Podľa WHO je na svete približne 1,1 miliardy fajčiarov. Rusko je na piatom mieste v počte fajčiarov - vyše 45 miliónov ľudí. Vedci navrhli spôsob boja proti fajčeniu na základe umelej inteligencie.
Každý rok zomrie na choroby spojené s fajčením asi 400 000 Rusov. Aj keď štát prijíma opatrenia na obmedzenie spotreby tabaku na legislatívnej úrovni, vedci vyvíjajú účinné metódy založené na technológiách umelej inteligencie (AI). Andrey Polyakov, vedecký pracovník spoločnosti Philips Research Lab Rus, hovoril o tom, ako môžu neurónové siete a strojové učenie pomôcť v boji proti fajčeniu.
Čo sa dá všeobecne povedať o štúdii: Ako vznikla myšlienka, prečo by umelá inteligencia mala ľuďom pomôcť prestať fajčiť?
- Jednou z najúčinnejších stratégií na odvykanie od fajčenia je lekárska pomoc. Počas konzultácií poskytuje špecialista psychologickú podporu osobe, ktorá ukončí fajčenie, a nenechá sa rozpadnúť. Osobné konzultácie sú však pre zdravotný systém dosť nákladným potešením a pacienti nemajú vždy možnosť navštíviť lekára často kvôli odľahlosti špecializovaných kliník.
Zamestnanci ruských a holandských laboratórií Philips Research uvažovali o riešení týchto problémov. Vedci si stanovili za cieľ rozšíriť konzultačné stretnutia na široké spektrum fajčiarov, ktorí majú smartfóny s prístupom na internet. Výsledky štúdie boli predstavené v lete roku 2018 v Štokholme na konferencii IJCAI-2018. Cieľom je automatizovať terapeutický zásah a poskytnúť vzdialenú pomoc osobe, ktorá prestane fajčiť s využitím schopností umelej inteligencie.
Hovoríme o konverzačnom agentovi na smartfóne, ktorý je schopný vybrať a uplatniť jednu zo stratégií podporujúcich pacienta. Dokáže rozpoznať emocionálne sfarbenie reči pacienta alebo jeho textových správ, primerane naň reagovať a pomôcť osobe zbaviť sa zlého návyku.
Aké zásady AI sú základom metódy?
- Tieto princípy vychádzajú z modelovania metodiky odvykania od fajčenia s využitím kognitívno-behaviorálnej terapie a motivačného rozhovoru, ktoré zvyčajne vedie lekár na recepcii. V živej konverzácii prirodzene človek dokáže porozumieť nálade a stavu hovorcu vďaka rôznym verbálnym a neverbálnym signálom: medzi ne patrí reč, hlas, výrazy tváre, gestá.
Propagačné video:
V našom výskume sme sa zaujímali o jazyk, v ktorom komunikujeme prostredníctvom okamžitých správ a sociálnych sietí. Aby umelá inteligencia nahradila psychoterapeuta, musí byť schopná rozpoznať hovorenú a písomnú reč osoby, jej emocionálne sfarbenie, ako aj udržiavať konverzáciu a reagovať na zmeny stavu pacienta.
Ako sa naučí umelá inteligencia analyzovať reč?
- Hlboké metódy učenia, najmä opakujúce sa neurónové siete, kombinované s dostupnosťou počítačových nástrojov a akumulovaných údajov, umožnili prielom v mnohých oblastiach umelej inteligencie vrátane rozpoznávania a spracovania reči. Pomocou týchto technológií dokázalo niekoľko high-tech spoločností vytvoriť hlasových asistentov, s ktorými môžete komunikovať a nastavovať im úlohy: Siri z Apple, Google Assistant z Google, Alice z Yandex.
Hoci sú opakujúce sa neurónové siete populárnym nástrojom na rozpoznávanie textu, vyžadujú veľké množstvo označených údajov, ktoré je ťažké zhromaždiť. Komunikačný proces je navyše príkladom výučby umelej inteligencie v nestacionárnom prostredí, pretože naša reč sa v priebehu času aj pod vplyvom národných charakteristík rôznych kultúr výrazne mení.
