Роль и влияние искусственного интеллекта

Введение

Искусственный интеллект (ИИ) способствует организационным изменениям, производительности и инновациям. По словам Аль Мансури, Саллума и Шаалана (2021), ИИ включает в себя вычислительные технологии, которые выполняют роли, включающие человеческое интерпретацию и принятие решений. Помимо сокращения затрат, ИИ потенциально устанавливает эффективность систем и процедур. Методы, основанные на ИИ, используют междисциплинарный подход, так что они применимы в разных областях, таких как здоровье и медицина. Достижения и интерес к приложениям искусственного интеллекта в области здравоохранения выросли из -за быстрых технологических достижений и огромного количества данных о пациентах, доступных для использования (Davenport and Kalakota, 2019; Reddy и др.2020). Поэтому ИИ меняет клинические практики в различных областях, включая радиологию, диагностику, хирургический и реабилитационный. Другими критическими областями, на которые влияет ИИ, являются диагноз заболевания и принятие клинических решений. По сути, технологии искусственного интеллекта могут анализировать и сообщать о больших объемах данных пациентов для выявления основных проблем со здоровьем и руководства клиническими решениями. McGinty и Lylova (2020) показали, что приложения ИИ касаются данных, которые в противном случае останутся скрытыми. Кроме того, технологии искусственного интеллекта могут определить новые планы лечения для лечения пациентов и медицинских услуг. Тем не менее, ИИ требует высоких общих затрат и потенциально может привести к предубеждениям и неравенству. Согласование ИИ с организационными системами может помочь ориентироваться в предоставлении действенных, точных и эффективных данных.

ИИ в теории управления

Теория научного управления

Фундаментальный аспект управления обеспечивает максимальное процветание для заинтересованных сторон. В этом Фредрик Тейлор разработал теорию научного управления, чтобы предложить повышение производительности путем упрощения и оптимизации работы. Тейлор утверждал, что организации и их сотрудники должны стремиться достичь оптимальных результатов и получить компенсацию за их усилия (DAR, 2022). Для сотрудников этот подход будет означать, что они потенциально выиграют от лучших условий работы, более короткого рабочего времени и более высокой заработной платы. Тейлор утверждал, что сотрудники должны сосредоточиться на труде в покой на недостаточную мощность, в то время как высшее руководство должно оптимизировать производительность (DAR, 2022; Sulieman, 2019). Суть современного бизнеса, представленная Тейлором, обеспечивает максимальную эффективность. В частности, теория научного управления рассматривает обеспокоенность сотрудниками, что повышение производительности приводит к потере работы, дефектным системам управления, которые работают против сотрудников и производительности, и заменяет неэффективные процедуры (Merkle, 2022). Таким образом, при внедрении ИИ на рабочем месте организация должна разрабатывать науку для своих рабочих элементов, научно выбирать, обучать и разрабатывать своих сотрудников, сотрудничать с сотрудниками на всех уровнях и ответственно разделить работу.

Теория систем

Организации по существу влияют внутренняя и внешняя среда. Teece (2018) утверждал, что большинство успешных организаций адаптируются к своей среде, хотя и на разных уровнях. Например, компании, существующие в динамических средах, имеют открытые системы для роста. Кроме того, организации организуют и обрабатывают информацию для формулирования инновационных решений, которые стратегически соответствуют целям и ценностям компании. Теория систем исследует функции сложных организаций, включая межрелиции в функциях искусственного интеллекта, таких как управление и контроль операций (Hagendorff, 2020). Тем не менее, теория может быть трудно применить к сложным организациям и может не указать природу взаимозависимости. Таким образом, ИИ может рассматриваться как система, составляющая преобразование, обратную связь, входы и выходы. Ввод может включать в себя данные и искусственные нейронные подсистемы, в то время как обучение и анализ попадают под трансформацию. Выход представляет собой понимание, так что петля обратной связи передает и запускает критические основные корректировки. Поэтому организации функционируют как открытые системы, включающие взаимозависимые и взаимосвязанные разделы, которые взаимодействуют как подсистемы.

