Учёные разработали алгоритм концептуальной кластеризации, который поможет решать ряд сложных задач в области машинного обучения. Используя этот алгоритм, машина может самостоятельно за доли секунды выделять подгруппы схожих объектов и анализировать их. Исследование обнародовано в журнале Algorithms.
Разработка может применяться в медицине для диагностики и прогнозирования социально значимых заболеваний, например, для прогнозирования рисков осложнений инфаркта миокарда и диагностики онкологических заболеваний у пациентов. По словам учёных, универсальность метода позволяет использовать его на производстве, например, для сортировки деталей, и даже для решения вопросов налогообложения — словом, везде, где требуется быстрый и обоснованный анализ большого объёма данных.
«Современные алгоритмы машинного обучения, те же нейросети, чаще всего представляют из себя „чёрный ящик“ — в соответствии с вводными они формируют некий результат, которому мы можем доверять или не доверять. Однако в медицине или в системе налогообложения пользователю требуется объяснение, почему машина пришла к тому или иному выводу, ведь последствия негативного решения ИИ могут быть разрушительны. Особенно это касается области диагностики заболеваний или моделирования возможных осложнений для здоровья пациентов», — сообщил руководитель исследования, профессор кафедры информационных систем Института космических и информационных технологий СФУ Игорь Масич.
Подробнее на сайте СФУ.