Potrivit OMS, în lume există aproximativ 1,1 miliarde de fumători. Rusia ocupă locul cinci în numărul fumătorilor - peste 45 de milioane de oameni. Pentru a combate statisticile triste, oamenii de știință au propus o modalitate de a combate fumatul bazat pe inteligența artificială.
Aproximativ 400.000 de ruși mor în fiecare an din cauza bolilor legate de fumat. Și în timp ce statul ia măsuri pentru a restricționa consumul de tutun la nivel legislativ, cercetătorii dezvoltă metode eficiente bazate pe tehnologii de inteligență artificială (AI). Andrey Polyakov, cercetător la Philips Research Lab Rus, a vorbit despre modul în care rețelele neuronale și învățarea automată pot ajuta în lupta împotriva fumatului.
Ce se poate spune în general despre studiu: cum a luat naștere ideea, de ce inteligența artificială ar trebui să ajute oamenii să renunțe la fumat?
- Una dintre cele mai eficiente strategii de renunțare la fumat este sfatul medicului. În timpul consultărilor, specialistul oferă sprijin psihologic persoanei care renunță la fumat, pentru a nu-l lăsa să se descompună. Însă consultațiile față în față sunt o plăcere destul de costisitoare pentru sistemul de sănătate, iar pacienții nu au întotdeauna ocazia de a vizita un medic adesea din cauza depărtării unor clinici specializate.
Angajații laboratoarelor rusești și olandeze Philips Research s-au gândit să rezolve aceste probleme. Oamenii de știință și-au stabilit obiectivul de a extinde sesiunile de consultare pentru un public larg de fumători care au smartphone-uri cu acces la internet. Rezultatele studiului au fost prezentate în vara anului 2018 la Stockholm în cadrul conferinței IJCAI-2018. Ideea este de a automatiza o intervenție terapeutică și de a oferi asistență de la distanță unei persoane pentru a renunța la fumat folosind capacitățile inteligenței artificiale.
Vorbim despre un agent de conversație de pe un smartphone care este capabil să selecteze și să aplice una dintre strategiile care susțin pacientul. El poate recunoaște colorarea emoțională a vorbirii sau mesajelor text ale pacientului, să răspundă corespunzător la acesta și să ajute persoana să scape de obiceiul rău.
Ce principii ale AI stau la baza metodei?
- Aceste principii se bazează pe modelarea metodologiei de renunțare la fumat folosind terapia cognitiv-comportamentală și intervievarea motivațională, care sunt de obicei efectuate de un medic la recepție. În mod firesc, într-o conversație în direct, o persoană poate înțelege starea de spirit și starea interlocutorului datorită diferitelor semnale verbale și non-verbale: acestea includ vorbirea, vocea, expresiile faciale, gesturile.
Video promotional:
În cercetarea noastră, ne-a interesat limba în care comunicăm prin mesageria instantanee și rețelele sociale. Pentru ca inteligența artificială să înlocuiască un psihoterapeut, trebuie să fie în măsură să recunoască vorbirea scrisă și scrisă a unei persoane, colorarea ei emoțională, precum și să mențină o conversație și să răspundă la schimbările în starea pacientului.
Cum învață inteligența artificială să analizeze vorbirea?
- Metodele de învățare profundă, în special rețelele neuronale recurente, combinate cu disponibilitatea instrumentelor de calcul și a datelor acumulate, au făcut posibilă o descoperire în multe domenii ale inteligenței artificiale, inclusiv recunoașterea și procesarea vorbirii. Cu ajutorul acestor tehnologii, mai multe companii de înaltă tehnologie au reușit să creeze asistenți de voce cu care puteți comunica și seta sarcini: Siri de la Apple, Google Assistant de la Google, Alice de la Yandex.
Deși rețelele neuronale recurente sunt un instrument popular de recunoaștere a textului, ele necesită o cantitate mare de date etichetate dificil de colectat. În plus, procesul de comunicare este un exemplu de învățare a AI într-un mediu non-staționar, deoarece discursul nostru se schimbă foarte mult atât în timp, cât și sub influența caracteristicilor naționale ale diferitelor culturi.
