Tietokone voi tehdä paljon, ainakin tietojen käsittelyssä. Luonnollisen kielen opettaminen hänelle on kuitenkin erittäin tärkeää ei-triviaali tehtävä. Tämä haaste muodosti perustan IBM DeepQA -projektille, joka johti IBM Watson -nimisen kognitiivisen teknologian syntymiseen IBM:n alkuperän syntyneen Thomas Watsonin kunniaksi.

Ei ole vaikea selittää, mikä Watson on - se on kognitiivinen järjestelmä, joka pystyy kommunikoimaan henkilön kanssa luonnollisella kielellä. Eli ymmärrä kirjoitettua puhetta ja vastaa samalla tavalla. Ja jos IBM olisi rajoittunut tähän, Watson olisi pysynyt vain kokeellinen asetus. Mutta työpaikka löytyi hänelle nopeasti, ja monille yrityksille hänestä tuli todella korvaamaton työntekijä.

Kävi ilmi, että tätä osaamista voidaan soveltaa kaikkialla, missä on käsiteltävä suuria määriä strukturoimatonta dataa. Tällaisten tietojen korkealaatuista ja nopeaa analysointia varten ne on käsiteltävä kaikilla nykyaikaisten tietokonetekniikoiden käytettävissä olevilla työkaluilla: koneoppiminen, laskennallinen lingvistiikka, ontologiset rakenteet ja korkean suorituskyvyn laskenta. Juuri tähän IBM Watson on suunniteltu.

IBM Watsonin ydinosaamiset voidaan tiivistää neljään kohtaan:

• Ymmärtäminen luonnollinen kieli.
• Hypoteesien rakentaminen käsiteltyjen tietojen perusteella.
• Työssä oppimista.
• Suosituksen antaminen ja siihen liittyvät tosiasiat, joihin johtopäätös perustuu.

Henkilö ei pysty analysoimaan todella suurta määrää tietoa kohtuullisessa ajassa, ja joka tapauksessa hänen on hylättävä suurin osa tiedoista korostaen hänen mielestään tärkeintä. Virheet ovat tässä väistämättömiä, lisäksi myös hylätyillä tiedoilla on merkitystä ja niiden pitäisi vaikuttaa tulokseen. Ja tässä suhteessa Watson on monta kertaa parempi kuin ihmiset: se ottaa huomioon kaiken, yksikään tunnettu tosiasia ei jää ilman arviointia.

Järjestelmän ensimmäinen julkinen testi oli osallistuminen amerikkalaiseen Jeopardy-peliin! (Venäläinen vastine - "Oma peli"). Ilman Internet-yhteyttä, käyttämällä avoimia tietolähteitä, kuten koko Wikipedian tekstiä, yleisiä tietosanakirjoja ja sanakirjoja, Watson pystyi kukistamaan tämän pelin kaksi ennätyksen haltijaa.

Kutsumme sinut IBM:n asiakaskeskukseen seminaariin "Watson Analytics" ja edistyneet teknologiat analytiikan alalla!

Tapa, jolla he toimivat nykyaikaiset tekniikat, on usein vaikea selittää, ja kun kyse on kognitiivisesta tietojenkäsittelystä ja IBM:n Watson-järjestelmästä, aihe näyttää olevan keskimääräisen ihmisen ymmärryksen ulkopuolella. Mutta tämä ei ole ollenkaan totta: ammattilaiset voivat selittää kaiken, myös monimutkaisimmat asiat, melko helposti ymmärrettävillä sanoilla. Tänään kognitiivisen järjestelmän IBM Watson ja muiden työstä innovatiivisia ratkaisuja IBM:n asiantuntijat kertovat yritykselle. Näitä ovat IBM:n teollisten ratkaisujen yrityskonsultti Vladimir Alekseev Venäjällä ja IVY-maissa, IBM:n johtava järjestelmäarkkitehti Aleksandr Dmitriev Venäjällä ja IVY-maissa sekä IBM:n liiketoiminnan kehityspäällikkö Julia Pakina Venäjällä ja IVY-maissa.

IBM on työskennellyt kognitiivisten teknologioiden alalla useiden vuosien ajan. Kerro meille, missä hankkeissa yritys on tällä hetkellä mukana tähän suuntaan?

Aleksanteri Dmitrijev

Vastataksemme tähän kysymykseen, meidän on puhuttava hieman itse tekniikoista. Kognitiiviset teknologiat ovat suuntaa tekoälyjärjestelmien kehittämiseen, joiden päätehtävänä on auttaa ihmistä tekemään päätöksiä monimutkaisessa ympäristössä. On olemassa useita toimialoja ja prosesseja, jotka vaativat hallintaa, jossa on valtava määrä muuttuvia parametreja, monimutkaisia ​​riippuvuuksia ja vaikeasti ennustettavia tuloksia. Tässä tapauksessa päätökset on tehtävä lähes reaaliajassa. Yksinkertaisin esimerkki olisi sähköinen kaupankäynti pörssissä tai verkko-ostokset. Esimerkiksi suositut ostossivustot tarjoavat usein kampanjoita, kun halpoja tavaroita asetettu myyntiin tietystä ajankohdasta alkaen. Ihminen ei ehdi edes painaa nappia, ja tuote on jo myyty: automaattiset ostojärjestelmät laukeavat. Samoin osakkeiden ostoa ja myyntiä maailman pörsseissä tukevat järjestelmät, jotka keräävät valtavia määriä tietoa eri lähteistä ja "automaattisesti" päätösten tekeminen tiettyjen osakesarjojen ostosta tai myynnistä. Itse asiassa päätöksen tekee ihminen, kun hän luo ja kouluttaa tätä järjestelmää.

Kaikesta tästä seuraa ymmärrys asiakasvalikoimasta ja mahdollisista projekteista, joihin kognitiiviset teknologiat sopivat: nämä ovat ensisijaisesti suuria yrityksiä niiltä toimialoilta, joissa on välttämätöntä käsitellä nopeasti ja tehokkaasti suuria tietomääriä, tunnistaa monimutkaisia ​​yhteyksiä ja riippuvuuksia, ja inhimillistä ajattelua lähellä olevien algoritmien avulla kehittää ratkaisuvaihtoehtoja, jotta johtamisen asiantuntijat voivat nopeasti tehdä valinnan tarvittavista toimenpiteistä. Nämä ovat ensisijaisesti suuria tuotantolaitoksia, joissa on mukana suuria resursseja ja tietomääriä - molemmista tekniset järjestelmät, ja henkilöstön toiminnasta (öljyteollisuus, pankit, rakentaminen, raskas konepaja jne.). Nämä ovat myös alueita, joilla tarvitaan hallintaa ja ymmärrystä Suuri määrä tiedot uudesta kehityksestä ottaen huomioon kertynyt kokemus ja suuret riskit päätöksiä tehtäessä. Tämä koskee lääketieteen ja sosiaalihallinnon alaa. Lääketieteellisten päätösten hinta on ihmiselämä, terveys. Tässä kognitiiviset teknologiat ovat erityisen arvokkaita. Ne tarjoavat asiantuntijoille abstraktia tietoa uusista edistysaskeleista tietyn lääketieteen alalla ja auttavat valitsemaan kullekin potilaalle parhaan hoitovaihtoehdon ottaen huomioon hänen sairautensa historian ja erityispiirteet.

