به گزارش خبرگزاری صداوسیما:،دانشمندان کامپیوتردانشگاه Surrey نشان داده اند که یک روش یادگیری تقویتی با پایان باز یا اصطلاحا بدون مدل قادر است مجموعه داده‌های بزرگ را که در مدل‌های هوش مصنوعی استفاده می‌شوند، تثبیت کند. این رویکرد چشم انداز کشف راه‌هایی را برای جلوگیری از توسعه سرطان با پیش بینی پاسخ سلول‌های سرطانی به اختلالات از جمله درمان دارویی باز می‌کند.

دکتر سوتیریس موشویانیس (Sotiris Moschoyiannis) پژوهشگر ارزشد این مطالعات از دانشگاه ساری (Surrey) می‌گوید که تعداد دلخراشی از انواع سرطان‌های تهاجمی وجود دارد که اطلاعات کمی در مورد اینکه از کجا آمده اند وجود دارد، چه رسد به اینکه چگونه رفتارشان را دسته بندی کنیم. اینجاست که یادگیری ماشینی می‌تواند امید واقعی را برای همه ما به وجود آورد.

او می‌افزاید: آنچه ما نشان داده ایم توانایی رویکرد مبتنی بر یادگیری برای بررسی مقیاس بزرگ از مطالعات سرطان پوست متاستاتیک است. نتایج این تحقیق در استفاده از داده‌های ثبت شده نه تنها برای طراحی درمان‌های جدید بلکه برای دقیق‌تر کردن درمان‌های موجود نیز موفق بوده است. گام بعدی استفاده از سلول‌های زنده با همان روش‌ها خواهد بود.

در ادامه دکتر موشویانیس توضیح می‌دهد که یادگیری تقویتی روشی از یادگیری ماشینی است که به وسیله آن به رایانه برای تصمیم گیری درست پاداش می‌دهید و آن را برای تصمیمات اشتباه مجازات می‌کنید؛ بنابراین با گذشت زمان، هوش مصنوعی یاد می‌گیرد که بهتر تصمیم بگیرد.

به گفته او، یک رویکرد بدون مدل برای یادگیری تقویتی زمانی است که هوش مصنوعی جهت یا نمایش روشنی از محیط خود نداشته باشد. رویکرد بدون مدل تواناتر است، زیرا هوش مصنوعی می‌تواند بلافاصله بدون نیاز به توضیح دقیق محیط خود، یادگیری را شروع کند.

پروفسور فرانچسکا بوفا (Francesca Buffa) از دانشکده سرطان شناسی دانشگاه آکسفورد در مورد یافته‌های تحقیقات اخیر گفت: این یافته گام بزرگی در جهت اجازه دادن به پیش آگهی اختلال در شبکه‌های ژنی است که برای حرکت به سمت درمان‌های هدفمند ضروری است.

شرح کامل این مقاله در مجله تخصصی IEEE Transactions on Control of Network Systems منتشر شده است.