Čím více senzorů a aplikací je dnes provozováno, tím více vzniká dat. Čím více vzniká dat, tím více je zapotřebí používat umělou inteligenci, abychom je mohli analyzovat. Proto se odborníci v posledních letech pokoušejí najít vhodné řešení. Vyvinuli systémy pro strojové učení, pokročilou inteligenci založenou na neuronových sítích a také se zabývají rojovým učením [swarm learningem]. Právě tento způsob v poslední době díky společnosti Hewlett Packard Enterprise [HPE] nabral na obrátkách. Nabízí nejen možnost, jak vyřešit „hlad“ po velkých výpočetních výkonech, ale také pracuje decentralizovaně, algoritmy se samy zdokonalují a data jsou anonymizována, což je dnes nezbytností. Co je rojová inteligence?
Dříve upřednostňované centralizované výpočetní modely velkých společností se začínají měnit. Lidé si totiž uvědomili, že není možné, aby veškerou moc drželo několik málo subjektů, a že navíc mnohem efektivnější je využít výpočet na okraji sítě [edge computing], tedy třeba klientskými zařízeními. Sdílení výpočetního výkonu a anonymizovaných dat potom vede k tomu, že se nemůže stát, že kdyby jeden subjekt vypadl, podstatná část technologií by přestala fungovat. Naopak, tímto způsobem se všichni stanou silnějšími, zatímco mocných subjektů bude ubývat. A právě na toto vsází i rojová inteligence.
Rojová inteligence ukazuje budoucnost
Je vědecky dokázáno, že komunitám prospívá sdílení znalostí a zkušeností mezi jejich členy. Toho využívají i zvířata, a tak v přírodě lze snadno narazit na hejna špačků, včel, kolonie mravenců a v mořích potom například ryb. Na základě podobného principu, nazývaného rojová inteligence, vymyslel mezinárodní výzkumný tým algoritmy umělé inteligence tak, aby pomáhaly detekovat rakoviny krve, plicních chorob a Covid-19 v datech uložených decentralizovaným způsobem. Rojové učení by tak mohlo významně podporovat a urychlovat spolupráci a výměnu informací ve výzkumu, zejména v oblasti medicíny.
Odborníci z německého centra pro neurodegenerativní nemoci [DZNE] ve spolupráci se společností HPE a dalšími výzkumnými institucemi používají tuto novou podobu pro analýzu velkých dat a věří, že je to způsob, který bude klíčem vedoucímu k lepším možnostem léčby.
„Data z lékařského výzkumu jsou velmi ceněna. Mohou hrát rozhodující roli při vývoji personalizovaných terapií, které jsou připravené na míru každému jednotlivci přesněji než konvenční léčba,“ řekl Joachim Schultze, ředitel systémové medicíny na DZNE a profesor na Life & Medical Sciences Institute [LIMES] na Bonnské univerzitě.
Proto je pro vědu zásadní, aby mohla používat tato data co nejkomplexněji a z co největšího počtu zdrojů.
Data zůstávají, vývoj pokračuje
Výměna nasbíraných dat z lékařských výzkumů z různých míst [například nemocnic], a to třeba i mezi různými zeměmi však podléhají předpisům o ochraně osobních údajů. Při konvenčním způsobu jejich zpracování v tomto nastává problém. V praxi lze na základě direktiv požadované splnit pouze se značným úsilím. Kromě toho je nutné řešit i různé technické překážky – například přenos obrovského množství dat, propustnost datových linek, disponovat výkonným hardwarem atd.
Vzhledem k těmto podmínkám je mnoho lékařských studií omezeno na lokální zpracování. To potom znamená, že nelze pracovat s daty, která jsou k dispozici jinde. Proto byla společností HPE vyvinuta nová technologie „swarm learning“ kombinující speciální druh výměny informací mezi různými uzly sítě, používající metody známé ze strojového učení a umělé inteligence. Základem strojového učení jsou algoritmy, které jsou trénovány na datech, aby detekovaly změny v nich, a které následně získávají schopnost rozpoznat naučené vzorce i v jiných datech.
„Swarm learning otevírá nové příležitosti pro spolupráci v lékařském výzkumu i v podnikání. Klíčem je, že všechny subjekty se mohou navzájem učit, aniž by musely sdílet důvěrná data. Sdílené jsou pouze algoritmy a parametry,“ řekl Eng Lim Goh, hlavní viceprezident a technologický ředitel pro umělou inteligenci společnosti HPE.
Výsledky jsou inteligentně zpracovávány systémem
Na rozdíl od federovaného učení [vyvinuto společností Google] umožňující více subjektům vytvořit společný robustní model strojového učení také bez sdílení dat, však swarm learning nepoužívá žádné centralizované hlavní výpočetní centrum, ale je uskutečňováno na okraji sítě – tedy lokálně. Rojové učení probíhá kooperativně na základě stanovených pravidel, na kterých se všechny subjekty předem dohodnou.
Tato sada pravidel je přitom zachycena v blockchainu [databáze, která uchovává chronologický řetězec záznamů a chrání ho proti neoprávněným změnám], tedy v páteři swarm learningu. Všichni členové jednoho roje přitom mají stejná práva. Neexistuje žádná centrální moc nad tím, která by mohla rozhodovat, ani nad výsledky. Algoritmy umělé inteligence se tak používají lokálně, a to na základě dat dostupných sdílením v každém síťovém uzlu.
Výsledky učení každého uzlu jsou shromažďovány jako parametry prostřednictvím blockchainu a inteligentně zpracovávány systémem. Následně jsou předávány všem zapojeným stranám. Tento proces se opakuje, a tak se postupně zlepšuje schopnost algoritmů rozpoznávat změny v každém uzlu sítě.
Rojová inteligence v praxi
Představme si, že jedna nemocnice má mnoho případů tuberkulózy, ale méně těch se zápalem plic. Druhá naopak hodně s pneumonií, ale méně s tuberkulózou. Pokud každá nemocnice použije umělou inteligenci k lepšímu pochopení zmíněných nemocí, vytvoří předpojatost ve směru nejčastějšího onemocnění. Prostřednictvím blockchainu mohou být váhy neurální sítě každé umělé inteligence sdíleny, zprůměrovány a distribuovány, což umožňuje vytvořit přesnější obraz plicních onemocnění pro obě nemocnice. Tím budou díky swarm learningu schopny detekovat tuberkulózu i zápal plic stejně dobře.
Rojová inteligence je stále výzkumným projektem, ale dnešní rychlý vývoj technologií mu jde hodně naproti. Edge computing, umělá inteligence a blockchain vytvářejí proces, kterým lze efektivně zpracovávat velká data. Místo toho, aby jimi byli všichni zahlceni jsou směřovány a používány tam, kde to dává velký smysl. Každý uzel v rojovém učení navíc těží ze zkušeností ostatních uzlů, i když jsou vždy k dispozici jen lokální data. A co je na swarm learningu vůbec nejlepší, je to, že samotný vesmír, lidský mozek i přírodní ekosystémy se podobají decentralizovaným sítím.
Celé znění původní zprávy: https://www.dzne.de/en/news/press-releases/press/ai-with-swarm-intelligence/
