Các nhà nghiên cứu tại Đại học Waterloo vừa tạo ra một bước tiến đáng kể trong lĩnh vực trí tuệ nhân tạo (AI) với việc phát triển một mô hình mới. Mô hình này không chỉ giúp giảm sự thiên vị mà còn tăng cường độ tin cậy và chính xác trong quá trình ra quyết định và tổ chức kiến thức do học máy tạo ra.
Trong quá khứ, các mô hình học máy thường đem lại kết quả sai lệch, ưu tiên các nhóm có dân số lớn hoặc bị ảnh hưởng bởi các yếu tố chưa được biết. Điều này đặc biệt nghiêm trọng trong lĩnh vực y tế, nơi mà các nhân viên bệnh viện và chuyên gia y tế dựa vào dữ liệu chứa hàng nghìn hồ sơ bệnh án và các thuật toán máy tính phức tạp để đưa ra quyết định quan trọng về việc chăm sóc bệnh nhân.
Tuy nhiên, nhờ công trình nghiên cứu mới do Tiến sĩ Andrew Wong, giáo sư danh dự về kỹ thuật thiết kế hệ thống tại Waterloo, dẫn đầu, một mô hình đổi mới đã được phát triển. Mô hình này, được gọi là Khám phá và gỡ rối mẫu (PDD), có thể gỡ rối các mẫu phức tạp khỏi dữ liệu để liên kết chúng với các nguyên nhân cơ bản cụ thể, không bị ảnh hưởng bởi các điểm bất thường và các trường hợp bị gắn nhãn sai.
PDD đã cách mạng hóa việc khám phá mẫu. Nó đã được chứng minh qua nhiều nghiên cứu điển hình, thể hiện khả năng dự đoán kết quả y tế của bệnh nhân dựa trên hồ sơ lâm sàng của họ. Hệ thống PDD cũng có thể khám phá các mẫu mới và hiếm trong bộ dữ liệu, giúp các nhà nghiên cứu cũng như các học viên phát hiện các nhãn sai hoặc điểm bất thường trong học máy.
Kết quả cho thấy các chuyên gia chăm sóc sức khỏe có thể đưa ra các chẩn đoán đáng tin cậy hơn được hỗ trợ bởi các số liệu thống kê nghiêm ngặt và các mô hình có thể giải thích được, để đưa ra các khuyến nghị điều trị tốt hơn cho các bệnh khác nhau, ở các giai đoạn khác nhau.
Mô hình PDD đã nhận được sự công nhận trong công nghiệp với giải thưởng gần đây về Khoản tài trợ đổi mới ý tưởng của NSER trị giá $124,648. PDD đang được thương mại hóa thông qua Văn phòng Thương mại hóa Waterloo, mở ra một chương mới trong việc ứng dụng AI để cải thiện quyết định và tổ chức kiến thức.
