وقتی هوش مصنوعی خواب را اشتباه تفسیر می‌کند؛ هشدار درباره توصیه‌های پزشکی غیرقابل اعتماد

شفقنا – مدیرعامل یک شرکت فعال در حوزه هوش مصنوعی و سلامت خواب هشدار داد که بسیاری از اپلیکیشن‌های سلامت از داده‌های ناقص و نادقیق خواب برای ارائه توصیه‌های مبتنی بر هوش مصنوعی استفاده می‌کنند؛ موضوعی که می‌تواند به توصیه‌های اشتباه، تشخیص‌های نادرست و کاهش اعتماد به فناوری‌های سلامت منجر شود.

به گزارش سرویس ترجمه شفقنا، کالین لاولور، مدیرعامل Sleep.ai با انتقاد از عملکرد بسیاری از سامانه‌های هوش مصنوعی در حوزه سلامت، اعلام کرد که کیفیت پایین داده‌های خواب، یکی از بزرگ‌ترین موانع ارائه توصیه‌های دقیق و شخصی‌سازی‌شده به کاربران است.

او با اشاره به اینکه خواب یکی از مهم‌ترین شاخص‌های سلامت جسم و روان محسوب می‌شود، گفت بسیاری از اپلیکیشن‌های سلامت، توصیه‌های خود را بر اساس داده‌های ساعت‌ها و دستبندهای هوشمند ارائه می‌کنند؛ در حالی که این داده‌ها اغلب دقیق و یکسان نیستند.

به گفته او، بررسی نزدیک به یک‌چهارم تریلیون داده خواب از بیش از ۵۰۰ دستگاه و اپلیکیشن نشان داده است که حتی اگر یک فرد همزمان از چند ابزار پوشیدنی استفاده کند، هرکدام نتایج متفاوتی درباره کیفیت و مدت خواب ارائه می‌دهند. برخی دستگاه‌ها نیز زمان خواب یا مراحل خواب عمیق را تا حدود یک ساعت بیشتر یا کمتر از واقعیت ثبت می‌کنند.

لاولور تأکید کرد که این اختلاف‌ها باعث می‌شود مدل‌های هوش مصنوعی، توصیه‌هایی ارائه دهند که لزوماً با وضعیت واقعی فرد همخوانی ندارد. به گفته او، مدل‌های زبانی بزرگ (LLM) معمولاً به جای تحلیل الگوهای بلندمدت خواب هر فرد، توصیه‌های عمومی مانند ثابت نگه داشتن ساعت خواب یا کاهش استفاده از نمایشگرها را مطرح می‌کنند.

وی افزود خواب موضوعی کاملاً شخصی است و عواملی مانند ریتم شبانه‌روزی، سبک زندگی و بیماری‌های زمینه‌ای باید در تحلیل آن لحاظ شوند؛ بنابراین بدون داده‌های دقیق، بلندمدت و شخصی‌سازی‌شده، حتی پیشرفته‌ترین الگوریتم‌های هوش مصنوعی نیز نمی‌توانند توصیه‌های قابل اعتماد ارائه دهند.

مدیرعامل Sleep.ai همچنین هشدار داد که اتکای بیش از حد به داده‌های نادرست می‌تواند افراد سالم را به اشتباه مبتلا به بی‌خوابی معرفی کند یا در مقابل، مشکلات واقعی خواب را نادیده بگیرد.

او در پایان تأکید کرد توسعه هوش مصنوعی قابل اعتماد در حوزه سلامت، نیازمند داده‌های معتبر، اعتبارسنجی علمی، پایش طولانی‌مدت و ایجاد چرخه‌ای از تحلیل، ارائه راهکار، ارزیابی نتایج و اصلاح مداوم است؛ در غیر این صورت، هوش مصنوعی هرچند هوشمند به نظر برسد، تأثیر واقعی بر بهبود سلامت نخواهد داشت.

این خبر را اینجا ببینید.