Acești factori necesită configurarea locală și menținerea clasificatorului (în cazul nostru, o rețea neuronală recurentă de învățare profundă) deja la nivelul unui utilizator individual. Una dintre abordările populare pentru îmbunătățirea continuă a unui clasificator este învățarea activă. Ideea principală a acestor metode este de a marca doar o parte din datele primite care sunt de interes pentru aplicarea ulterioară.
De obicei, metodele actuale de învățare AI de azi funcționează bine pentru sarcinile tradiționale. Făcând acest lucru, ele pot duce la instabilitate tehnologică, care este comună în arhitecturile de rețea neuronală de învățare profundă.
Metoda noastră este un nou algoritm pentru învățarea activă a rețelelor neuronale, care se bazează pe următoarele principii: învățare semi-supravegheată, rețele neuronale recurente și învățare profundă și procesare a limbajului natural.
Mecanismul de lucru este următorul: algoritmului este dat un mesaj text, așa cum se întâmplă la comunicarea în mesageri instant. Sarcina algoritmului este de a recunoaște colorarea emoțională în raport cu subiectul fumatului. Poate fi pozitiv („Am renunțat personal, nu fumez, sunt vesel și plin de energie”), negativ („fumez din nou”) sau neutru („Moscova este capitala Rusiei”).
Postări Twitter prelucrate de rețelele neuronale în timpul serviciului de cercetare / Philips Research Press.
În funcție de colorarea emoțională, algoritmul aplică strategii comportamentale adecvate: schimbați subiectul conversației în cazul unei colorații pozitive, susțineți conversația cu o colorare negativă și reacționați neutru în cazul unui mesaj neutru.
Cum a fost realizat studiul eficienței acestei metode, care au fost rezultatele sale?
- Scopul studiului nostru a fost dezvoltarea unei noi metode de căutare și selectare a datelor de interes particular. Pentru a arăta ce tip de date ne interesează, luați în considerare următorul exemplu. Imaginează-ți un juriu care ia un caz în instanță și decide cu o majoritate dacă o persoană este vinovată sau nu. În acest caz, juriul poate apela întotdeauna la magul Merlin, care știe cu siguranță dacă inculpatul este vinovat. Dar cere plata pentru serviciile sale.
Juriul dorește să își facă treaba conștiincios, dar are în același timp un buget limitat și nu poate contacta Merlin pentru fiecare caz în parte. Un caz este considerat neinteresant dacă juriul votează aproape în unanimitate pentru vinovăție sau nevinovăție, acesta este un caz simplu. Dar dacă voturile juriului sunt împărțite, atunci acest lucru este de interes.
În acest caz, juriul apelează la magician, primește un răspuns și, atunci când examinează următoarele cazuri similare, va lua decizii mai coordonate, ceea ce în viitor simplifică cazuri similare. Trecând la terminologia algoritmului, un juriu înseamnă un clasificator (rețea neuronală), un juriu înseamnă un comitet de clasificatori, un caz în instanță înseamnă un mesaj pe tweet și Merlin înseamnă un expert care marchează mesaje.
Astfel, mai multe rețele neuronale, pe baza experienței acumulate, decid ce colorare emoțională poartă un anumit tweet. De exemplu, dacă ele dau aproape unanime o conotație emoțională pozitivă, atunci aceasta este clasificată drept pozitivă. Dacă rețelele neuronale „se confundă în lecturi”, atunci tweet-ul este marcat ca fiind interesant.
În plus, sunt colectate toate cazurile interesante, care sunt clasificate în funcție de gradul de încredere în previziunile clasificatorilor, după care aceste cazuri sunt trimise expertului pentru notare. În plus, specialistul efectuează o instruire suplimentară a rețelelor neuronale pe baza cazurilor analizate.
Ce ai reușit să creezi până la urmă?