Lisäksi yksi tärkeimmistä alueista on tietokantojen luominen tietyltä tieteenalalta, tekniikasta, toimintatyypistä, historiasta jne.

Nyt erityisistä projekteista. Nykyään monet suuret yritykset ovat perustamassa monimutkaiset järjestelmät päätöksentekoa ei vain ulkomailla, vaan myös Venäjällä. Jos puhumme ulkomaisista esimerkeistä, suurin australialainen öljy-yhtiö Woodside on luonut alalleen tietopohjan, joka perustuu oma kokemus. Tämä mahdollisti useiden monimutkaisten ongelmien ratkaisemisen - ensinnäkin henkilöstön tehokkuuden lisäämisen, koulutussyklin merkittävän nopeuttamisen ja mahdollisti jo toteutettujen hankkeiden kokemusten hyödyntämisen ja toistamisen. Tämä on valtava rahansäästö isolle yritykselle.

Venäjän esimerkki järjestelmän käyttöönotto suuria määriä tekstit VINITI RAS:ssa, jossa Watson Exploreriin perustuvia teknologioita otetaan menestyksekkäästi käyttöön. Tämä järjestelmä auttaa käsittelemään erilaista jäsenneltyä ja jäsentämätöntä tietoa korrelaatioiden tunnistamiseksi Venäjän tieteellisen tutkimuksen temaattisia alueita kuvaavien indikaattoreiden välillä.

Aiheesta tehtiin myös yhdessä Kokovenäläisen yleisen mielipiteen tutkimuskeskuksen kanssa toteutettu hanke. kansainväliset suhteet. Yli 55 tuhatta avoimista lähteistä peräisin olevaa tekstiä analysoitiin Watsonin kognitiivisten teknologioiden avulla Venäjän ja Etelä-Korean välisten kulttuuristen ja sosiaalisten siteiden tärkeiden kohtien korostamiseksi.

Myös useita Watson Health -tuotteeseen perustuvia lääketieteen pilottiprojekteja on saatu päätökseen, ja tulokset osoittavat runsaasti mahdollisuuksia parantaakseen potilashoidon laatua.

On sanottava, että kognitiivisten teknologioiden suunta on vielä hyvin uusi, ja siksi meille tulee lähes joka päivä uusia asiakkaita eniten. eri alueita, ja valitsemme heille tarvittavat työkalut IBM:n koko valikoimasta.

Kerro minulle, mikä IBM Watson alun perin oli ja miksi he päättivät käyttää tätä järjestelmää esimerkiksi lääketieteessä, liiketoiminnassa ja vakuutuksissa?

Julia Pakina

Watsonin ensimmäinen esiintyminen oli vuonna 2011 Jeopardyssa! Watson oli tuolloin suuri kompleksi erilaisia ​​ohjelmia, joka oli koottu nimenomaan tätä peliä varten, ja siihen tuolloin sisältyneet ominaisuudet tähtäsivät luonnollisen kielen ymmärtämiseen. Tätä varten oli ensinnäkin välttämätöntä kääntää ääni tekstiksi ja toiseksi tulkita tuloksena oleva tekstimateriaali oikein. Siten järjestelmä pystyi aluksi tulkitsemaan tekstiä, jäsentämään kysymyksiä ja "ymmärtämään" niiden merkityksen. Tietenkin Watsonin taso ja tuottavuus ovat nyt paljon korkeammat kuin vuonna 2011.

Mitä muuta Watson voisi silloin tehdä? Etsi vastaus kysymykseen kysyi kysymys sen sisältämän tiedon syvyydessä. Järjestelmän erottuva piirre oli, että se ei ollut yhteydessä ulkoisiin lähteisiin - ei Internetiin eikä mihinkään muuhun. Sen, mitä hänen muistiinsa jäi, hän käytti. Mielenkiintoisin asia on, että sisäänrakennetun logiikan ansiosta järjestelmä sijoittui mahdollisia vaihtoehtoja vastauksia ja antoi sen, jonka hän logiikkansa ansiosta oli varma, että se oli oikea. Vuonna 2011 Watson-järjestelmä voitti suurella erolla muihin ihmisiin osallistuvista ihmisistä; ero oli vakava. Ja tämän pelin jälkeen heräsi kysymys: "Mitä seuraavaksi?"

Peli on mahtava! Mutta mikä voisi olla järjestelmän jatkosovellus? Tämän jälkeen asiantuntijat alkoivat pohtia, missä Watson-teknologioita voitaisiin kaupallisesti soveltaa, millä alalla, millä markkinoilla. IBM päätti, että Watsonia tulisi käyttää siellä, missä on suuri virtaus luonnollisella kielellä olevaa rakenteellista tietoa ja missä ihminen tarvitsee älykkään avustajan. Ja aloimme työskennellä terveydenhuoltoalalla. Asia on, että Watson, kuten jo tiedämme, pystyy käsittelemään valtavan määrän tietoa. Ja esimerkiksi onkologiassa ilmestyy vuosittain 500 tuhatta uutta tieteellisiä artikkeleita eri aloilla ja tutkimusalueilla. Ja on selvää, että elävä ihminen ei pysty selviytymään sellaisesta tiedon tulvasta. Mutta uusia materiaaleja tällä alueella ei voida sivuuttaa, vaan niitä on käsiteltävä älyllisesti, punnitsemalla, vertaamalla, kääntyen aikaisempaan kokemukseen.

Samalla on ehdottomasti otettava huomioon, että kaikki, mitä Watson nyt voi tehdä, on lahjakkaiden ohjelmoijien, lingvistien ja aiheiden asiantuntijoiden panostanut siihen.

Mikä on visiosi IBM Watsonin tulevaisuudesta? Esimerkiksi mitä ongelmia järjestelmä pystyy ratkaisemaan 5-10 vuodessa? Mitä hän ei voi tehdä nyt, mutta yrityksen asiantuntijat aikovat opettaa hänet tekemään pian?