Значение и воздействие ИИ

Динамичный и меняющийся характер современного делового ландшафта требует инновационных решений. Schwalbe и Wahl (2020) утверждают, что интеграция ИИ в обработку данных и визуализация продолжает трансформировать отрасль здравоохранения и будет продолжать иметь существенный рост из -за распространенности технологических достижений. Помимо точного диагноза заболеваний, ИИ повышает точность планов лечения и руководства принятием решений. ИИ предоставляет медицинским работникам данные, используемые для принятия звуковых решений. Примером недавней передовой технологии в ИИ является применение семантической сегментации для выявления небольших объектов и их аномалий, чтобы помочь в раннем обнаружении заболеваний у пациентов. Более высокая точность диагностики оптимизирует результаты, способствуя раннему и эффективному лечению. Кроме того, технология ИИ автоматизирует обнаружение лекарств и идентификацию целей (Bohr and Memarzadeh, 2020; Davenport and Kalakota, 2019). Впоследствии это оптимизирует процесс поиска наиболее эффективных методов лечения. Например, Genentech полагается на систему на основе AI от GNS Healthcare, чтобы помочь в исследованиях в области лечения рака. ИИ приглашает эпоху более эффективной, дешевой и быстрой разработки лекарств.

Кроме того, ИИ создает системы, которые помогают уходу за пациентами, от генетики до робототехники здравоохранения. Например, роботы экзоскелета помогают парализованным пациентам ходить и стать самодостаточными. Другим примером является умный протез, который прикрепляет датчики, чтобы сделать их более отзывчивыми, с возможностью соединения их с мышцами пациента. Роботы, такие как гибридная вспомогательная конечность (HAL) Exoskeleton, помогают хирургии и реабилитации, используя датчики для обнаружения электрических сигналов в своем теле (Miura и др.2021). Кроме того, пациенты все чаще участвуют в своем лечении, от данных в трекере активности до секвенирования генома. Денни и Коллинз (2021) постулировали, что генетическая медицина, управляемая данными ИИ Как правило, ИИ позволил медицинским работникам обнаружить модели заболеваний из клинических данных.

Тем не менее, организации сталкиваются как с возможностями, так и препятствиями из -за ИИ. Потенциальные риски включают медицинские ошибки, повышение неравенства в отношении здоровья, вред пациента, нарушения конфиденциальности данных и отсутствие прозрачности. Системы ИИ могут предоставлять неточные данные, что приводит к повреждению пациентов и другим проблемам со здоровьем (Герке, Минсен и Коэн, 2020). Например, когда система ИИ рекомендует неправильную дозировку лечения и не замечает опухоли во время радиологического сканирования, жизнь пациента может подвергаться риску. Большая часть травм является результатом медицинских ошибок в системе здравоохранения даже без использования автоматизации. Тем не менее, ошибки ИИ различаются, поскольку поставщики и пациенты по-разному реагируют на травмы, вызванные системами искусственного интеллекта по сравнению с ошибкой человека (ногурол и др.2019). Кроме того, одна ошибка в системе ИИ может потенциально привести к огромным травмам. Обучение систем искусственного интеллекта требует данных из таких источников, как страховые претензии, электронные медицинские записи, информация, сгенерированная потребителями или записи аптеки. Медицинские данные часто фрагментируются между отделениями и системами. Данные, разделенные на несколько форматов и систем, увеличивают риск ошибки и уменьшают понимание данных.

