ทำไม AI ที่ดีกว่าจึงต้องการเคสจริง ไม่ใช่แค่ข้อมูลที่มากขึ้น

คุณภาพของข้อมูล AI สำคัญกว่าปริมาณข้อมูล มีข้อสันนิษฐานทั่วไปเกี่ยวกับ AI: ป้อนข้อมูลให้มันมากขึ้น แล้วมันจะเก่งขึ้น ฟังดูมีเหตุผล แต่มันไม่เป็นความจริงเสียทีเดียว.

ปริมาณที่มากขึ้นไม่ได้หมายความว่าดีขึ้นเสมอไป

ลองคิดดูเหมือนกับการเรียนรู้จากบันทึก สมุดบันทึกที่ยุ่งเหยิงพันหน้าไม่ได้สอนอะไรคุณมากเท่ากับบันทึกที่ชัดเจนและถูกต้องห้าหน้า AI ก็เรียนรู้ในลักษณะเดียวกัน ป้อนข้อมูลจำนวนมหศาลที่ไม่สอดคล้องกันและติดป้ายกำกับไม่ดีให้กับโมเดล แล้วมันจะไม่ฉลาดขึ้น แต่มันจะสับสน มันเริ่มเก็บเอาสัญญาณรบกวนแทนที่จะเป็นรูปแบบที่แท้จริง.

นี่คือหนึ่งในบทเรียนที่ใหญ่ที่สุดที่อุตสาหกรรม AI ได้เรียนรู้เมื่อไม่นานมานี้ โมเดลที่ยอดเยี่ยมแต่ป้อนข้อมูลที่ไม่ดีเข้าไปก็ยังคงให้ผลลัพธ์ที่ไม่ดี โมเดลที่เรียบง่ายแต่ป้อนข้อมูลที่ยอดเยี่ยมเข้าไปสามารถทำผลงานได้ดีกว่า.

ทำไมเรื่องนี้จึงยิ่งสำคัญมากขึ้นในทางการแพทย์

ในอุตสาหกรรมส่วนใหญ่ การทำนายของ AI ที่ผิดพลาดเป็นเพียงเรื่องที่น่ารำคาญ แต่ในการใช้งานทางการแพทย์และด้านความงาม เดิมพันนั้นแตกต่างออกไป เครื่องมือจำลองไม่ได้ต้องการแค่ดูสมจริงเท่านั้น แต่จำเป็นต้องถูกต้อง ในความเป็นจริงที่ยุ่งเหยิงของคนไข้จริง ขั้นตอนจริง และผลลัพธ์จริง.

ความน่าเชื่อถือไม่ได้มาจากขนาด แต่มันมาจากเคสจริงที่มีการบันทึกไว้อย่างดี ได้แก่ ภาพถ่ายที่สม่ำเสมอ รายละเอียดขั้นตอนที่แม่นยำ การเปรียบเทียบก่อนและหลังทำอย่างตรงไปตรงมา ข้อมูลประเภทนี้คือสิ่งที่สอนให้ระบบรู้ว่าผลลัพธ์ที่แท้จริงหน้าตาเป็นอย่างไร ไม่ใช่แค่ภาพที่ดูสะอาดตาและอุดมคติเท่านั้น.

โดยทั่วไปแล้ว ทีมงานมักจะเรียนรู้เรื่องนี้ผ่านบทเรียนราคาแพง ข้อมูลที่ไม่สอดคล้องกันไม่ได้ลดทอนแค่ความแม่นยำเท่านั้น แต่ยังค่อยๆ กัดเซาะความเชื่อมั่นที่มีต่อเครื่องมือ ต่อผลลัพธ์ และท้ายที่สุดคือต่อความคุ้มค่าในการใช้ AI ไปโดยปริยาย รายงานจากอุตสาหกรรมฉบับล่าสุดระบุไว้อย่างชัดเจนว่า:

“ข้อมูลที่น่าเชื่อถือและมีการจัดการที่ดีเยี่ยมยังคงเป็นรากฐานสำหรับนวัตกรรมอื่นๆ ทั้งหมด”

เคสจริงหายาก นั่นแหละคือประเด็นสำคัญ

ข้อมูลที่มีการบริหารจัดการที่ดีและมีคุณภาพสูงกำลังกลายเป็นสินทรัพย์ที่แท้จริง ไม่ใช่แค่เพียงรายละเอียดทางเทคนิค การรวบรวมข้อมูลต้องอาศัยความไว้วางใจ ความสม่ำเสมอ และความร่วมมือ นั่นคือเหตุผลว่าทำไมมันจึงมีค่า มันไม่สามารถถูกขูดข้อมูล (scrape) หรือสร้างขึ้นมาในปริมาณมากได้.

