکات و حالات چهره وی
را تقلید کنند. بنابراین میتوان گفت که وقتی ربات یا عامل مجازی به نظر
فرد دوستداشتنی بیاید، وی رفتارها و حالات چهره او را تقلید خواهد کرد.
محققین
در دانشگاههای Uppsala ، Potsdam،Sorbonne و سایر دانشگاههای دنیا،
اخیراً به مطالعه میزان تاثیری که برخی ویژگیهای خاص یک عامل مجازی روی
تقلید انسان از حالات چهره آن عامل میگذارند، پرداختهاند. این مقاله که
روی سامانه arXiv منتشر شده است به طور خاص به بررسی تاثیر دو ویژگی کلیدی
یعنی بدنمندی عامل و میزان شباهت آن به انسان میپردازد.
محققین
در این آزمایش از شرکتکنندگان خواستند تا در حین تعامل با ۳ عامل مجازی
(یعنی یک ربات Furhat ، ویدیویی از یک ربات Furhat و یک عامل کاملاً
مجازی)، سعی کنند احساسات آنها را شناسایی کنند. در فاز اول آزمایش، از
شرکتکنندگان خواسته شد تا تنها با مشاهده حالات چهره عامل، بگویند که چه
برداشتی از احساسات آن دارند. در مرحله دوم نیز از شرکتکنندگان خواسته شد
تا پس از مشاهده حالت چهره عامل، آن را تقلید کنند.
سپس محققین
اطلاعات فاز اول آزمایش را تحلیل کردند تا مشخص کنند که آیا شرکتکنندگان
بهطور ناخودآگاه حالات چهره عامل هوش مصنوعی را تقلید کردهاند یا خیر.
مجققین از تحلیل دادههای حاصل از فاز دوم آزمایش نیز به دنبال این بودند
که وقتی مستقیماً از فرد خواسته شود از عامل مجازی تقلید کند، حالات چهره
وی تا چه حد به حالات چهره عامل شباهت خواهد داشت.
محققین
در این مقاله توضیح دادهاند که میزان انساننما بودن عاملی که به ۴۵
شرکتکننده حاضر در این آزمایش نمایش داده میشد، به صورت تصادفی از میان
سه گزینه تصویر بالا انتخاب شده بود. سپس حالت چهره یک انسان و سه عامل هوش
مصنوعی که از لحاظ بدنمندی (ربات فیزیکی، ویدیوی ربات و عامل کاملاً
مجازی) با هم متفاوت بودند به شرکتکنندگان نشان داده شد. مجققین همچنین
اظهار داشتند که برخلاف فرضیههای آنها، نتایج حاکی از این بودند که واکنش
ناخودآگاه شرکتکنندگان نسبت به عاملی که چهره عادیتر نسبت به سایرین
داشت و در واقع شباهتش به انسان بیشتر بود و دوستداشتنیتر بهنظر
میرسید، کمتر بوده است.
محققین
دریافتند که احتمال این که شرکتکنندگان به صورت ناخودآگاه نسبت به حالات
چهره عامل مجازی که در مقایسه با سایر عاملهای چهرهای ناخوشایند دارد،
واکنش نشان دهند، بیشتر است. یافتههای این مقاله با نتایج مطالعات پیشین
در حوزه روانشناسی که درباره تقلید حالات چهره در تعاملات انسانی بودند،
کاملاً در تقابل است.
علاوه
براین، محققین دریافتند که وقتی به شرکتکنندگان گفته میشد که باید حالات
چهره عامل را تقلید کنند، احتمال تقلید به صورت ناخودآگاه کمتر میشد.
محققین در این مقاله نوشتند: «وقتی فرد توانایی خوبی در تقلید حالات چهره
هدف که پویا و موقتی هستند، داشته باشد، احتمالاً در تشخیص احساسات هدف نیز
توانا خواهد بود. به این ترتیب، برخلاف تقلید ناخودآگاه، اگر به
شرکتکنندگان گفته شود که حتماً باید حالات چهره عامل را تقلید کنند،
میتوان به درک بهتری از احساسات رسید.»
فرضیه
اولیه محققین این بود که وقتی مستقیماً از افراد خواسته شود که احساسات
عاملهای هوشمند را شناسایی کنند، ممکن است الگوهای حاصله با یافتههای
مطالعات روانشناسی متفاوت باشند. به عبارت دیگر، ممکن است به این دلیل که
تفسیر حالات چهره عاملهایی که چهره ناخوشایندتری دارند، سختتر میباشد،
شرکتکنندگان بیشتر از حالات چهره آنان تقلید کنند (به صورت ناخودآگاه).