Другой набор рисков включает в себя предвзятость, неравенство и проблемы конфиденциальности. Forcier и др. (2019) и Рикерт Дж. (2020). подразумевает, что необходимость в крупных наборах данных создает стимулы для третьих лиц собирать данные пациентов и нарушать конфиденциальность. Другой способ, которым ИИ подразумевает конфиденциальность, заключается в прогнозировании информации о частной пациенте даже без разрешения алгоритма на продолжение. Например, система ИИ может определить, что у пациента есть посттравматическое стрессовое расстройство (ПТСР) на основе определенных симптомов, даже без человека, выявившего эту информацию для своего поставщика медицинских услуг. С точки зрения предвзятости и неравенства, системы ИИ зависят от конкретного DAA и могут включать смещения (Decamp and Lindvall, 2020). Рассмотрим данные, собранные в медицинских исследовательских центрах, в основном генерируемые ИИ, могут недооценивать фактические цифры, таким образом, в основе неравенства и предубеждений в системе здравоохранения. Операции

Рекомендации

ИИ предоставляют несколько возможностей и угроз, таким образом, организации должны рассмотреть некоторые факторы, прежде чем внедрить системы ИИ для управления эксплуатацией. С одной стороны, разработка инновационных решений и методов в качестве стандарта эффективного ухода может обеспечить гарантии от использования плохо проверенных систем ИИ. Замена установленных процедур и процессов в здравоохранении с помощью диагностики искусственного интеллекта требует большей проверки. Учитывая эту причину, медицинские учреждения должны поддерживать работу по подготовке своих сотрудников к многообещанию заявок на ИИ для клинической практики. Таким образом, создание подходов к проверке имеет решающее значение для оценки эффективности ИИ в различных учебных наборах (Forcier и др.2019). Потенциал пролиферации дезинформации, которая потенциально может препятствовать принятию систем ИИ, требует принятия прозрачной политики для поддержки вовлечения организаций для поддержки лучших практик искусственного интеллекта в здравоохранении. Ногурол и др. (2019) согласились с тем, что поддержка развития этого позволяет усыновить ИИ для доставки здравоохранения и общественного здравоохранения и общественного здравоохранения. Учреждения, которые поддерживают развитие ИИ, продемонстрировали их ценность, которая поощряет создание больших объемов данных для дальнейших исследований.

Кроме того, приложения ИИ требуют обучающих данных для предотвращения плохой работы в отсутствие значительных потоков данных. Например, на результаты здоровья значительно влияют социальные и экологические факторы. Дисбаланс в сборе различных наборов данных, необходимых для приложений искусственного интеллекта с информацией о конкретных системах, требует программ отслеживания, которые соответствуют функциональности ИИ и ИТ -возможностям, а также протоколы сбора и интеграции различных данных (Герке, Минсен и Коэн, 2020; и др.2020). Доступ к качественным данным имеет решающее значение в реализации приложений искусственного интеллекта на основе качественных наборов обучения и производительности. Таким образом, организации должны поддерживать доступ к исследовательским базам данных для разработки систем ИИ и создать эффективную парадигму данных.

Революционные изменения в здравоохранении происходят с использованием ИИ для мониторинга индивидуального здоровья. Большинство из этих событий происходят за пределами клинических условий. ИИ становится все более взаимозависимым в различных областях, включая здоровье. Например, ИИ может использоваться для создания связанных со здоровьем устройств мобильного мониторинга, которые создают массовые наборы данных, которые открывают несколько возможностей для исследования и разработки инструментов здравоохранения. По этой причине организации должны поддерживать разработку приложений ИИ и инфраструктуры данных для интеграции информации с интеллектуальных устройств для обеспечения прозрачности и конфиденциальности приложений ИИ.

Заключение

Искусственный интеллект (ИИ) становится распространенным в современных организациях и повседневной жизни. Применение ИИ полезно во всех отраслях, но прикладные стратегии могут отличаться. В частности, прогресс искусственного интеллекта в здравоохранении может принести пользу пациентам и поставщикам несколькими способами, включая административные задачи и планы лечения. Однако, хотя ИИ может повысить производительность и производительность, он может увеличить неравенство, а также предвзятость, нарушение данных и неточную информацию. Объединение человеческой оценки с машинным обучением, централизация применений искусственного интеллекта и разработка гибкой методологии интеграции искусственного интеллекта с организационными системами может повысить эффективность развертывания ИИ. Потенциал для ИИ в организациях обширен и будет продолжать расти с инновациями.