Aleksanteri Dmitrijev

IBM:n johtava järjestelmäarkkitehti Venäjällä ja IVY-maissa

Tulevaisuuden ennustaminen on melko vaikeaa, useimmat asiantuntijat eivät turhaan puhu siitä nykyaikaisia ​​ratkaisuja, käytä ilmausta "nykypäivän nopeatempoisessa maailmassa". Tilanne on todellakin muuttumassa hyvin nopeasti ja usein arvaamattomasti, mutta päätrendit kognitiivisten teknologioiden alalla ovat edelleen melko selvät.

Ensinnäkin tämä on suurten tietokantojen luomista yksityisellä ja julkisella tasolla. Nyt kaikki maailman johtavat maat ovat huolissaan tästä. He pyrkivät erittäin aktiivisesti kokoamaan, prosessoimaan ja ottamaan tuotantoon poistojärjestelmän arvokasta tietoa useista eri lähteistä. Näemme, että tämä prosessi tapahtuu kahdella päätasolla. Ensinnäkin suuryritysten tasolla kansainvälistä merkitystä jolla on satoja tuhansia työntekijöitä, sivukonttorit eri maat ja monimutkainen tuotanto. Päätekijä tässä on saaminen kilpailuetu. On selvää, että tämän tason projektit vaativat vakavia investointeja, mutta ne alkavat maksaa itsensä takaisin lähes välittömästi, mikä lisää merkittävästi toiminnan tehokkuutta. Pääpaino on ennustavassa analyysissä, jonka Watson-teknologiat tarjoavat: hallintaa ei tapahdu tiettyjen tapahtumien päätyttyä, vaan ottaen huomioon yrityksen koko kokemus ennustetilassa. Lisää korkeatasoinen- Tämä on valtion taso, jolloin luodaan kansallisen mittakaavan tiedon keräämis- ja käsittelyjärjestelmiä ja tietoa muista maista. Nämä ovat tieteen, teknologian, kansanterveyden ja sosiaalisen johtamisen kehittämiseen liittyviä aloja.

Watson on jo hallinnut kokin, lääkärin, rahoittajan ja kääntäjän ammatit. Mitä muita ammatteja hän aikoo hallita lähitulevaisuudessa?

Aleksanteri Dmitrijev

IBM:n johtava järjestelmäarkkitehti Venäjällä ja IVY-maissa

Mitä tulee Watsonin "ammatteihin", on kaksi näkökohtaa. Ensimmäinen on mahdollisuuksien laajentaminen jo hallituissa ammateissa. Oletetaan, että lääketieteen alalla Watsonia käytetään useiden sairauksien hoidossa onkologiset sairaudet. Mutta lääketieteen erityispiirre on se, että sairauksien tyyppejä ei ole vain valtavasti, vaan myös potilaat itse eroavat henkilökohtaisista ominaisuuksistaan ​​ja sairautensa historiasta. Kehitys johtuu siis sekä hoidettavien sairauksien kirjon lisääntymisestä että mahdollisuudesta kehittää yhä yksityiskohtaisempi yksilöity hoitojakso tietylle potilaalle.

Toinen on muiden ammattien "hallinta". Watson on jo "hallinnut" öljyteollisuuden erikoistumisen: useat ulkomaiset yritykset ovat ottaneet käyttöön päätöksen tukijärjestelmiä öljyasiantuntijoilleen. Toinen lupaava alue on työskentely sosiaalisten ryhmien ja väestön kanssa. Nämä ovat myös alueita, joilla on tarpeen käsitellä tietoa ja kehittää palveluita ja tarjouksia suuria ryhmiä asiakkaat (sadat tuhannet ja miljoonat ihmiset). Välittömiä kehitysnäkymiä ovat siis pankkialan ammatit, tietoliikenne, joissa tietomäärät ovat uskomattoman suuret ja päätöksiä on tehtävä todellinen tila aika.

Yleisesti ottaen uskon, että Watson tulee pian palvelun muodossa jokaiselle ihmiselle - on mahdollista esittää kysymys melkein miltä tahansa kiinnostavalta tietoalueelta ja saada pätevä vastaus.

Julia Pakina

IBM Business Development Manager Venäjällä ja IVY-maissa

Viime aikoina IBM Watsonia on käytetty muun muassa kaivosteollisuudessa. Alexander jo mainitsi hyvä esimerkki menestystarinoita - australialainen Woodside Energy, jonka kognitiivinen järjestelmä auttoi toimimaan paljon tehokkaammin optimoiden työprosessin. Ennen Watsonia kaivojen porauspäätöksen tekivät Woodside Energyn asiantuntijat pitkän ja huolellisen työn perusteella kerätäkseen kaiken mahdollisen dokumentaation kentältä, mukaan lukien alueen geologinen rakenne, kaivojen läsnäolo lähellä, esiintymän tyyppi, mahdollisuus käyttää laitteita, joita tarvitaan tässä projektissa.

Lisäksi aiemmin tämä valmistelujakso vei jopa 80 % yrityksen ajasta. Näin ollen vain 20 % ajasta jäi itse kaivon kehittämiseen. Nyt olemme yhdessä Woodside Energyn kanssa saavuttaneet sen, että vain 20 % ajasta käytetään tutkimukseen ja poraukseen valmistautumiseen, ja loput ajasta kairaukseen ja uusien kaivojen kehittämiseen.

Nyt monet yritykset puhuvat kehityksestään tekoälyn alalla. IBM puhuu kognitiivisesta alustasta. Kerro minulle, mitä erityistä IBM:n kognitiivisissa palveluissa on ja voidaanko niihin soittaa tiettyä tyyppiä tekoäly?

Aleksanteri Dmitrijev

IBM:n johtava järjestelmäarkkitehti Venäjällä ja IVY-maissa

Mitä tulee tekoälyyn, en painottaisi liikaa terminologiaa. Vaikka tiede kokonaisuutena ei täysin ymmärrä ihmisen ajattelun menetelmiä (ja tällä alueella on edelleen monia sokeita pisteitä), on sopimatonta kiistellä, mikä on tekoälyä ja mikä ei. Voidaan sanoa, että Watson-järjestelmä vuonna 2011 "läpäisi" hieman muokatun muodollisen Turingin testin oikeudesta kutsua tekoälyä. Yleinen idea Testi on yksinkertainen: jos henkilö, joka kommunikoi jonkin järjestelmän kanssa ja esittää sille joukon kysymyksiä vapaassa muodossa, ei pysty erottamaan, kommunikoiko hän henkilön vai konejärjestelmän kanssa, niin tällainen järjestelmä voi vaatia titteliä "tekoäly."