Tieto faktory vyžadujú lokálnu konfiguráciu a údržbu klasifikátora (v našom prípade hlbokej učiacej sa rekurentnej neurónovej siete) už na úrovni individuálneho používateľa. Jedným z populárnych prístupov k neustálemu zlepšovaniu klasifikátora je aktívne učenie. Hlavnou myšlienkou týchto metód je označiť iba časť prijatých údajov, ktorá je predmetom ďalšieho použitia.
Dnešné aktívne metódy výučby AI zvyčajne dobre fungujú pre tradičné úlohy. Pritom môžu viesť k technologickej nestabilite, ktorá je bežná v architektúrach neurónových sietí s hlbokým učením.
Naša metóda je nový algoritmus pre aktívne učenie sa neurónových sietí, ktorý je založený na nasledujúcich princípoch: semi-supervised learning, recidivujúce neurónové siete a hĺbkové učenie a spracovanie prirodzeného jazyka.
Mechanizmus práce je nasledujúci: algoritmu je daná textová správa, ako sa to stáva pri komunikácii s okamžitými správami. Úlohou algoritmu je rozpoznať jeho emocionálne sfarbenie vo vzťahu k téme fajčenia. Môže byť pozitívny („Ja osobne prestávam, nefajčím, som veselý a plný energie“), negatívny („znova fajčím“) alebo neutrálny („Moskva je hlavným mestom Ruska“).
Twitter príspevky spracovávané neurónovými sieťami počas výskumu / Philips Research Press Service.
V závislosti od emocionálneho sfarbenia algoritmus uplatňuje vhodné stratégie správania: v prípade pozitívneho sfarbenia zmeňte tému rozhovoru, podporte konverzáciu negatívnym sfarbením a neutrálne v prípade neutrálnej správy.
Aké boli výsledky štúdie účinnosti tejto metódy?
- Účelom našej štúdie bolo vyvinúť novú metódu vyhľadávania a výberu údajov osobitného záujmu. Ak chcete ukázať, ktoré údaje nás zaujímajú, zvážte nasledujúci príklad. Predstavte si, že porota vedie súdny spor a rozhoduje väčšinou, či je osoba vinná alebo nie. V takom prípade sa porota môže vždy obrátiť na kúzelníka Merlina, ktorý vie, či je obvinený vinný. Za svoje služby však požaduje platbu.
Porota chce robiť svoju prácu svedomito, ale zároveň má obmedzený rozpočet a nemôže kontaktovať Merlin pre každý prípad. Prípad sa považuje za nezaujímavý, ak porota hlasuje takmer jednomyseľne za vinu alebo nevinu, jedná sa o jednoduchý prípad. Ak sú však hlasy poroty rozdelené, je to zaujímavé.
V takom prípade sa porota obráti na kúzelníka, dostane odpoveď a pri zvažovaní ďalších podobných prípadov urobí koordinovanejšie rozhodnutia, ktoré v budúcnosti zjednodušia podobné prípady. Pokiaľ ide o terminológiu algoritmu, porota znamená klasifikátor (neurónová sieť), porota znamená výbor klasifikátorov, súdny prípad znamená tweetovú správu a Merlin znamená odborníka, ktorý označuje správy.
Preto niekoľko neurónových sietí na základe nahromadených skúseností rozhoduje, aké emocionálne sfarbenie konkrétny tweet nesie. Napríklad, ak takmer jednomyseľne dajú tweetu pozitívnu emocionálnu konotáciu, potom je klasifikovaný ako pozitívny. Ak sa neurónové siete „zmätia pri čítaní“, potom je tweet označený ako zaujímavý.
Ďalej sa zbierajú všetky zaujímavé prípady, ktoré sú zoradené podľa stupňa dôvery v predpovede klasifikátorov, po ktorých sú tieto prípady zaslané odborníkovi na označenie. Ďalej špecialista vykonáva ďalšie školenie neurónových sietí na základe analyzovaných prípadov.
Čo sa ti nakoniec podarilo vytvoriť?
