Šis garso įrašas generuojamas automatiškai. Praneškite mums, jei turite Atsiliepimas.
Nardymo trumpas:
- Maisto ir vaistų administracijos pareigūnai apibūdino kaip gyvavimo ciklo valdymas galėtų išspręsti generatyvaus dirbtinio intelekto sveikatos priežiūros problemas.
- Ketvirtadienį paskelbtame tinklaraščio įraše FDA Skaitmeninės sveikatos kompetencijos centro (DHCoE) vadovai pasidalijo savo darbu, siekdami sudaryti AI gyvavimo ciklą ir nustatyti pagrindines veiklas kiekviename proceso etape.
- Autoriai šį modelį vertina kaip žinyną, padedantį įvertinti standartus, ir kitų projektų, pavyzdžiui, kontrolinio sąrašo, skirto sistemingam dirbtinio intelekto kūrimui ir įvertinimui, paleidimo planą.
Nardymo įžvalga:
DHCoE direktorius Troy Tazbaz ir centro skaitmeninės sveikatos specialistas Johnas Nicol buvo tinklaraščio įrašo bendraautoriai. Pranešime Tazbazas ir Nicol teigė, kad gyvavimo ciklo valdymas buvo būtinas kuriant patikimą programinę įrangą nuo septintojo dešimtmečio. Šiandien programinės įrangos kūrimo gyvavimo ciklai įkūnija principus, pagal kuriuos suteikiama struktūrinė sistema kiekvienam žingsniui nuo planavimo iki programų pašalinimo.
DHCoE stengėsi susieti tradicinio gyvavimo ciklo etapus su konkrečiais DI kūrimo žingsniais. Darbas sukūrė modelį kuri parodo AI gyvavimo ciklą kaip ratą, kuris prasideda nuo planavimo ir projektavimo. Po septynių iš viso etapų, pvz., modelio kūrimo ir realaus veikimo įvertinimo, ratas grįžta į planavimo ir projektavimo etapą, rodydamas nuolatinį kūrimo ciklą.
Iliustracija taip pat išplečia kiekvieną iš septynių AI gyvavimo ciklo etapų, kad parodytų išsamią informaciją apie veiklą, kuri vyksta kiekviename žingsnyje. Pavyzdžiui, planavimas ir projektavimas apima tokias veiklas kaip problemos apibrėžimas, algoritmo pasirinkimas ir funkcijų inžinerija.
Tazbazas ir Nicol teigė, kad modelis galėtų būti vadovas arba vadovas, padedantis įvertinti standartus, įrankius, metrikas ir geriausią praktiką, atsižvelgiant į kiekvieną gyvavimo ciklo etapą. Atsižvelgiant į duomenų tinkamumą, modelis galėtų padėti „nustatyti atitinkamus standartus ir taikomus rodiklius, pvz., duomenų kokybę, gyventojų aprėptį ir kilmę“, ir ištirti įrankius tokioms užduotims kaip šališkumo aptikimas.
DHCoE taip pat mano, kad modelis gali remti kitus projektus, tokius kaip dirbtinio intelekto kūrimo kontrolinis sąrašas ir „suderinto požiūrio, skirto suvienodinti plėtros strategijas, metodus ir discipliną, priėmimas“. Tazbazas ir Nicol skatina sveikatos priežiūros bendruomenę „užsiimti, kartoti ir tobulinti šias sąvokas“ ir apsvarstyti gyvavimo ciklo modelį „standartų kūrimo pastangoms dirbtinio intelekto srityje“.
