អ្នកស្រាវជ្រាវវៀតណាមប្រើ AI ដើម្បីឌិកូដ "ភាសា" នៃបាក់តេរីពោះវៀន

ក្រុមមួយនៅសាកលវិទ្យាល័យតូក្យូបានបង្កើតបណ្តាញសរសៃប្រសាទ Bayesian ថ្មីមួយដែលមានឈ្មោះថា VBayesMM ដែលអាចរកឃើញទំនាក់ទំនងជីវសាស្រ្តពិតប្រាកដជាជាងការជាប់ទាក់ទងដោយចៃដន្យ។

យោងតាម ​​ScienceDaily នៅក្នុងការសិក្សាស្រាវជ្រាវមួយ អ្នកវិទ្យាសាស្ត្រ នៅក្នុងប្រទេសជប៉ុនបានអនុវត្តបញ្ញាសិប្បនិម្មិតកម្រិតខ្ពស់ (AI) ដើម្បីធ្វើការឌិកូដប្រព័ន្ធអេកូស្មុគ្រស្មាញនៃបាក់តេរីពោះវៀន និងសញ្ញាគីមីរវាងពួកវា។

ក្រុមមួយនៅសាកលវិទ្យាល័យតូក្យូបានបង្កើតបណ្តាញសរសៃប្រសាទ Bayesian ថ្មីមួយដែលមានឈ្មោះថា VBayesMM ដែលអាចរកឃើញទំនាក់ទំនងជីវសាស្រ្តពិតប្រាកដជាជាងការជាប់ទាក់ទងដោយចៃដន្យ។

ប្រព័ន្ធនេះបានដំណើរការលើសពីគំរូប្រពៃណីនៅក្នុងការសិក្សាអំពីជំងឺធាត់ ការគេងមិនលក់ និងជំងឺមហារីក។

បាក់តេរីពោះវៀនដើរតួនាទីយ៉ាងសំខាន់ក្នុងសុខភាពមនុស្ស មានឥទ្ធិពលលើការរំលាយអាហារ ភាពស៊ាំ និងសូម្បីតែអារម្មណ៍។

រាងកាយរបស់មនុស្សមានកោសិកាមនុស្សប្រហែល 30,000-40,000 ពាន់លានកោសិកា ខណៈពេលដែលពោះវៀនតែមួយមានកោសិកាបាក់តេរីរហូតដល់ 100,000 ពាន់លានកោសិកា ដែលមានន័យថាយើងផ្ទុកកោសិកាបាក់តេរីច្រើនជាងកោសិការបស់យើងផ្ទាល់។

អតិសុខុមប្រាណទាំងនេះមិនត្រឹមតែចូលរួមក្នុងការរំលាយអាហារប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងផលិត និងបំប្លែងសារធាតុតូចៗរាប់ពាន់ដែលហៅថា មេតាបូលីត ដែលជា "សារជាតិគីមី" ដែលមានឥទ្ធិពលលើការរំលាយអាហារ ប្រព័ន្ធភាពស៊ាំ និងមុខងារខួរក្បាល។

អ្នកស្រាវជ្រាវ Tung Dang (Đăng Thanh Tùng) នៃមន្ទីរពិសោធន៍ Tsunoda នាយកដ្ឋានវិទ្យាសាស្ត្រជីវសាស្ត្រ នៃសាកលវិទ្យាល័យតូក្យូ បាននិយាយថា "យើងទើបតែចាប់ផ្តើមយល់ថា បាក់តេរីមួយណាផលិតមេតាបូលីត និងរបៀបដែលទំនាក់ទំនងទាំងនេះផ្លាស់ប្តូរនៅក្នុងជំងឺផ្សេងៗ" ។ "ប្រសិនបើយើងអាចគូសផែនទីអន្តរកម្មរវាងបាក់តេរី និងសារធាតុគីមីបានយ៉ាងច្បាស់លាស់ យើងអាចបង្កើតការព្យាបាលផ្ទាល់ខ្លួន ឧទាហរណ៍ ការដាំដុះបាក់តេរីប្រភេទជាក់លាក់មួយដើម្បីបង្កើតសារធាតុដែលមានប្រយោជន៍ដល់សុខភាព ឬរចនាវិធីព្យាបាលដែលរៀបចំសារធាតុទាំងនោះដើម្បីព្យាបាលជំងឺ។"

បញ្ហាស្ថិតនៅក្នុងទំហំទិន្នន័យ៖ ពពួកបាក់តេរី និងសមាសធាតុអន្តរកម្មរាប់ពាន់ប្រភេទ ធ្វើឱ្យពិបាកស្វែងរកគំរូដ៏មានអត្ថន័យ។