Voitettuaan Jeopardy-pelin, jossa oli tarpeen vastata kysymyksiin useilta tietoalueilta, Watson voitti live-osanottajat ja läpäisi tämän testin. Mutta siitä ei ole kysymys. Mitä ikinä kutsummekaan kognitiivisiksi teknologioiksi, on tärkeää, että ne täyttävät päätehtävänsä ja tulevat mielen "vahvistimeksi" hyväksyessään vaikeita päätöksiä, sekä operatiivisia että strategisia. Ihmisen muisti ei ole rajaton, pätevien asiantuntijoiden kouluttaminen kaikilla toimialoilla on kallista ja aikaa vievää työtä. Kognitiiviset järjestelmät näyttävät luovan virtuaalisia asiantuntijakonsultteja, joiden puoleen kuka tahansa voi kääntyä. Tämä on tekoälyn ydin. On tärkeää, että lopullinen päätös kaikissa asioissa jää henkilölle.

Julia Pakina

IBM Business Development Manager Venäjällä ja IVY-maissa

Kyllä, yleensä kognitiivinen järjestelmä luotiin juuri vapauttamaan ihminen rutiineista ja antamaan enemmän aikaa luovuudelle, monimutkaisten ongelmien ratkaisemiseen ja uusien järjestelmien luomiseen. Siksi emme puhu tekoälyn ratkaisusta, vaan tehostetusta älykkyydestä, lisätystä älykkyydestä.

Kerro meille lisää kognitiivisten teknologioiden mahdollisuuksien hyödyntämisestä liiketoiminnassa.

Aleksanteri Dmitrijev

IBM:n johtava järjestelmäarkkitehti Venäjällä ja IVY-maissa

Kognitiivisten teknologioiden käyttö liiketoiminnassa on tarkoitettu ratkaisemaan useita ongelmia, jotka liittyvät paitsi suuriin määriin nopeasti muuttuvaan dataan, myös tarpeeseen poimia tästä datasta nopeasti tarvittavat tiedot ja käyttää sitä liiketoiminnassa alan ja yrityksen omat kokemukset huomioiden. Kognitiiviset järjestelmät ovat siis yhteydessä erilaisiin tietolähteisiin (yrityksen omat tietokannat, Internet, suoratoistovideo, tiedot teknisistä antureista erilaisia ​​järjestelmiä, tiedot tietyn alueen tapahtumista). Näiden tietojen perusteella kognitiiviset järjestelmät käyttävät erityisiä algoritmeja löytääkseen tarvittavat ratkaisut ja tarjotakseen niitä esimiehille ja asiantuntijoille.

On tärkeää, että työkokemuksen ja onnistuneen toiminnan kerryttämisen tietyllä alueella kognitiivisia järjestelmiä voidaan kouluttaa, konfiguroida ja myös asettaa itseoppimistila. Siksi yritysten kognitiivisilla järjestelmillä on yksi tärkeä ominaisuus, jota millään muulla järjestelmällä ei ole: mitä kauemmin ne toimivat, sitä korkeampi niiden tehokkuus. Niistä itsestään tulee toiminnan aikana yritykselle arvokkaampia. Ja tärkeintä on, että tämä kertynyt kokemus on yrityksen työntekijöiden käytettävissä ja sitä siis jatkuvasti hyödynnetään - toistuvasti, toistuvasti, aina tarvittaessa. Tavallinen tilanne- asiantuntija lähti, hänen henkilökohtainen tietonsa ja kokemuksensa menetettiin yritykselle. Toteutetun kognitiivisen järjestelmän avulla kaikki kokemus jää yritykseen ja on helposti siirrettävissä muille asiantuntijoille.

Kuinka lohkoketju voi olla hyödyllinen yrityksille? Nyt he sanovat, että tämä tekniikka voi muuttaa tavanomaista yrittäjyyden maailmaa. Onko tämä totta, ja jos on, mitä nämä muutokset ovat?

Vladimir Alekseev

Varhaiset ajatukset siitä, miten teknologia voisi muuttaa yrittäjyyden maailmaa, keskittyivät yleensä vertaisverkkojen luomiseen, eli ympäristöön, jossa jokainen yritys voisi olla vuorovaikutuksessa suoraan toistensa kanssa ilman välittäjiä. Tämä on tosin liian yksinkertaistettu kuvaus, ja ajan myötä idea on kehittynyt ja täydennetty. Nyt voidaan sanoa, että blockchain mahdollistaa ensinnäkin hajautetun vastuun varmistamisen, mikä on äärimmäisen tärkeää, jos meillä on useita yrityksiä, jotka eivät luota kovinkaan paljon toisiinsa ja eivät ole millään tavalla yhteydessä toisiinsa. Toiseksi kaikkien liiketoimien avoimuus ja mahdottomuus tehdä muutoksia jo suoritettuihin tapahtumiin. Liiketoimi ei tarkoita vain pankkitapahtumaa, vaan enemmänkin omaisuuden siirtoa yhtiöltä toiselle. Kolmanneksi tämä on mahdollisuus käyttää älykkäitä sopimuksia liiketoimintalogiikassa eli koko toimintaprosessin varmistamisessa. Muuten lohkoketjua voitaisiin käyttää vain tallennusjärjestelmänä ja kaikki toimintojen logiikka voitaisiin tehdä sen puitteiden ulkopuolella, mikä ei takaa toiminnan läpinäkyvyyttä tai luotettavuutta.

Onko kaupallisten yritysten lohkoketjun käytöstä jo myönteisiä esimerkkejä?

Vladimir Alekseev

IBM:n teollisuusratkaisujen yrityskonsultti Venäjällä ja IVY-maissa

Viimeisen vuoden aikana IBM on pilotoinut yli 400 pilottia eri puolilla maailmaa asiakkaiden kanssa useilla eri toimialoilla. Tämä sisältää tietysti rahoitussektorin, vähittäiskaupan ja energian. Erityisesti pilottihankkeet ABN Amron kanssa taloudellisten uudelleenjärjestelyjen ja kiinteistöhallinnon alalla. Bank of Tokio-Mitsubishin kanssa saatiin päätökseen projekti lohkoketjuteknologian avulla IT-alan ulkoistussopimusten automatisoimiseksi.

Toteutusten käytännön tuloksista (kvantitatiivisista liiketoimintaindikaattoreista) on nyt aikaista puhua: lohkoketju on vielä uusi teknologia, jonka testaamiseen tarvitaan myös aikaa. Lohkoketju ei voi olla olemassa eristyksissä, joten tarvitaan integraatiota olemassa oleviin järjestelmiin, tarvitaan palvelukehitystä ja osaamista. Vuosi 2016 oli omistettu pilotoinnille; vuotta 2017 leimaa lohkoketjuteknologian integrointi organisaatioiden olemassa olevaan IT-infrastruktuuriin.

IBM-instituutin tutkimuksen mukaan yrityksille Arvo, yli 50 % kyselyyn vastanneista finanssialan johtajista suunnittelee siirtyvänsä teknologian kaupalliseen käyttöön vuosina 2018-2020.