- Na základe prieskumu sa vytvoril nový aktívny vzdelávací algoritmus produktu Query by Embedded Commettee (QBEC), ktorý sa líši od existujúcich metódou presnosti a rýchlosti. Počas experimentu sme použili nový algoritmus na klasifikáciu krátkych textových správ z Twitteru pomocou opakujúcich sa neurónových sietí.
Najskôr bola zozbieraná a manuálne označená školiaca databáza pre AI z viac ako 2 300 príspevkov v angličtine na Twitteri uverejnených od októbra 2017 do januára 2018. Októbrové správy boli spojené s európskou kampaňou na zastavenie fajčenia Stoptober. V rámci tejto kampane ľudia prestávajú fajčiť a posielajú tweety na mesiac, v ktorom zdieľajú svoje dojmy z odvykania od cigariet.
Decemberové správy napísali ľudia, ktorí sa chystali prestať fajčiť do nového roka. Ďalej sa odobrala testovacia základňa a ručne sa označila. Aplikovaný systém klasifikácie textu bol založený na moderných architektúrach opakujúcich sa neurónových sietí. Bola trénovaná na výcvikovej základni tweetu.
Presnosť klasifikátora, ktorý sa naučil s jeho pomocou, bola veľmi nízka a sotva prekročila 50%. Ďalej sme uskutočnili ďalší experiment, v ktorom sme dôsledne uplatňovali mechanizmus aktívneho učenia: každý deň klasifikátor dostal novú časť cielených správ (asi 3 000 denne) a na označenie dal 30 najzaujímavejších prípadov.
Tieto správy boli manuálne označené a pridané do databázy školení, ktorá bola použitá na vytvorenie nasledujúceho modelu klasifikátora. Štúdia ukázala, že tento spôsob výučby umelej inteligencie umožnil kvalitatívne zlepšenie algoritmu. Výpočtové experimenty a teoretické výpočty demonštrujú oveľa vyššiu rýchlosť algoritmu QBEC.
Táto okolnosť umožňuje spustiť algoritmus aktívneho učenia QBEC aj na užívateľskom zariadení, ako je napríklad smartphone. To znamená, že máme šancu vytvoriť účinného hlasového asistenta, ktorý môže prevziať funkciu lekára a pomôcť ľuďom, ktorí sa snažia prestať fajčiť.
Aké predpovede možno na základe týchto výsledkov urobiť, aký efektívny bude prínos AI pri pomáhaní ľuďom prestať fajčiť v budúcnosti?
- Výsledky výskumu ukazujú, že umelá inteligencia dokáže z textu správy rozpoznať emócie pacienta, zatiaľ čo algoritmy aktívneho učenia môžu neustále zlepšovať presnosť klasifikácie údajov. Dnešnou výzvou je zabezpečiť, aby v budúcnosti percento ľudí, ktorí prestali fajčiť pomocou technológie AI, nebolo nižšie ako percento ľudí, ktorí prestali fajčiť prostredníctvom osobných konzultácií.
Zavedenie AI do medicíny môže znížiť finančné zaťaženie systému zdravotnej starostlivosti a osloviť oveľa viac pacientov, ktorí chcú prestať fajčiť a viesť zdravý životný štýl.
Dá sa predpokladať, že v budúcnosti sa tento prístup bude uplatňovať, okrem iného, na pomoc pacientom s alkoholom alebo drogovou závislosťou. Lekári sa tiež budú môcť častejšie obracať na schopnosti AI pri identifikácii duševných porúch.
Napríklad nedávno vedci z Pensylvánskej univerzity vyvinuli neurónovú sieť, ktorá analyzuje príspevky používateľov na Facebooku a určuje, či sú ľudia v depresii. Diagnóza tohto ochorenia nie je vždy jednoznačná, a preto bola presnosť algoritmu počas štúdie v 70% prípadov porovnateľná s výsledkami lekárskych skríningov.
Takéto príklady dokazujú, že možnosti použitia umelej inteligencie v medicíne sú nekonečné a môžu lekárom pomôcť pri riešení mnohých sociálnych problémov.