ដើម្បីដោះស្រាយបញ្ហានេះ ក្រុមការងារបានប្រើ AI ជាមួយនឹងវិធីសាស្រ្ត Bayesian ដើម្បីស្វែងរកក្រុមបាក់តេរីដែលមានឥទ្ធិពលលើសារធាតុរំលាយអាហារនីមួយៗ ហើយក៏បានគណនាកម្រិតទំនុកចិត្តនៃការព្យាករណ៍ផងដែរ ដែលជួយជៀសវាងការសន្និដ្ឋានខុស។

លោក Tung បានបន្ថែមថា "នៅពេលធ្វើតេស្តលើទិន្នន័យជាក់ស្តែងអំពីបញ្ហានៃការគេង ភាពធាត់ និងមហារីក គំរូរបស់យើងបានអនុវត្តយ៉ាងខ្ជាប់ខ្ជួននូវវិធីសាស្ត្រដែលមានស្រាប់ និងបានកំណត់ក្រុមគ្រួសារបាក់តេរីដែលត្រូវគ្នានឹងដំណើរការជីវសាស្រ្តដែលគេស្គាល់។ នេះផ្តល់ឱ្យយើងនូវទំនុកចិត្តថាប្រព័ន្ធកំពុងរកឃើញទំនាក់ទំនងជីវសាស្ត្រពិតប្រាកដ និងមិនមែនជាគំរូស្ថិតិចៃដន្យ" ។

សមត្ថភាពក្នុងការកំណត់បរិមាណភាពមិនច្បាស់លាស់ជួយ VBayesMM ផ្តល់ព័ត៌មានដែលអាចទុកចិត្តបានកាន់តែច្រើនដល់អ្នកវិទ្យាសាស្ត្រ។ ទោះជាយ៉ាងណាក៏ដោយ ការវិភាគសំណុំទិន្នន័យមីក្រូជីវវិទ្យាធំនៅតែពឹងផ្អែកខ្លាំងលើការគណនា ទោះបីជាការចំណាយនេះនឹងថយចុះដោយសារបច្ចេកវិទ្យាដំណើរការមានភាពប្រសើរឡើងក៏ដោយ។

ប្រព័ន្ធដំណើរការបានល្អបំផុតនៅពេលដែលបរិមាណទិន្នន័យបាក់តេរីធំជាងបរិមាណទិន្នន័យមេតាបូលីត។ បើមិនដូច្នោះទេភាពត្រឹមត្រូវថយចុះ។ លើសពីនេះទៀត VBayesMM នៅតែចាត់ទុកប្រភេទបាក់តេរីនីមួយៗជាអង្គភាពឯករាជ្យ នៅពេលដែលការពិតពួកវាមានទំនាក់ទំនងយ៉ាងស្និទ្ធស្នាលជាមួយគ្នា។

ឥឡូវនេះក្រុមកំពុងស្វែងរកពង្រីកគំរូដើម្បីដោះស្រាយសំណុំទិន្នន័យគីមីដ៏ទូលំទូលាយបន្ថែមទៀត រួមទាំងសមាសធាតុពីបាក់តេរី រាងកាយមនុស្ស និងរបបអាហារ។ ពួកគេក៏ចង់បញ្ចូល "ដើមឈើគ្រួសារ" នៃប្រភេទបាក់តេរី ដើម្បីបង្កើនថាមពលព្យាករណ៍ និងកាត់បន្ថយពេលវេលាគណនា។

លោក Tung បានមានប្រសាសន៍ថា “គោលដៅចុងក្រោយគឺដើម្បីកំណត់អត្តសញ្ញាណបាក់តេរីជាក់លាក់ ដែលអាចជាគោលដៅសម្រាប់ការព្យាបាល ឬអន្តរាគមន៍ផ្នែកអាហារូបត្ថម្ភ ដោយហេតុនេះការផ្លាស់ប្តូរពីការស្រាវជ្រាវជាមូលដ្ឋានទៅកម្មវិធីព្យាបាល” ។

ជាមួយនឹងឧបករណ៍ AI ថ្មីនេះ អ្នកវិទ្យាសាស្ត្រកំពុងខិតកាន់តែជិតក្នុងការទាញយកសក្តានុពលនៃមីក្រូជីវសាស្រ្តពោះវៀន ដើម្បីអភិវឌ្ឍថ្នាំផ្ទាល់ខ្លួន ដោយបើកផ្លូវសម្រាប់ការថែទាំសុខភាពកាន់តែច្បាស់លាស់ និងមានប្រសិទ្ធភាពនាពេលអនាគត។/.

(TTXVN/Vietnam+)

ប្រភព៖ https://www.vietnamplus.vn/nha-nghien-cuu-viet-dung-ai-giai-ma-ngon-ngu-vi-khuan-duong-ruot-post1076191.vnp