Blockchain tarjoaa sikäli kuin voidaan ymmärtää, suuria mahdollisuuksia monille liiketoiminta-alueille. Mitä voit sanoa arvopaperipörsseistä? Voisiko tästä tekniikasta olla hyötyä?

Vladimir Alekseev

IBM:n teollisuusratkaisujen yrityskonsultti Venäjällä ja IVY-maissa

On syytä huomata, että Exchanges oli yksi ensimmäisistä organisaatioista, jotka kiinnostuivat teknologiasta ja osallistuivat aktiivisesti sen kehittämiseen. Esimerkiksi Saksan pörssi (Deutsche Boerse) on pääasiallinen osallistuja HyperLedger-lohkoketjuprojektiin IBM:n ohella, ja Moskovan pörssi on myös jäsen. From käytännön kokemus teknologian käyttöä pörssissä, huomautan seuraavaa: Japanin pörssi teki viime vuonna IBM:n avulla selvityksen hajautettujen rekisterien käyttömahdollisuuksista toiminnassaan. Raportissaan pörssi korosti teknologian lupaavuutta ja totesi mm tärkeimmät edut mahdollisuus luoda uusia innovatiivisia rahoituspalveluita ja alentaa kustannuksia. Japanin pörssin asiantuntijoiden mukaan lohkoketju auttaa automatisoimaan kaupankäyntimenettelyjen koordinointiprosesseja ja lisäämään koko järjestelmän vikasietoisuutta ottamalla käyttöön jakeluperiaatteen.

Kerro meille, mitä IBM aikoo tehdä seuraavan 5-10 vuoden aikana? Millaisena yritys näkee tulevaisuuden yritysmaailman?

Vladimir Alekseev

IBM:n teollisuusratkaisujen yrityskonsultti Venäjällä ja IVY-maissa

IBM julkisti aiemmin tänä vuonna näkemyksensä siitä, kuinka teknologiset innovaatiot muuttavat maailmaa tulevaisuudessa. Raportin on tuottanut IBM Research ja se heijastaa yhtiön näkemyksiä siitä, kuinka maailma muuttuu viiden vuoden kuluttua viidellä tavalla. Ensinnäkin yritys maksaa suurta huomiota tapaamme puhua ja kirjoittaa, ja uskoo, että näitä tekijöitä käytetään psykologisen tilan ja fyysisen terveyden indikaattoreina. Seuraavaksi ihmiset voivat saada "supernäön" pienten ja tehokkaiden kameroiden ansiosta, joiden avulla voidaan tutkia lähes 100 % sähkömagneettisesta spektristä verrattuna alle 1 %:iin tällä hetkellä. Tekniikka voidaan integroida mobiililaitteisiin ja auttaa analysoimaan elintarvikkeiden tai lääkkeiden koostumusta. Toisaalta viiden vuoden kuluttua pystymme ymmärtämään maapallon monimutkaisuuden hämmästyttävän yksityiskohtaisesti. Tämä tulee mahdolliseksi Internet of Things (IoT) ja algoritmien kehityksen ansiosta koneoppiminen, jonka perusteella voidaan tehdä johtopäätöksiä mitattujen parametrien analysoinnista. IBM:n tutkijat kutsuvat tätä yhteisesti "makroskoopiksi". Se auttaa ennustamaan ilmiöitä, kuten muutoksia ilmastossa, vedenkorkeudessa, saastumisuhkia tai vaikutuksia ulkoiset tekijät planeetallemme.

IBM:n teknologian kehityksen seuraava suunta on lääketieteellisten laboratorioiden luominen "siruille" sairauksien seuraamiseksi nanotasolla, mikä auttaa ennustamaan sairauksia aikaisemmissa vaiheissa. IBM:n laboratorioissa asiantuntijat luovat 20 nm:n siruja, jotka voidaan liittää sekä tekoälyjärjestelmiin että muihin antureisiin reaaliajassa. Ja lopuksi, viides alue on "älykkäiden" antureiden luominen ja jakelu saastetasojen aikaisempaan havaitsemiseen ympäristöön. Tällaiset anturit voivat olla erittäin hyödyllisiä myös kaasuputkissa sekä lähellä luonnollisia päästölähteitä, esimerkiksi metaania, hälyttämään erilaisten aineiden kasvavista pitoisuuksista.

On syytä huomata, että kaikilla alueilla teknologiat ovat jo kehitteillä, joten ennuste ei näytä liian futuristiselta. Toisaalta olemassa olevien tuotteiden hiominen ja massakäyttöön vieminen vie aikaa ja vaivaa.

Pitkän aikavälin näkökulmasta (10 vuotta tai enemmän) voidaan antaa esimerkki kvanttitietotekniikasta. Kvanttitietokoneiden toiminta-algoritmi sisältää täysin erilaiset periaatteet kuin ne, joilla nykyaikaiset tietokoneet toimivat. Siksi niiden käyttö voi muuttua täysin olemassa olevia prosesseja, esimerkiksi salaus, ja anna ehdottomasti uusi taso laskentateho. IBM on yksi johtavista tällä alalla, ja se tarjoaa jo ilmaisen kokeiluversion realille kvanttitietokone kautta pilviinfrastruktuuri IBM Quantum Experience.

Kysy IBM-asiantuntijalta Elena Sinka, IBM-ratkaisujen myyntiedustaja Kysyä

Kiitos!
Kysymyksesi on lähetetty

) on tekoälyjärjestelmällä varustettu IBM:n supertietokone, jonka loi David Ferruccin johtama tutkijaryhmä. Sen luominen on osa DeepQA-projektia. Watsonin päätehtävänä on ymmärtää luonnollisella kielellä muotoiltuja kysymyksiä ja etsiä niihin vastauksia tietokannasta. Nimetty IBM:n perustajan Thomas Watsonin mukaan.

Osallistuminen "Jeopardy!"

Helmikuussa 2011 testatakseen Watsonin kykyjä hän osallistui televisio-ohjelmaan Jeopardy! (Venäläinen vastine - oma peli). Hänen vastustajansa olivat Brad Rutter, ohjelman suurin voittaja, ja Ken Jennings, pisimmän lyömättömän sarjan ennätys. Watson voitti saamalla miljoona dollaria, kun taas Jennings ja Rutter saivat 300 000 dollaria ja 200 000 dollaria.

Alusta

Watson koostuu 90 Power7 750 -palvelimesta, joista jokaisessa on 4 kahdeksanytiminen prosessori TEHO7. Kaikki yhteensä RAM Watsonilla on yli 15 teratavua.

Järjestelmällä oli pääsy 200 miljoonalle sivulle strukturoitua ja jäsentämätöntä tietoa 4 teratavulla, mukaan lukien koko teksti Wikipedia. Pelin aikana Watsonilla ei ollut pääsyä Internetiin.

