|
深度学习是一个很大的领域，其核心是一个神经网络的算法，神经网络的尺寸由数百万甚至数十亿个不断改变的参数决定。似乎每隔几天就有大量的新方法提出。
然而，一般来说，现在的深度学习算法可以分为三个基础的学习范式。每一种学习方法和信念都为提高当前深度学习的能力和范围提供了巨大的潜力和兴趣。
混合学习-现代深度学习方法如何跨越有监督和无监督学习的界限，以适应大量未使用的未标记数据？
成分学习-如何采用一种创新的方法将不同的组件链接起来生成一个混合的模型，这个模型的效果比各个部分简单的加和效果要好？
简化学习-如何在保持相同或规模的预测能力的同时，减少模型的大小和信息流，以达到性能和部署的目的？
深度学习的未来主要在于这三种学习范式，每一种都紧密链接。
混合学习
这种学习范式试图去跨越监督学习与无监督学习边界。由于标签数据的匮乏和收集有标注数据集的高昂成本，它经常被用于商业环境中。从本质上讲，混合学习是这个问题的答案。
我们如何才能使用监督学习方法来解决或者链接无监督学习问题？
例如这样一个例子，半监督学习在机器学习领域正日益流行，因为它能够在很少标注数据的情况下对有监督的问题表现得异常出色。例如，一个设计良好的半监督生成对抗网络（Generative antimarial Network）在MNIST数据集上仅使用25个训练样本，就达到了90%以上的准确率。
半监督学习学习专门为了那些有打大量无标注样本和少量有标注样本的数据集。传统来说， 监督学习是使用有标注的那一部分数据集，而无监督学习则采用另外无标注的一部分数据集， 半监督学习模型可以将有标注数据和从无标注数据集中提取的信息结合起来。
让机器人来录入数据以提高效率
Intermountain Healthcare已部署了自动执行急诊和非住院登记以及临床表格提交的技术，以此来作为其客户体验策略的一部分。
Intermountain的首席信息官Ryan Smith说，Intermountain使用机器人过程自动化(RPA)向患者发送定制化的文本，其中包含特定类型的就诊所需的临床表格。
Smith说：“挂号将暴露同意书或保险等问题，这取决于特定患者的需要。我们正在减少就诊前在诊所等待的时间，这使患者感到非常满意。只要患者觉得便利，他们是很乐意完成挂号流程的。”
在系统端，Intermountain正在将原本由看护者负责的数据输入任务交给机器人来做，这可以显著提高效率并节省成本，Smith这样说道。
由于在自动化方面所做的各种工作，Intermountain得以专注于各种用户偏好和简单的规则引擎，例如，人工智能确定了发短信给患者的最佳时间。
Smith说：“我们的CX(客户体验)策略着眼于消费者如何受益。我们的目标包括花更多的时间对患者进行面对面的护理，而不让计算机成为医师和患者之间的隔阂，也包括以更安全的方式提供护理，从而减少可能的错误。”
Smith说，Intermountain正在考虑将自动化和人工智能引入提供商工作流程的其他方式。提供商订单和票据自动化是一个可能实施的领域。“随着时间的流逝，机器人将学习临床诱因(clinical trigger)以及为订单和注释所做的录入”。他说：“这些内容将被录入到公司的电子病历(EMR)系统中。当我们让机器人了解提供商所批准，更改或拒绝的内容时，我们就能够降低错误率并为每个提供商创建更量身定制的方法。”
Intermountain正在探索的另一个领域是光学字符识别(OCR)的使用，即能够使用视觉感知的能力，以便机器人可以推断出各种洞察。例如，它可以通过读取PDF文件来找到药品的品牌名称并建议可用的等效仿制药。
和旗舰医疗集团一样，Intermountain也引进了人工智能驱动的症状检查程序，该程序可根据症状将患者送至合适的护理地点，从而使医疗服务提供者的护理热线电话数量减少了30%。
在未来，Intermountain会将机器学习应用于它所收集的有关诊断的数据集，从而让人们了解与护理有关的后续问题。“该流程将把我们的患者引导至最具成本效益的护理点并指导他们进行日程安排或消息传递或通过视频就诊进行连接”，Smith这样说道，“Intermountain将提供尽可能无缝，快速和舒适的治疗。”
（编辑：阿坝站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