در
انتها نیز محققین افزودند: «برای تایید این فرضیه باید مطالعات بیشتری
انجام گیرد. اما در هر صورت، یافتههای این مقاله توانست کنشهای تقلیدی
بین انسان و عامل یا انسان و رباتها را در مسائل تشخیص احساسات توضیح داده
و به ما کمک کند تا رابطه میان تقلید چهره، دوسداشتنی بودن و رابطه
دوستانه را متوجه شویم.»
دکتر
ایلکر بیربیل از تاریخ ۱ ماه مه، در سمت استادی «کاربرد تکنیکهای هوش
مصنوعی و بهینهسازی در کسب و کار و جامعه» در دانشکده کسب و کار آمستردام
مشغول به کار خواهد شد. وی با در دست داشتن این موقعیت، میتواند به هر دو
حوزهی مورد علاقهی خود، تحقیق در عملیات و علوم داده، بپردازد.
بیربیل در ابتدا در حوزهی ریاضیاتی تحقیق در عملیات و علوم مدیریت مشغول بود، اما در میانهی مسیر، علوم داده و هوش مصنوعی
توجه او را به خود جلب کرد. به گفتهی خود بیربیل: «در سال ۲۰۱۱ یک سال
مرخصی گرفتم و به دانشگاه کرنل رفتم. آنجا زمان و فضای لازم برای فکر کردن
به حوزهی تخصصی موردعلاقهام را داشتم. در آن برههی زمانی، حوزههای
علوم داده و تحقیق در عملیات به هم نزدیکتر شده بودند. احساس کردم ترکیب
این دو، طی چند سال آینده، روندی رو به رشد خواهد داشت؛ به همین دلیل مسیر
کاریام را به این سمت بردم.» حدس بیربیل درست بود و ترکیب این شاخهها
نتیجهی رضایتبخشی به دست داد. وی معتقد است: «جامعهی علوم داده
پیوسته به یافتههای جدید و جالبی میرسد، و من میتوانم از برنامههای
مبتنی بر داده برای بهینهسازی مدلهای تصمیمگیری موجود استفاده کنم.»
مسیر آشنا
بیربیل
متولد و بزرگشده استانبول است. در سال ۲۰۱۸ به همراه همسر و دو فرزندش به
اوترخت هلند رفت و استاد «علوم داده و بهینهسازی داده» در دانشگاه
اراسموس روتردام شد. او قبلاً هم سابقهی کار در این دانشگاه را داشته است،
به همین دلیل میگوید: «برگشت به آنجا مثل برگشتن به خانه بود. هنوز خیلی
از اساتید را میشناختم، چون بلافاصله بعد از گرفتن دکتری، در همان
دانشگاه وارد مقطع پسادکتری شده بودم.»
بیربیل
در مورد تصمیمش برای رفتن به دانشگاه UvA توضیح میدهد: «اول فکر میکردم
نمیتوانم جایگاهی در دانشکده کسب و کار آمستردام داشته باشم، چون بیشتر از
کسب و کار، به ریاضیات علاقه دارم. تا زمانی که فهمیدم استاد دی کدن هرتوگ
قرار است به این گروه ملحق شود. دن هرتوگ در حوزهی تحقیق در عملیات فرد
مهمی است. او یکی از بنیانگذاران طرح Analytics for a Better World است و
در عرصهی نظریهپردازی نیز جایگاه والایی دارد. به نوعی میتوان او را
همرده با استاد یوآخیم گرومیکو، یکی از دوستان قدیمی و همکارانم دانست.
حضور آنها در UvA مرا امیدوار کرد.» علاوه بر این، بیربیل معتقد است
مزایای همکاری بخش کسب و کار با ABS به او انگیزه میدهد: «این همکاری
افراد را قادر میسازد دانش را در قالب برنامههای کاربردی ارائه دهند و
البته، امکان آشنایی با افراد مهم را نیز برای آنها فراهم میکند.»