ลองนึกภาพเครื่องมือจำลอง AI สองตัว ตัวหนึ่งฝึกฝนส่วนใหญ่จากภาพสต็อกและตัวอย่างในอุดมคติ ได้แก่ แสงที่สะอาด มุมที่สมบูรณ์แบบ และผลลัพธ์ที่ดีที่สุด อีกตัวหนึ่งฝึกฝนจากเคสทางคลินิกจริง ได้แก่ แสงในชีวิตประจำวัน รูปร่างที่หลากหลาย ไทม์ไลน์การรักษาจริง และมุมที่ไม่สมบูรณ์แบบเป็นครั้งคราว.

เครื่องมือแรกอาจดูน่าประทับใจมากกว่าในการสาธิตที่ขัดเกลามาเป็นอย่างดี เครื่องมือที่สองมีโอกาสมากกว่ามากที่จะทำการทำนายได้ถูกต้องเมื่อต้องเจอกับผู้ป่วยจริง ในคลินิกจริง ภายใต้เงื่อนไขจริง ช่องว่างระหว่างการดูดีในการสาธิตกับการใช้งานจริงนั้น เกือบจะเกี่ยวกับข้อมูลเสมอ ไม่ใช่ตัวแบบ.

ทั้งอุตสาหกรรมกำลังเปลี่ยนไปสู่แนวคิดนี้

การเปลี่ยนแปลงนี้ก้าวล้ำไปไกลกว่าเวชศาสตร์ความงาม ในหลากหลายอุตสาหกรรม ทีมงานต่างใช้เวลาหลายปีในการพยายามรีดเค้นประสิทธิภาพที่ดีกว่าเดิมออกจากโมเดลของตน หลายคนกำลังตระหนักว่าโอกาสที่ยิ่งใหญ่กว่านั้นซ่อนอยู่ในข้อมูลของตนมาโดยตลอด หน่วยงานกำกับดูแลก็เริ่มให้ความสนใจอย่างใกล้ชิดเช่นกัน พวกเขาไม่ได้เพียงแต่ตั้งคำถามว่า “AI ทำงานได้หรือไม่?” อีกต่อไป แต่เริ่มถามว่า “คุณสามารถแสดงให้เราเห็นได้หรือไม่ว่าข้อมูลมาจากไหน และได้รับการจัดการอย่างถูกต้องเหมาะสมหรือไม่?”

ในเวชศาสตร์ความงาม ผู้ป่วยตัวจริงไว้วางใจแพทย์ตัวจริงด้วยข้อมูลของพวกเขา นั่นทำให้คำถามนี้มีความสำคัญยิ่งขึ้นไปอีก เครื่องมือ AI จะมีความน่าเชื่อถือเท่ากับกระบวนการเบื้องหลังข้อมูลที่มันเรียนรู้มา ซึ่งรวมถึงผู้ที่ให้, สิทธิ์ และความใส่ใจในการเคารพสิทธิ์เหล่านั้นมากแค่ไหน.

นี่คือแนวคิดเบื้องหลังสิ่งใหม่ที่เรากำลังสร้างขึ้น

และนั่นคือเหตุผลทั้งหมดเบื้องหลังโปรแกรมใหม่ที่เรากำลังเปิดตัวที่ Arbrea: โปรแกรมพาร์ทเนอร์การวิจัย Arbrea. แทนที่เราจะวิ่งหาข้อมูลเพิ่มเติม เรากำลังสร้างความร่วมมือโดยตรงกับแพทย์และคลินิกที่มีการบันทึกเคสจริงไว้อย่างดีอยู่แล้ว การให้ความยินยอมยังคงอยู่กับที่ที่ควรจะเป็น นั่นคือกับตัวแพทย์และผู้ป่วย ซึ่งเป็นส่วนหนึ่งของการปฏิบัติงานตามปกติ Arbrea จะทำงานร่วมกับเคสที่มีการ anonymized (ไม่เปิดเผยตัวตน) เท่านั้น เป้าหมายไม่ใช่ชุดข้อมูลที่ใหญ่ขึ้น แต่เป็นชุดข้อมูลที่ดีกว่า ซึ่งมาจากเคสจริง จากคลินิกจริง ที่จะช่วยให้การจำลองของเรามีความแม่นยำยิ่งขึ้นสำหรับทุกคน.