Список ссылок

Al Mansori, S., Salloum, SA и Shaalan, K. (2021). «Влияние искусственного интеллекта и информационных технологий на эффективность управления знаниями в современных организациях: систематический обзор». Последние достижения в области интеллектуальных систем и интеллектуальных приложенийстр.163-182. Веб —

Бор А. и Мемарзаде К. (2020). «Рост искусственного интеллекта в приложениях здравоохранения». Искусственный интеллект в здравоохранении25–60. Веб —

Дар, SA (2022). «Актуальность научного управления Тейлора в современную эпоху». Веб —

Давенпорт Т. и Калакота Р. (2019). «Потенциал искусственного интеллекта в здравоохранении». Будущий журнал здравоохраненияВ 6(2), 94–98. Веб —

Decamp, M. и Lindvall, C. (2020). «Скрытый предвзятость и реализация искусственного интеллекта в медицине». Журнал Американской ассоциации медицинской информатики: JamiaВ 27(12), 2020–2023. Веб —

Денни, JC и Collins, FS (2021). «Прецизионная медицина в 2030 году — семь способов преобразования здравоохранения». КлеткаВ 184(6), 1415-1419.

Forcier, Mb и др. (2019). «Интеграция искусственного интеллекта в здравоохранение посредством доступа к данным: может ли GDPR действовать как маяк для политиков?» Журнал права и биологииВ 6(1), 317–335. Веб —

Gerke S., Minssen, T. и Cohen, G. (2020). «Этические и правовые проблемы искусственного разума здравоохранения». Искусственный интеллект в здравоохранении295–336. Веб —

Hagendorff, T. (2020). «Этика этики ИИ: оценка руководящих принципов». Умы и машиныВ 30(1), 99-120. Веб —

McGinty, NA и Lylova, EV (2020). «Преобразование управления персоналом в современных организациях». В 1 -я Международная конференция по появляющимся тенденциям и проблемам в теории и практике управления (ETCMTP 2019) (с. 18-21). Atlantis Press. Веб —

Меркл, JA (2022). ‘Управление и идеология: наследие Международного научного управления движением. ‘ Univ of California Press.

Миура, К. и др. (2021). «Успешное использование гибридной вспомогательной конечности для поддержки медицинской помощи, чтобы уменьшить поясничную нагрузку при смоделированной переносе пациента». Азиатский позвоночник журналаВ 15(1), 40–45. Веб —

Noguerol, Tm и др. (2019). «Сильные, слабые стороны, возможности и угрозы анализа применений искусственного интеллекта и машинного обучения в радиологии». Журнал Американского колледжа радиологииВ 16(9), 1239-1247. Веб —

Редди, С. и др. (2020). «Модель управления для применения ИИ в здравоохранении». Журнал Американской ассоциации медицинской информатики: JamiaВ 27(3), 491–497. Веб —

Рикерт Дж. (2020). «О безопасности пациентов: приманка искусственного интеллекта-мы ставим под угрозу конфиденциальность наших пациентов?» Клиническая ортопедия и связанные с ними исследованияВ 478(4), 712–714. Веб —

Schwalbe, N. и Wahl, B. (2020). «Искусственный интеллект и будущее глобального здоровья». Lancet (Лондон, Англия)В 395(10236), 1579–1586. Веб —

Sulieman, MS (2019). «Корни организационных знаний в классических теориях управления: обзор литературы». Международный журнал бизнеса и социальных наукВ 10(10), 8-15. Веб —

Teece, DJ (2018). «Динамические возможности как (работоспособные) теорию систем управления». Журнал управления и организацииВ 24(3), 359-368. Веб —

Прокрутить вверх