دانشمندان کامپیوتر از Surrey نشان دادهاند که یک روش یادگیری تقویتی با پایان باز یا بدون مدل قادر به تثبیت مجموعه دادههای بزرگ (تا 200 گره) مورد استفاده در مدلهای هوش مصنوعی است. این رویکرد چشم انداز کشف راه هایی را برای جلوگیری از توسعه سرطان با پیش بینی پاسخ سلول های سرطانی به اختلالات از جمله درمان دارویی باز می کند.
پروفسور فرانچسکا بوفا از دپارتمان سرطان شناسی دانشگاه آکسفورد در مورد یافته های تحقیق اظهار نظر کرد:
یادگیری تقویتی روشی از یادگیری ماشینی است که به وسیله آن به رایانه برای تصمیم گیری درست پاداش می دهید و آن را برای تصمیمات اشتباه مجازات می کنید. با گذشت زمان، هوش مصنوعی یاد می گیرد که بهتر تصمیم بگیرد.
“آنچه ما نشان دادیم توانایی رویکرد مبتنی بر یادگیری تقویتی برای پرداختن به شبکه های بولی در مقیاس بزرگ واقعی از مطالعه ملانوم متاستاتیک است. نتایج این تحقیق در استفاده از داده های ثبت شده نه تنها برای طراحی درمان های جدید، بلکه همچنین موفقیت آمیز بوده است. گام بعدی استفاده از سلول های زنده با روش های مشابه است.”
یک رویکرد بدون مدل برای یادگیری تقویتی زمانی است که هوش مصنوعی جهت یا نمایش روشنی از محیط خود نداشته باشد. رویکرد بدون مدل قدرتمندتر در نظر گرفته میشود، زیرا هوش مصنوعی میتواند بلافاصله بدون نیاز به توضیح دقیق محیط خود، یادگیری را شروع کند.
بر اساس یک مطالعه جدید از دانشگاه ساری، یک روش جدید «خارج از جعبه» برای آموزش مدلهای هوش مصنوعی (AI) برای تصمیمگیری میتواند امیدی برای یافتن روشهای درمانی جدید برای سرطان ایجاد کند.
دکتر سوتیریس موشویانیس، نویسنده مسئول این مطالعه از دانشگاه ساری، گفت:
“این کار گام بزرگی در جهت اجازه دادن به پیشآگهی اختلال در شبکههای ژنی است که با حرکت به سمت درمانهای هدفمند ضروری است. این نتایج برای آزمایشگاه من هیجانانگیز است، زیرا مدتهاست که مجموعه گستردهتری از اغتشاش را در نظر گرفتهایم که شامل محیط میکرو میشود. سلول.””
“تعداد دلخراشی از سرطانهای تهاجمی وجود دارد که اطلاعات کمی در مورد منشا آنها وجود دارد، چه رسد به اینکه چگونه رفتار آنها را دستهبندی کنیم. اینجاست که یادگیری ماشینی میتواند امید واقعی را برای همه ما فراهم کند.