I følge WHO er det omtrent 1,1 milliarder røykere i verden. Russland rangerer på femteplass i antall røykere - over 45 millioner mennesker. For å bekjempe den triste statistikken har forskere foreslått en måte å bekjempe røyking basert på kunstig intelligens.
Rundt 400 000 russere dør hvert år av røykingsrelaterte sykdommer. Og mens staten iverksetter tiltak for å begrense tobakkforbruket på lovgivningsnivå, utvikler forskere effektive metoder basert på kunstig intelligens (AI) -teknologi. Andrey Polyakov, forsker ved Philips Research Lab Rus, fortalte om hvordan nevrale nettverk og maskinlæring kan hjelpe i kampen mot røyking.
Hva kan sies generelt om studien: hvordan oppsto ideen, hvorfor skulle kunstig intelligens hjelpe folk med å slutte å røyke?
- En av de mest effektive strategiene for røykeslutt er medisinsk råd. Under konsultasjoner gir spesialisten psykologisk støtte til den som slutter å røyke, for ikke å la ham bryte sammen. Men konsultasjoner ansikt til ansikt er ganske kostbar for helsevesenet, og pasienter har ikke alltid muligheten til å besøke lege ofte på grunn av avstand fra spesialiserte klinikker.
Ansatte ved de russiske og nederlandske laboratoriene Philips Research tenkte å løse disse problemene. Forskere har satt seg som mål å skalere konsultasjonssamlinger til et bredt publikum av røykere som har smarttelefoner med internettilgang. Resultatene fra studien ble presentert sommeren 2018 i Stockholm på IJCAI-2018-konferansen. Tanken er å automatisere et terapeutisk inngrep og gi fjernhjelp til en person til å slutte å røyke ved å bruke evnene til kunstig intelligens.
Vi snakker om en samtaleagent på en smarttelefon som kan velge og anvende en av pasientstøttende strategier. Han kan kjenne igjen den emosjonelle fargeleggingen av pasientens tale eller tekstmeldinger, svare riktig på den og hjelpe personen å bli kvitt den dårlige vanen.
Hvilke prinsipper for AI ligger til grunn for metoden?
- Disse prinsippene er basert på modellering av røykesluttmetodikk ved bruk av kognitiv atferdsterapi og motivasjonssamtaler, som vanligvis gjennomføres av en lege i resepsjonen. I en live samtale kan naturligvis en person forstå stemningen og tilstanden til samtalepartneren takket være forskjellige verbale og ikke-verbale signaler: disse inkluderer tale, stemme, ansiktsuttrykk, gester.
Salgsfremmende video:
I forskningen vår var vi interessert i språket vi kommuniserer i direktemeldinger og sosiale nettverk. For at kunstig intelligens skal erstatte en psykoterapeut, må den kunne gjenkjenne en persons talte og skrevne tale, dens emosjonelle fargelegging, samt opprettholde en samtale og reagere på endringer i pasientens tilstand.
Hvordan lærer kunstig intelligens å analysere tale?
- Dype læringsmetoder, spesielt tilbakevendende nevrale nettverk, kombinert med tilgjengeligheten av dataverktøy og akkumulerte data, har gjort det mulig å gjøre et gjennombrudd på mange områder av kunstig intelligens, inkludert talegjenkjenning og prosessering. Ved hjelp av disse teknologiene har flere høyteknologiske selskaper kunnet lage stemmeassistenter som du kan kommunisere og sette oppgaver med: Siri fra Apple, Google Assistant fra Google, Alice fra Yandex.
Selv om tilbakevendende nevrale nettverk er et populært tekstgjenkjenningsverktøy, krever de en stor mengde merkede data som er vanskelig å samle på. I tillegg er kommunikasjonsprosessen et eksempel på AI-læring i et ikke-stasjonært miljø, siden talen vår endrer seg stort over tid og under påvirkning av nasjonale kjennetegn ved forskjellige kulturer.
Disse faktorene krever lokal konfigurasjon og vedlikehold av klassifiseringen (i vårt tilfelle, et dypt lærende gjentatt nevralt nettverk) allerede på nivå med en individuell bruker. En av de populære tilnærmingene til kontinuerlig forbedring av en klassifiserer er aktiv læring. Hovedideen med disse metodene er å merke opp bare en del av de mottatte dataene som er av interesse for videre anvendelse.
Vanligvis fungerer dagens aktive AI-læringsmetoder godt for tradisjonelle oppgaver. På den måten kan de føre til teknologisk ustabilitet, noe som er vanlig i nevrale nettverksarkitekturer.
Metoden vår er en ny algoritme for aktiv læring av nevrale nettverk, som er basert på følgende prinsipper: halvveiledet læring, tilbakevendende nevrale nettverk og dyp læring og naturlig språkbehandling.
Mekanismen for arbeidet er som følger: algoritmen får en tekstmelding, slik den skjer når du kommuniserer i direktemeldinger. Algoritmenes oppgave er å gjenkjenne dens emosjonelle fargelegging i forhold til temaet røyking. Det kan være positivt ("Jeg personlig slutter, jeg røyker ikke, jeg er glad og full av energi"), negativ ("Jeg røyker igjen") eller nøytral ("Moskva er hovedstaden i Russland").
Twitter-innlegg behandlet av nevrale nettverk under forskning / Philips Research Press Service.
Avhengig av den emosjonelle fargelegningen, bruker algoritmen passende atferdsstrategier: endre temaet for samtalen i tilfelle av en positiv fargelegging, støtte samtalen med en negativ fargelegging og reager nøytralt i tilfelle av en nøytral melding.
Hvordan ble studien av effektiviteten til denne metoden utført, hva var dens resultater?