Projektin tulevaisuus

IBM ja Nuance Communications suunnittelevat kehittävänsä seuraavan kahden vuoden aikana tuotteen potilaiden diagnosointiin ja hoitoon. Myös muilla aloilla, kuten vakuutusten arvioinnissa tai energiatehokkuuden arvioinnissa, sovelluksia harkitaan.

Watsonin historia alkoi vuonna 2006, kun David Ferrucci, IBM:n semanttisen analytiikan divisioonan vanhempi johtaja, alkoi testata yhtä maailman parhaista. tehokkaita supertietokoneita yritys, joka oli yksi maailman 500 tuottavimman auton kärjestä. Ferrucci päätti testata, kuinka tehokkaasti kone selviytyy "luonnollisen kielen" asettamista tehtävistä, ja kutsui sen vastaamaan 500 kysymykseen jo pidetyssä Jeopardyssa! Tulokset osoittautuivat tuhoisiksi: livepelaajiin verrattuna kone ei "painanut nappia" tarpeeksi nopeasti (eli oli valmis vastaamaan), ja siinä tapauksessa, että se pystyi vielä kilpailemaan ihmisten kanssa, oikeita vastauksia ei ylittänyt 15 %

Ferrucci kiinnostui supertietokoneen käyttäytymisen syistä, ja sen seurauksena hän onnistui vuonna 2007 vakuuttamaan IBM:n johdon antamaan hänelle 15 hengen tiimin ja 3–5 vuotta aikaa luoda tehokas. automaattinen järjestelmä pystyy vastaamaan epävirallisiin kysymyksiin. Tällainen järjestelmä olisi hyödyllinen kaikenlaisille puhelinkeskuksille, help deskille ja muille asiakkaita palveleville palveluille. IBM:llä on jo onnistunut kokemus ihmisen älykkyyden kanssa kilpailevan koneen luomisesta - puhumme Deep Blue -supertietokoneesta, joka voitti shakin maailmanmestari Garry Kasparovin vuonna 1997. Tämä voitto toi IBM:lle suurta julkisuutta, mutta kaupallista sovellusta tällaiselle asennukselle ei löytynyt. Automaattisen kysymysvastausjärjestelmän kaupallinen potentiaali on ilmeinen.

Perusteellinen ero Watson Deep Bluesta on, että jos shakkikone käsittelee tiukasti loogisia pelisääntöjä, niin "luonnollisen puheen" tunnistavalla koneella on paljon monimutkaisempia kielisääntöjä ja lukuisia vääristymiä ja poikkeamia niistä. Suurin haaste on kuitenkin se, että ihmiset kommunikoivat kulttuurisessa ja sosiaalisessa kontekstissaan ymmärtämättään. Puhepuhe on täynnä vihjeitä, viittauksia ja konnotaatioita, viittauksia tiettyihin tietylle sosiaaliselle ympäristölle yhteisiin faktoihin, käsitteisiin ja ilmiöihin. Näitä ovat uskonnolliset ajatukset, poliittiset uskomukset ja kaikenlaiset taideteokset - kirjoista ja maalauksista elokuviin ja tietokonepelit.

Tällaisten tietojen tehokkaaseen käsittelyyn käytetään tilastollisia algoritmeja, jotka mahdollistavat erilaisten käsitteiden välisten yhteyksien luomisen analysoimalla monenlaisia ​​asiakirjoja. Yksinkertaisesti sanottuna se määrittää, mitä sanoja käytetään useimmiten yhdessä. Esimerkiksi "Kremli" yhdistetään useammin sanoihin "Venäjä", "Moskova", hieman harvemmin "Kazan", " Nižni Novgorod", vielä harvemmin - "katedraalilla", "kuvakkeella" jne. Vaikka nämä algoritmit ovat olleet tiedossa pitkään, niiden täysi käyttö on tullut mahdolliseksi vasta viimeisen vuosikymmenen aikana - sen jälkeen, kun laskentateknologian suorituskyky on kasvanut dramaattisesti ja valtavien tietomäärien tallentamiseen tarkoitettujen asemien kustannukset ovat laskeneet.

Ferruccin tiimi lataa miljoonia kaikenlaisia ​​asiakirjoja IBM Watsonin muistiin – oppikirjoja, tietosanakirjoja, hakuteoksia, kaunokirjallisuutta ja uskonnollista kirjallisuutta. Kysymysten analysointiin käytetään samanaikaisesti yli sataa algoritmia, jotka tarjoavat satoja mahdollisia ratkaisuja. Sitten muut algoritmit arvioivat mahdollisten vastausten luotettavuuden ja eliminoivat ne, jotka ovat mahdottomia johtuen objektiivisista syistä(esimerkiksi erot tapahtuman päivämäärän ja hahmojen elinvuosien välillä) ja epätodennäköistä. Mitä enemmän identtisiä vastauksia saadaan, sitä todennäköisemmin ne ovat oikein - pelin aikana tulostaulu näyttää useiden todennäköisimpien vastausten arvosanan yleisimmän vastauksen lisäksi.

Vuoteen 2008 mennessä IBM Watson oli siirtynyt altavastaajaksi ylälinjat niin sanottu ”voittajien pilvi”, joka koostuu ihmisistä, jotka 50 %:ssa tapauksista onnistuvat ensimmäisenä painamaan vastausvalmiutta osoittavaa painiketta ja sitten 85-95 %:ssa tapauksista antamaan oikean vastauksen. IBM jopa sopi Jeopardyn tuottajien kanssa erityisen pelisarjan järjestämisestä syksyllä 2010, johon osallistuvat Watson ja aikaisempien vuosien voittajat. Näihin peleihin valmistautumiseksi (eli itse asiassa algoritmien parantamiseksi) tietokilpailustudion likimääräinen sisustus luotiin uudelleen ja testejä alettiin suorittaa live-pelaajien ja juontajan osallistuessa. Samaan aikaan ”Watson” antaa odotetusti vastauksensa ääneen syntetisoidulla tietokoneäänellä, mikä huvittaa läsnä olevia suuresti.

"Koulutuksen" aikana paljastui mielenkiintoinen tosiasia: vaikka Watsonilla ei ole täyttä potentiaalia, hän ei voi vain voittaa useimpia pelejä, vaan myös hävitä yli puolet niistä. Syitä on useita: "Hänen Majesteettinsa mahdollisuudesta" (tilanteet, joissa vastustaja voi voittaa yksinkertaisesti korottamalla panoksia ja jättämällä auton konkurssiin) sääntöjen erityispiirteisiin. Kummallista kyllä, ihminen pystyy painamaan nappia nopeammin kuin kone, ja tämä johtuu pelin säännöistä, joita ei voi muuttaa.

