※ 引述《wasabicat (貓科動物)》之銘言： : ※ 引述《thxmotor (天天都有好狗運)》之銘言： : : Google勝華佗 診病超準確 : : 中時電子報 更新日期:2006/11/11 04:09 記者:　潘勛／綜合報導 : : 舉例來說，有個四十八歲男病患有「多重脊椎腫瘤」與「皮膚腫瘤」，兩位醫師輸入這兩 : : 個詞彙，古鉤便回答，病人可能罹患「第一型神經線纖維瘤」，答案正確無誤。 : : 另一個病例中，有名男子慢跑時失去意識；輸入「心跳遽停」、「運動」及「年輕」這三 : : 個詞彙，古鉤則回答病名是「阻塞性肥厚心肌症」，也答對了。其他診斷成功的病例還有 : : 庫賈氏症、胃腸出血、肌萎縮、腦炎等。 : : http://w114.news.tpc.yahoo.com/article/url/d/a/061110/4/6dot.html : 這篇看推文的網友好多喔 : 可以問一下到底是該怎麼查詢嗎？ : 是直接到google上面，輸入上面病症的正確英文學名就可以查到了嗎？ : 還是有什麼特殊的網頁是用來查這個的 : 謝謝大家啦~~~ 應該就是把症狀描述當做keyword，google會找出一堆相關疾病的網頁， keyword下得好的話，出來的資訊還蠻有用的。 又，google的搜尋引擎真是越做越好。 之前去聽了Peter Norvig的演講， 講了google在搜尋、natural language processing(NLP)、 computational linguistics(CL)上的發展， 還真是令人印象深刻。 (先說，我不是做NLP、CL的人，或許這些領堿的人會有不同的意見) 他們用了蠻多AI、learning的東西來加強本身的技術。 最值得稱道的就是他們的training database， 畢竟是玩搜尋引擎的，他們擁有的training database大的嚇人， 相比之下，其它研究人員的training dataset看起來有點像玩具。 (again，我不是做NLP、CL的人，或許實情並不是如此) 就因為database很大，所以他們發展的方法也都是data-driven。 譬如說，他們讓電腦自己去learn各辭彙間的relation，語言、句子的pattern。 舉例而言，假如你在google上打population japan， 第一項就是直接告訴你日本的人口有多少(電腦直接去網路上幫你找出解答)。 當然有很多別的網站也是做的到這功能， 不過很多是靠定義regular expression、定義population是japan的一個屬性， 然後再去各網頁中尋找這個pattern，進而找到解答。 而google的作法則是讓電腦自己去learn這個pattern、 發現population是japan的一個屬性。 另外像google也在做statistical machine translation(MT)， 用的也是learning based、data driven的方法， 就是讓電腦自己去learn各語言間的對應關係。 google在NIST的Arabic-English跟Chinese-Englis的MT evaluation中名列前矛， 據說他們的team裡面還沒有chinese跟arabic的linguistic expert!? (後面這點不是Peter說的，是我聽別人講的，有可能是謠言:p) 對了，Peter還提到了他對搜尋引擎的想法， 大部分的人應該都認為搜尋引擎是單向的互動， 就是由內容提供者提供網頁->google分析、整理這些網頁 ->最後在使用者查詢時給出結果。 不過Peter認為搜尋引擎應該是雙向的溝通， 因為一般的網頁中，絕大多數的東西都是垃圾，只有少數的內容才有意義， 因此只用網頁來learning，實在是問題多多(譬如說noise太多)。 但使用者所下的keyword不同，絕大多數的keyword簡短、有意義， 因此更適合用來整理、歸納各種資訊，幫助電腦來learn各種語言、辭彙上的關係。 (譬如說如果你想知道bush幾歲，絕大多數的人應該是下age bush當關鍵字， 而不是啥how old is bush之類的， 從這個query就可以知道而age和bush有關係：age是bush的屬性之一) 簡而言之，當你每次在google下關鍵字找東西時， 也算是間接的幫助了他們改善整個搜尋的效能。 --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 140.112.30.73