- Hensikten med studien vår var å utvikle en ny metode for å søke og velge data av spesiell interesse. For å vise hva slags data vi er interessert i, vurder følgende eksempel. Se for deg en jury som tar en sak i retten og avgjør av et flertall om en person er skyldig eller ikke. I dette tilfellet kan juryen alltid henvende seg til magikeren Merlin, som vet med sikkerhet om tiltalte er skyldig. Men han krever betaling for tjenestene sine.
Juryen ønsker å gjøre jobben sin samvittighetsfull, men har samtidig et begrenset budsjett og kan ikke kontakte Merlin for alle tilfeller. En sak anses som uinteressant hvis juryen stemmer nesten enstemmig for skyld eller uskyld, dette er en enkel sak. Men hvis stemmene til juryen er delt, er dette av interesse.
I dette tilfellet henvender juryen seg til tryllekunstneren, får svar og, når de vurderer de neste lignende sakene, vil ta mer samordnede avgjørelser, som i fremtiden gjør lignende saker enkle. Å gå videre til terminologien til algoritmen, en jury betyr en klassifiserer (nevralt nettverk), en jury betyr en komité av klassifiserere, en rettssak betyr en tweet-melding, og Merlin betyr en ekspert som markerer meldinger.
Dermed bestemmer flere nevrale nettverk, basert på den akkumulerte opplevelsen, hvilken emosjonell farging en bestemt tweet bærer. For eksempel, hvis de nesten enstemmig gir en tweet en positiv følelsesmessig konnotasjon, blir den klassifisert som positiv. Hvis nevrale nettverk "blir forvirret i opplesningene", blir tweeten markert som interessant.
Videre blir alle interessante saker samlet inn, som blir rangert etter graden av tillit til klassifiseringsspådommene, hvoretter disse sakene blir sendt til eksperten for merking. Videre gjennomfører spesialisten ytterligere opplæring av nevrale nettverk basert på de analyserte tilfellene.
Hva klarte du å lage til slutt?
- Som et resultat av forskningen ble det laget en ny Query by Embedded Commettee (QBEC) aktiv læringsalgoritme, som skiller seg fra de eksisterende når det gjelder nøyaktighet og hastighet. Under eksperimentet brukte vi en ny algoritme for å klassifisere korte tekstmeldinger fra Twitter ved bruk av tilbakevendende nevrale nettverk.
Først ble en treningsdatabase for AI samlet inn og tagget manuelt fra mer enn 2300 engelskspråklige Twitter-innlegg som ble publisert fra oktober 2017 til januar 2018. Oktober-meldingene ble koblet til den europeiske kampanjen for røykeavvenning i Stoptober. Som en del av denne kampanjen slutter folk å røyke og legger ut tweets i en måned der de deler inntrykk av å slutte med sigaretter.
Desember-meldingene ble skrevet av folk som var i ferd med å slutte å røyke innen nyttår. I tillegg ble en testbase samlet og manuelt markert. Det anvendte tekstklassifiseringssystemet var basert på moderne arkitekturer av tilbakevendende nevrale nettverk med dyp læring. Hun ble trent på tweet-treningsbasen.
Nøyaktigheten til klassifisereren som ble lært med sin hjelp var veldig lav og overskred knapt 50%. Deretter gjennomførte vi et nytt eksperiment, der vi konsekvent anvendte den aktive læringsmekanismen: Hver dag mottok klassifisereren en ny porsjon målrettede meldinger (omtrent 3000 daglig) og ga 30 av de mest interessante tilfellene for markering.
Disse meldingene ble tagget manuelt og lagt til treningsdatabasen, som ble brukt til å bygge den neste klassifiseringsmodellen. Studien viste at denne metoden for å undervise i kunstig intelligens muliggjorde en kvalitativ forbedring av algoritmen. Beregningseksperimenter og teoretiske beregninger demonstrerer en mye høyere hastighet på QBEC-algoritmen.
Denne omstendigheten gjør det mulig å kjøre QBEC aktiv læringsalgoritme selv på en brukerenhet, for eksempel en smarttelefon. Dette betyr at vi har en sjanse til å opprette en effektiv stemmeassistent som kan overta funksjonen til en lege og hjelpe mennesker som prøver å slutte å røyke.
Hvilke spådommer kan gjøres basert på disse resultatene, hvor effektiv vil AI være for å hjelpe folk med å slutte å røyke i fremtiden?
- Forskningsresultatene viser at kunstig intelligens er i stand til å gjenkjenne følelser hos pasienten ut fra meldingen, mens aktive læringsalgoritmer kontinuerlig kan forbedre nøyaktigheten i dataklassifisering. Utfordringen vår i dag er å sikre at prosentandelen av mennesker som slutter å røyke med hjelp av AI-teknologi i fremtiden ikke vil være lavere enn andelen av mennesker som slutter å røyke gjennom konsultasjoner ansikt til ansikt.
Innføring av AI i medisin kan redusere den økonomiske belastningen på helsevesenet og nå mange flere pasienter som ønsker å slutte med sigaretter og føre en sunn livsstil.
Det kan antas at fremover denne fremgangsmåten blant annet skal brukes for å hjelpe pasienter med alkohol- eller rusavhengighet. Også leger vil oftere kunne henvende seg til mulighetene til AI når det gjelder å identifisere psykiske lidelser.
For eksempel nylig har forskere fra University of Pennsylvania utviklet et nevralt nettverk som analyserer brukerinnlegg på Facebook og bestemmer om folk er deprimerte. Diagnosen av denne sykdommen er ikke alltid entydig, derfor var nøyaktigheten til algoritmen under studien i 70% av tilfellene sammenlignbar med resultatene fra medisinsk screening.
Slike eksempler beviser at mulighetene for å bruke kunstig intelligens i medisin er uendelige og kan hjelpe leger til å løse mange sosiale problemer.