Tosiasia on, että jokainen kysymys näkyy näytöllä ja esittelijä lukee sen, ja voit painaa painiketta vasta, kun olet lukenut kysymyksen. Watson vastaanottaa kysymyksen tekstin sähköisessä muodossa samanaikaisesti sen näytön kanssa näytöllä, mutta silloinkaan sillä ei ole aikaa päästä valmiiseen ratkaisuun nopeammin kuin ihminen. Kun juontaja lukee kysymystä, joka kestää kuudesta seitsemään sekuntia, kokenut pelaaja voi jo arvioida mahdollisuuksiaan antaa oikea vastaus ja on valmis painamaan nappia vain kymmenissä millisekunnissa. Säännöt sallivat vielä viisi sekuntia seuraavaan vastaukseen.

Nappia painamalla ihminen ottaa riskin: jos hän ei anna oikeaa vastausta kysymykseen 100 yksikön verran, hänen virtuaalitilinsä tyhjenee saman verran. Tietokone ei ole taipuvainen ottamaan riskejä ja antaa vastauksia vasta, kun kaikki laskelmat on suoritettu ja vain, jos sillä on tarpeeksi tietoa arvioidakseen tämän vastauksen luotettavuutta ja todennäköisyyttä. Videolta näet miltä se näyttää pelin aikana. Ottamalla riskejä elävä pelaaja voi voittaa, koska hän muistaa halutun vastauksen käytettävissään olevissa 11-12 sekunnissa.

Hieman muodollisemmassa tilanteessa kuin peliesitys, Watsonin algoritmit voivat tarjota paljon ennakoitavampia ja tarkempia vastauksia. Erityisesti IBM:n tutkimusosaston johtaja John Kelly aikoo luoda tästä laitteesta lääketieteellisen version epävirallisella nimellä Watson M.D. Tällainen järjestelmä auttaisi lääkäreitä tekemään nopeasti oikeat päätökset ottaen huomioon valtavan määrän potilasta koskevaa tietoa, jota on fyysisesti mahdotonta pitää aina muistissa. "Watson" voi hyvinkin korvata live-operaattorit tietokoneissa ja puhelinpalvelut V vähittäiskauppa, V pankkisektori ja kuljetuksessa.

IBM Watson -luokan järjestelmän kustannukset voivat nykyään olla useita miljoonia dollareita, koska se vaatii toimiakseen vähintään miljoonan dollarin IBM-supertietokoneen. Kelly uskoo, että seuraavan kymmenen vuoden aikana tällainen tekniikka voidaan ottaa käyttöön paljon halvemmalla palvelimella, ja tulevaisuudessa tällainen ohjelma toimii tietokoneella, joka ei ole kalliimpi moderni kannettava tietokone.

Tietävä Englannin kieli voi ottaa vastaan ​​IBM Watsonin verkossa The New York Timesin verkkosivustolla.

IBM Watson -supertietokonetta on suunniteltu käytettäväksi teknisessä tukipalvelussa live-operaattoreiden sijaan. Kaikki nämä tehtävät liittyvät kuitenkin enemmän oikean vastauksen löytämiseen käyttäjien pyyntöihin tunnetun tiedon perusteella. IBM uskoo, että todellinen tekoäly on kyettävä löytämään luovia ratkaisuja, luomaan ja keksimään uusia asioita, ei vain analysoimaan vanhaa.

Watsonin luovien kykyjen kehittämiseksi hänen luojansa valitsivat kulinaariset taiteet. Tämä on erittäin kätevä testauskenttä: ruoanlaitto on hyvin "inhimillinen", intuitiivinen prosessi, joka on huonosti soveltuva algoritmeihin ja standardointiin. Ja kuka tahansa kadulla voi arvioida tuloksia. Espanjalaistyylisiä manteli-suklaakeksejä, ecuadorilaista mansikkajälkiruokaa, grillattuja tomaatteja paahtoleivän päällä sahramin kanssa - näitä ja muita Watsonin luomia ruokia on jo kokeiltujen aikana valmistettu ja nautittu. Ja pari viikkoa sitten julkaistiin esipainos artikkelista, jossa kuvattiin algoritmeja ja matemaattisia malleja, joita Watson käyttää alkuperäisten reseptien luomiseen.

Jokaisen luovan ratkaisun on täytettävä samanaikaisesti kaksi kriteeriä - olla uusi ja laadukas. Uutuus on suhteellisen helppo saavuttaa yksinkertaisesti yhdistämällä ainesosia ja prosessointitekniikoita. Mutta laadun suhteen tilanne on paljon monimutkaisempi. Opeta tietokone ymmärtämään, mikä maku, tuoksu, rakenne ja ulkomuoto astiat ovat erittäin vaikeita.

Watsonin alustavat tiedot olivat useita miljoonia Internetistä kerättyjä reseptejä. Ne ajettiin testattujen luonnollisen kielen käsittelyalgoritmien läpi, joita käytettiin tietokilpailun voittamiseen ja Watsonin lääketieteen opettamiseen. Wikipediasta poimittiin tietoa tyypillisistä raaka-aineista ja prosessointitekniikoista, jotka ovat ominaisia ​​maailman eri kansojen keittiöille. Lopulta Watson sai perusteellisen tiedon ihmisen maku- ja hajuaistimuksen kemiasta ja fysiologiasta.

Uusia reseptejä luotiin olemassa olevien reseptien perusteella geneettinen algoritmi Fitness-funktiona käytettiin uutuuden, miellyttävyyden ja yhteensopivuuden arvoja.

Matemaattinen malli reseptin uutuuden arvioimiseksi perustuu Bayesin lauseeseen, jossa käytettiin ns. Bayesin yllätyslähestymistapaa, joka alun perin kehitettiin mallintamaan katsojan käyttäytymistä videon katselun aikana. Lyhyesti sanottuna menetelmän ydin on se, että mitataan ero aiemman ja jälkikäteen olevan todennäköisyyden välillä kohdata tietty tuoteyhdistelmä reseptitilassa, kun siihen lisätään uusi. Siten pähkinöiden ja suklaan tai sinapin ja makkaroiden yhdistelmät ovat täysin banaalisia eivätkä aiheuta juuri mitään muutosta erilaisten yhdistelmien todennäköisyyksiin. Mutta suklaalla päällystetyt makkarat vaikuttavat näihin todennäköisyyksiin paljon enemmän.