حریم شخصی و تفسیرپذیری
بیربیل
مشتاقانه منتظر شروع تحقیقات خود در ABS است. او میگوید: «تمرکز من
عمدتاً روی مسائل چالشبرانگیز در حوزهی تصمیمگیری است. یکی از این مسائل
حریم شخصی افراد است. در آینده، شرکتها مجبور خواهند بود با یکدیگر کار
کنند و برای پایدارتر کردن عملیاتهای کسب و کار خود، باید منابع را با هم
به اشتراک بگذارند. به عنوان مثال، شاید دو شرکت هرکدام ۱۰۰ کامیون نیمهپر
داشته باشند، این دو شرکت میتوانند همکاری کرده و ۱۰۰ کامیون پر را وارد
جادهها کنند. این یک مثال ساده و ابتدایی از تخصیص منابع است؛ اما وقتی
چالشهای مربوط به حریم شخصی را در نظر بگیریم، ناگهان با مسائل پرخطرتری
مواجه میشویم. شاید شرکتها بخواهند با یکدیگر کار کنند، اما اگر خطر این
وجود داشته باشد که اطلاعات شرکتشان در دست افراد نادرستی قرار گیرد، این
کار را نخواهند کرد. پس سؤال اینجاست که آیا میتوان روشهایی ساخت که
امنیت و حریم خصوصی دادهها را طی فرآیند تصمیمگیری، تضمین کنند؟»
موضوع
دیگری که بیربیل مطرح میکند مربوط به بحث تفسیرپذیری است: «در عصر حاضر،
به صورت روزافزون از از الگوریتمهای گوناگون استفاده میکنیم. برای مثال
بانکها الگوریتمهای ریاضیاتی متعددی را به کار میبرند که مبتنی بر یادگیری ماشین
هستند. وقتی یک نفر برای دریافت اعتبار درخواست میکند، یک الگوریتم بررسی
میکند آیا آن شخص شرایط لازم را دارد یا خیر. اما این الگوریتم یک جعبه
سیاه است؛ یعنی ما نمیدانیم دقیقاً چطور کار میکند و فقط نتیجهی آن را
میبینیم. از سوی دیگر، این روزها خواستهی افراد از دولت و جامعه، شفافیت
است. به همین دلیل باید بتوانیم نشان دهیم الگوریتمها چطور به تصمیم خاصی
میرسند. برای انجام این کار باید فرآیند زیربنایی تصمیمگیری الگوریتم
جعبهی سیاه است را آشکار کنیم یا اینکه دیگر از مدل جعبهی سیاه، به
عنوان یک گام میانی، استفاده نکنیم. توجه به مسائل تفسیرپذیری، تأثیر عمیقی
روی جامعه خواهد داشت.»
برای دنیایی بهتر
از
نظر بیربیل، تأثیرات مستقیم الگوریتمها روی جامعه موضوع بسیار جالبی است.
به همین دلیل امیدوار است جایگاهی را به دست آورد که بتواند نقش خود در
طرح «Analytics for a Better World» را هر چه بهتر ایفا کند. وی میگوید:
«تا به حال در سخنرانیهای زیادی در مورد حمل و نقل شرکت کردهام، مبحث
آخرین سخنرانی، انتقال خون به آفریقا بود. در چنین موردی، انتقال درست و
مناسب حیاتی است. اما چالشهای زیادی، از جمله فناوری یا شبکهی توزیع، در
این مسیر وجود خواهد داشت. هدف این است که برای بهینهسازی جمعآوری و
توزیع خون و در نتیجه بهبود کیفیت زندگی، از تجزیه و تحلیل استفاده شود.»
بیربیل امیدوار است با پژوهش خود در مورد مدلهای تصمیم، بتواند در دستیابی
به این هدف سهمی ایفا کند. او در ادامهی صحبتهای بیان میکند: «اینجا هم
تفسیرپذیری نکتهی کلیدی است. وقتی مسئله مربوط به راهکارهای پزشکی باشد،
ضروری است چرایی کارکرد یک الگوریتم را کشف کنید تا بتوانید آنرا در مقیاس
وسیع به کار ببرید.»
با این
حال، بیربیل قصد دارد اولین سال خود را در UvA صرف تدوین برنامهی تحصیلات
تکمیلی برای رشتهی «تحلیل تجاری» کند. وی در این رابطه میگوید: «در حال
حاضر، این رشته در دورهی کارشناسی نیز دانشجو میپذیرد. اما بیربیل
ایدههایی برای طرحریزی مقطع ارشد در سر دارد. هم برنامهی تدوین شده و هم
دانشجویان باید ارتباطی نزدیک با صنایع داشته باشند. در همین راستا، به
چندین شرکت که به این همکاری تمایل دارند نزدیک خواهیم شد و سعی میکنیم با
گفت و گو و استفاده از مطالعات موردی در مورد مسائل دنیای واقعی، به
قویتر شدن دانشجویان کمک کنیم. شاید من به عنوان استاد بتوانم همه چیز را
در مورد علوم داده و بهینهسازی به دانشجویانم بیاموزم، اما واقعیت این است
که نهایتاً باید وارد دنیای واقعی شوند و آنچه آموختهاند را به صورت
عملی به کار بگیرند.»