Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Os sistemas de tomada de decisão altamente exactos podem ser criados com a interacção da humano-máquina

As máquinas podem ser treinadas para classificar imagens e para identificar assim tumores em varreduras do CT, em composições minerais nas rochas, ou em patologias em análises ópticas da microscopia. Esta técnica da inteligência artificial é sabida como a aprendizagem de máquina e tem ganhado novas aplicações nos últimos anos.

O treinamento da máquina é realizado através da repetição das imagens usadas como exemplos de um contexto particular ou a situação e a preparação adequada desse material exigem o esforço dos peritos de uma variedade de áreas.

As coordenadas do ser humano. Sem o especialista que controla o processo do treinamento, a máquina pode aprender fazer as decisões baseadas nas características da imagem que não são relacionadas ao problema do alvo. Isto gera um resultado ou deficiente restringido à base de dados em que a máquina foi treinada. Quando a base de dados muda, os erros aumentam consideravelmente, fazendo a análise da máquina incerta.”

Alexandre Xavier Falcão, do instituto da computação da universidade de Campinas (UNICAMP)

Falcão tem combinado a ciência de computação com as áreas de conhecimento diferentes com base em projectos da aprendizagem de máquina, desenvolvidas com fundação de pesquisa de São Paulo - o apoio de FAPESP, em uma linha da pesquisa que investigasse a interacção da humano-máquina na tomada de decisão.

Automatização da detecção do parasita

Um dos projectos conduziu por Falcão e apresentou em alvos de França da semana de FAPESP para automatizar a detecção do parasita em análises do tamborete. A pesquisa foi conduzida através de uma parceria entre Immunocamp (uma empresa Campinas-baseada especializada em produtos do hospital) e pesquisadores dos institutos da computação e da química de UNICAMP, assim como da escola de ciências médicas da mesma universidade.

A equipe interdisciplinar desenvolveu uma máquina - patenteada e logo disponível no mercado - capaz de identificar as 15 espécies as mais predominantes de parasita que contaminam seres humanos em Brasil.

A técnica de aprendizagem da máquina mostrou a eficiência mais de 90%, que é muito mais alta do que as análises convencionais realizadas por seres humanos com a análise visual das corrediças ópticas da microscopia, às cujas as taxas variam de 48%, no máximo, 76%. A máquina é igualmente capaz de processar 2.000 imagens em quatro minutos.

“A ideia não é substituir o trabalho dos seres humanos, especialmente porque precisam de treinar as máquinas para identificar mais espécie do parasita e para confirmar o diagnóstico dos micróbios patogénicos detectados pela máquina, mas para evitar um pouco a fadiga humana e para aumentar a precisão dos resultados,” disse.

A tecnologia inovador foi apoiada igualmente por FAPESP com a pesquisa inovativa no programa das empresas de pequeno porte (TUBULAÇÃO).

Aprendizagem de máquina interactiva

Uma das inovações criadas pela equipe de UNICAMP era um sistema para separar os parasita e as impurezas baseados no princípio de flutuação de ar dissolvida, que permite corrediças ópticas da microscopia com menos impurezas de ser gerada.

Na peça da ciência dos dados, a máquina pode realizar uma varredura automatizada da corrediça e detectar os parasita que aparecem nas imagens no ecrã de computador. Isto era possível usando as técnicas computacionais que separam os componentes da imagem para verificar e decidir se são relacionados às impurezas ou a uma das 15 espécies parasíticas.

“A interacção da humano-máquina tem o potencial reduzir o esforço humano e aumentar a confiança na decisão algorítmica. Nossa aproximação mostrou que incluir o especialista no ciclo de treinamento gera os sistemas de tomada de decisão seguros baseados na análise de imagem.”

Sistemas de tomada de decisão seguros

O alvo da metodologia é minimizar o esforço feito pelo especialista em termos da observação em grande escala da imagem, procurando a construção de sistemas de tomada de decisão altamente exactos.

“A aproximação clássica, que não usa exemplos pre-gravados e nenhuma interacção humana durante o treinamento, deixa várias perguntas não respondidas. São perguntas essenciais, tais como quantos exemplos são necessários para que as máquinas aprendam ou como explicar as decisões feitas pela máquina. Nossa metodologia consiste incluir o especialista no ciclo da aprendizagem de máquina de modo que as perguntas tais como estes sejam respondidas,” ele disse.

Conseqüentemente, a estratégia usada pela equipe de Falcão construindo sistemas de tomada de decisão seguros foi explorar capacidades complementares. Os “seres humanos são superiores na abstracção do conhecimento. As máquinas não se cansam e são-se melhores em processar grandes quantidades de dados. Assim, o esforço do especialista é minimizado controlando o ciclo de aprendizagem e as decisões das máquinas tornam-se explicáveis,” disse.

O simpósio de França da semana de FAPESP está ocorrendo entre os 21 e 27 de novembrost th, agradecimentos a uma parceria entre FAPESP e as universidades de Lyon e Paris, ambos em França. Leia a outra notícia sobre o evento em: http://www.fapesp.br/week2019/france/.