Kemiaa on käytetty ensisijaisesti miellyttävyyden arvioinnissa. Tietäen tuotteiden kemiallisen koostumuksen sekä niiden sekoitus- ja käsittelyjärjestyksen, tietokone laski mitkä aineet määräävät ruuan maun ja tuoksun. Mielenkiintoista kyllä, haju osoittautui paljon tärkeämmäksi kuin ruuan maku. Makukäsityksemme liittyy hyvin läheisesti hajuun ja tuoksuun. Ihminen erottaa vain muutaman perusmaun - hapan, makea, suolainen, karvas. Eri kulttuurit erottavat useita perusmakuja, kuten torttu tai umami. Mutta tuoksuvalikoima on paljon suurempi, eivätkä ne rajoitu yksinkertaisiin perusyhdistelmiin.

Lopuksi tuotteiden yhteensopivuuden arviointi perustui myös vakavaan tieteelliseen perustaan, erityisesti amerikkalaisten ja brittiläisten tutkijoiden yhteistutkimukseen "Flavour Networks and Principles of Product Combination", jossa analysoitiin noin 50 000 reseptiä ja laadittiin tuotteiden yhteensopivuuskartat. rakennettu, tyypillinen eri alueiden keittiöille.

Tuloksena syntyi sovellus, jossa voit määrittää tuotesarjan, kansallisen tyylin ja ruokalajikkeen, minkä jälkeen Watson antoi joukon reseptejä, joita voi tilata uutuusasteen, miellyttävyyden ja yhteensopivuuden mukaan. Yksittäisten ruokien lisäksi Watson voi luoda kokonaisia ​​ruokalistoja, jolloin teemamallinnuksen avulla saadaan aikaan vaihtelua ja oikeat ruokien yhdistelmät. Tämä on tapa rakentaa kokoelmamalli tekstiasiakirjoja, joka jakaa kokoelman aiheisiin ja määrittää, mihin aiheeseen kukin asiakirja kuuluu. Watson soveltaa tätä mallia resepteihin - kuten avainsanoja Yksittäiset ainesosat toimivat asiakirjoina ja itse reseptit asiakirjoina.

Lääketieteellisten tietojen määrä kaksinkertaistuu joka kolmas vuosi, ja niihin liittyvät kustannukset kasvavat 7 biljoonalla dollarilla. Terveydenhuoltoala ei pysty pysymään huikean syntymisnopeuden perässä uusi tieto, joka sisältää tietoa aiheesta laboratoriotutkimus, lääketieteelliset testit ja erilaisia ​​parametreja henkilö (paino, valtimopaine Ja niin edelleen). Noin joka 35 senttiä jokaisesta terveydenhuoltoon käytetystä dollarista menee hukkaan.

Juuri tietojenkäsittelyn korkeat kustannukset nousivat kehityksen sysäykseen ainutlaatuinen järjestelmä IBM Watson. Se pystyy paitsi tuottamaan valtavia määriä lääketieteellistä tietoa, myös tunnistamaan pienimmätkin poikkeamat potilaiden terveydentilasta, joita jopa erittäin pätevä, monen vuoden kokemuksella omaava lääkäri saattaa jäädä huomaamatta.

IBM Watsonin kognitiivinen järjestelmä on nimetty sen luojan Thomas Watsonin mukaan. Kehittäjät onnistuivat luomaan supertietokoneen, joka pystyy käsittelemään tietoa ihmismielen tasolla. Ennen kuin se tekee johtopäätöksen, IBM Watson -analytiikkaalusta käy läpi seuraavat vaiheet:

• asian tutkimus;
• ensisijainen haku ja hypoteesien luominen;
• suodatustulokset;
• tosiasioiden valinta ja niiden laadun analysointi;
• tulosten yhdistäminen ja niiden arviointi.

Näin ollen supertietokoneen prosessit ihmisen kieli ja tarjoaa nopeasti vastauksia vaikeimpiin kysymyksiin. Lääketiede ei ole IBM Watsonin ainoa työalue. Tee sääennuste, keksi alkuperäinen resepti ja jopa oman yrityksen pyörittäminen on paljon helpompaa tämän järjestelmän avulla. Mutta tulevaisuudessa sitä käytetään pääasiassa terveydenhuoltoalalla.

Käyttöalueet lääketieteessä

IBM Watson -supertietokone parantaa sähköisten terveyskertomusten käytettävyyttä. Tätä tarkoitusta varten tiedemiehet ovat kehittäneet erikoistyökalu nimeltään EMRA. Lääkäri voi tällä sovelluksella seurata sekä yhden potilaan että hänen koko perheensä sairaushistoriaa, muiden lääkäreiden sairaushistoriaa sekä vakuutustietoja. Lisäksi sovellus on synkronoitu kuntoseuraajan kanssa, joten asiantuntijalla on mahdollisuus tarkkailla pienintäkään muutosta henkilön terveydentilassa. Tällainen kognitiivinen järjestelmä antaa kaikkien tietojen analysoinnin jälkeen yksilöllisiä suosituksia kunkin potilaan terveyden hoitamiseksi.

IBM Watson Health analysoi graafisia lääketieteellisiä tietoja eri tyyppejä. Supertietokone voi nopeasti tunnistaa minkä tahansa ihmisen sisäisen elimen yksityiskohdat ja poikkeamat. Yhdistämällä graafista ja multimodaalista (teksti)dataa IBM Watson yksinkertaistaa huomattavasti onkologien ja radiologien työtä. Siten järjestelmä on toiminut useiden vuosien ajan Thaimaan Bumrungradin sairaalassa diagnosoimalla ja antamalla suosituksia erilaisten syöpien hoitoon.

IBM Watson -järjestelmä auttaa lääkäreitä tunnistamaan geneettisten tekijöiden roolin syövän ja harvinaisten patologioiden diagnosoinnissa ja hoidossa. Järjestelmä analysoi potilaan sähköisen sairauskertomuksen genomitiedot, suodattaa tiedot samoista sairauksista ja siirtää tiedot sen käsittelyn jälkeen erikoislääkärille.

Supertietokone auttaa ihotautilääkäreitä tunnistamaan erilaisia ​​ihosairauksia. IBM Watsonin kognitiivinen järjestelmä analysoi dermatoskoopilla saatuja kuvia. Jos asiantuntija pystyy visuaalisesti tekemään diagnoosin 75 prosentin tarkkuudella, kognitiivinen järjestelmä toimii 94 prosentin tarkkuudella.

Potilaan ei pidä huolehtia henkilötietojensa paljastamisesta. IBM yritys takaa luottamuksellisuuden ja anonymiteetin.

IBM Watson on jo analysoimassa lääkkeitä ja auttaa lääkeyrityksiä luomaan uusia. Supertietokoneen avulla voidaan vähentää virhediagnoosien määrää, lisätä hoidon tehokkuutta ja antaa toivottomillekin potilaille mahdollisuus toipumiseen. Ajan myötä supertietokone on älykkäämpi, mikä tarkoittaa, että se auttaa lähitulevaisuudessa ehkäisemään sairauksien kehittymistä ennen kuin ne on hoidettava.