De senaste årens framsteg inom maskininlärning har inneburit en dramatisk ökning av möjligheten att använda artificiell intelligens för inlärning med hjälp av exempel. Trots de stora framgångarna och många lyckade forskningsprojekt används de algoritmer som finns för maskininlärning av medicinska diagnoser i mycket liten utsträckning inom dagens hälso- och sjukvård.
En utmaning här är att algoritmer för maskininlärning med mindre än 100 procents noggrannhet kräver att den kliniskt ansvarige har möjlighet och kunskap att bedöma värdet av resultatet. Och även kunna väga in kunskapen i den process som leder fram till en diagnos.
Interaktionen kan ses som en process som utvecklas över tid, något som möjliggör ett ömsesidigt och kontinuerligt lärande. Det ger också möjlighet att studera maskininlärning som en del i en designprocess, det ger en möjlighet att utforskar gränserna, omfattningen och karaktären på det konstruktionsutrymme som står till buds.
En utmaning här är att algoritmer för maskininlärning med mindre än 100 procents noggrannhet kräver att den kliniskt ansvarige har möjlighet och kunskap att bedöma värdet av resultatet. Och även kunna väga in kunskapen i den process som leder fram till en diagnos.
Interaktionen kan ses som en process som utvecklas över tid, något som möjliggör ett ömsesidigt och kontinuerligt lärande. Det ger också möjlighet att studera maskininlärning som en del i en designprocess, det ger en möjlighet att utforskar gränserna, omfattningen och karaktären på det konstruktionsutrymme som står till buds.