- Ca urmare a cercetării, a fost creat un nou algoritm de învățare activă Query by Embedded Commettee (QBEC), care diferă de cele existente în ceea ce privește precizia și viteza. În timpul experimentului, am aplicat un nou algoritm pentru clasificarea mesajelor text scurte de pe Twitter folosind rețele neuronale recurente.
În primul rând, o bază de date de instruire pentru AI a fost colectată și etichetată manual din mai mult de 2.300 de postări Twitter în limba engleză publicate în octombrie 2017 până în ianuarie 2018. Mesajele din luna octombrie au fost legate de campania europeană de renunțare la fumat Stoptober. În cadrul acestei campanii, oamenii au renunțat la fumat și postează tweet-uri timp de o lună în care își împărtășesc impresiile de a renunța la țigări.
Mesajele din decembrie au fost scrise de oameni care urmau să renunțe la fumat de Anul Nou. În plus, o bază de test a fost colectată și marcată manual. Sistemul de clasificare a textului aplicat s-a bazat pe arhitecturi moderne ale rețelelor neuronale recurente de învățare profundă. Ea a fost instruită pe baza de pregătire a tweet-urilor.
Precizia clasificatorului care a fost învățat cu ajutorul său a fost foarte scăzută și abia a depășit 50%. În continuare, am efectuat un alt experiment în care am aplicat în mod constant mecanismul activ de învățare: în fiecare zi, clasificatorul a primit o nouă porțiune de mesaje vizate (aproximativ 3000 zilnic) și a oferit 30 dintre cele mai interesante cazuri pentru notare.
Aceste mesaje au fost etichetate manual și adăugate la baza de date de instruire, care a fost utilizată pentru a construi următorul model de clasificator. Studiul a arătat că această metodă de predare a inteligenței artificiale a permis o îmbunătățire calitativă a algoritmului. Experimentele de calcul și calculele teoretice demonstrează o viteză mult mai mare a algoritmului QBEC.
Această circumstanță face posibilă rularea algoritmului de învățare activă QBEC chiar și pe un dispozitiv utilizator, cum ar fi un smartphone. Aceasta înseamnă că avem șansa de a crea un asistent vocal eficient, care poate prelua funcția de medic și de a ajuta oamenii care încearcă să renunțe la fumat.
Ce predicții se pot face pe baza acestor rezultate, cât de eficient va fi AI pentru a ajuta oamenii să renunțe la fumat în viitor?
- Rezultatele cercetării arată că inteligența artificială este capabilă să recunoască emoțiile pacientului din textul mesajului, în timp ce algoritmii activi de învățare pot îmbunătăți continuu acuratețea clasificării datelor. Provocarea noastră de astăzi este să ne asigurăm că, în viitor, procentul de persoane care renunță la fumat cu ajutorul tehnologiei AI nu va fi mai mic decât procentul de persoane care renunță la fumat prin consultări față în față.
Introducerea AI în medicament poate reduce povara financiară pentru sistemul de sănătate și poate ajunge la mai mulți pacienți care vor să renunțe la țigări și să ducă un stil de viață sănătos.
Se poate presupune că în viitor această abordare va fi aplicată, printre altele, pentru a ajuta pacienții cu dependență de alcool sau droguri. De asemenea, medicii vor putea apela mai des la capacitățile AI în identificarea tulburărilor mentale.
De exemplu, recent, oamenii de știință de la Universitatea din Pennsylvania au dezvoltat o rețea neuronală care analizează postările utilizatorilor pe Facebook și stabilește dacă oamenii sunt deprimați. Diagnosticul acestei boli nu este întotdeauna lipsit de ambiguitate, prin urmare, exactitatea algoritmului din timpul studiului, în 70% din cazuri, a fost comparabilă cu rezultatele screeningurilor medicale.
Astfel de exemple dovedesc că posibilitățile de utilizare a inteligenței artificiale în medicină sunt interminabile și pot ajuta medicii să rezolve multe probleme sociale.
