Po podatkih Svetovne zdravstvene organizacije je na svetu približno 1,1 milijarde kadilcev. Rusija je po številu kadilcev na petem mestu - več kot 45 milijonov ljudi. Za boj proti žalostni statistiki so znanstveniki predlagali način boja proti kajenju na podlagi umetne inteligence.
Vsako leto zaradi bolezni, povezanih s kajenjem, umre približno 400.000 Rusov. Medtem ko država sprejema ukrepe za omejevanje uživanja tobaka na zakonodajni ravni, raziskovalci razvijajo učinkovite metode, ki temeljijo na tehnologijah umetne inteligence (AI). Andrey Polyakov, raziskovalec Philips Research Lab Rus, je govoril o tem, kako lahko nevronske mreže in strojno učenje pomagajo v boju proti kajenju.
Kaj lahko na splošno rečemo o študiji: kako je ideja nastala, zakaj naj umetna inteligenca pomaga ljudem, da prenehajo kaditi?
- Ena izmed najučinkovitejših strategij za opustitev kajenja je zdravniško svetovanje. Med posvetovanji specialist nudi psihološko podporo osebi, ki je opustila kajenje, da ne pusti, da se pokvari. Toda posvetovanja iz oči v oči so za zdravstvo precej drag užitek in bolniki zaradi oddaljenosti specializiranih ambulant nimajo vedno možnosti obiska zdravnika.
Zaposleni v ruskem in nizozemskem laboratoriju Philips Research so razmišljali o reševanju teh težav. Znanstveniki so si zastavili cilj razširiti posvetovalna zasedanja na široko občinstvo kadilcev, ki imajo pametne telefone z dostopom do interneta. Rezultati študije so bili predstavljeni poleti 2018 v Stockholmu na konferenci IJCAI-2018. Ideja je avtomatizirati terapevtski poseg in omogočiti osebi na daljavo, da preneha kaditi z uporabo umetne inteligence.
Govorimo o pogovornem agentu na pametnem telefonu, ki je sposoben izbrati in uporabiti eno od strategij, ki podpirajo bolnika. Lahko prepozna čustveno obarvanost pacientovega govora ali besedilnih sporočil, se nanjo ustrezno odzove in pomaga osebi, da se znebi slabe navade.
Katera načela AI so osnova metode?
- Ta načela temeljijo na modeliranju metodologije prenehanja kajenja z uporabo kognitivno-vedenjske terapije in motivacijskega razgovora, ki ga običajno izvaja zdravnik na recepciji. Seveda lahko človek v pogovoru v živo razume razpoloženje in stanje sogovornika zahvaljujoč različnim verbalnim in neverbalnim signalom: ti vključujejo govor, glas, obrazno mimiko, kretnje.
Promocijski video:
V naši raziskavi nas je zanimal jezik, v katerem komuniciramo v hitrih sporočilih in družbenih omrežjih. Da bi umetna inteligenca nadomestila psihoterapevta, mora biti sposoben prepoznati govorni in pisni govor osebe, njeno čustveno obarvanost, pa tudi vzdrževati pogovor in se odzivati na spremembe v bolnikovem stanju.
Kako se umetna inteligenca nauči analizirati govor?
- metode poglobljenega učenja, zlasti ponavljajoče se nevronske mreže, v kombinaciji z razpoložljivostjo računalniških orodij in nakopičenih podatkov so naredile preboj na številnih področjih umetne inteligence, vključno s prepoznavanjem govora in obdelavo govora. S pomočjo teh tehnologij je več visokotehnoloških podjetij uspelo ustvariti glasovne pomočnike, s katerimi lahko komunicirate in jim nastavite naloge: Siri iz Apple, Google Assistant iz Googla, Alice iz Yandex-a.
Čeprav so ponavljajoče se nevronske mreže priljubljeno orodje za prepoznavanje besedila, zahtevajo veliko količino označenih podatkov, ki jih je težko zbrati. Poleg tega je komunikacijski postopek primer učenja AI v nestacionarnem okolju, saj se naš govor sčasoma in pod vplivom nacionalnih značilnosti različnih kultur močno spreminja.
Ti dejavniki zahtevajo lokalno konfiguracijo in vzdrževanje klasifikatorja (v našem primeru globoko učeno ponavljajoče se nevronsko omrežje) že na ravni posameznega uporabnika. Eden izmed priljubljenih pristopov k nenehnemu izboljševanju klasifikatorja je aktivno učenje. Glavna ideja teh metod je označiti le del prejetih podatkov, ki so zanimivi za nadaljnjo uporabo.
Današnje aktivne metode učenja AI običajno delujejo pri tradicionalnih nalogah. Pri tem lahko privedejo do nestabilnosti tehnologije, kar je običajno pri arhitekturah nevronskih mrež z globokim učenjem.
Naša metoda je nov algoritem za aktivno učenje nevronskih mrež, ki temelji na naslednjih načelih: polkontrolirano učenje, ponavljajoče se nevronske mreže ter globoko učenje in obdelava naravnega jezika.
Mehanizem dela je naslednji: algoritem dobi besedilno sporočilo, kot se zgodi pri komunikaciji v hitrih sporočilih. Naloga algoritma je prepoznati njegovo čustveno obarvanost glede na temo kajenja. Lahko je pozitiven ("osebno neham, ne kadim, vesel sem in poln energije"), negativen ("spet kadim") ali nevtralen ("Moskva je prestolnica Rusije").
Objave na Twitterju, ki so jih med raziskavami obdelale nevronske mreže / Philips Research Press Service.
Glede na čustveno obarvanost algoritem uporablja ustrezne vedenjske strategije: spremenite temo pogovora v primeru pozitivnega barvanja, podprite pogovor z negativnim barvanjem in nevtralno reagirajte v primeru nevtralnega sporočila.
Kako je potekala študija učinkovitosti te metode, kakšni so bili njeni rezultati?
- Namen naše študije je bil razviti novo metodo iskanja in izbire podatkov, ki so posebej zanimivi. Če želite prikazati, katere podatke nas zanima, upoštevajte naslednji primer. Zamislite si poroto, ki vodi zadevo na sodišču in z večino odloči, ali je človek kriv ali ne. V tem primeru se porota lahko vedno obrne na čarovnika Merlina, ki zagotovo ve, ali je obtoženi kriv. A za svoje storitve zahteva plačilo.
Porota želi svojo nalogo opraviti vestno, a ima hkrati omejen proračun in se ne more obrniti na Merlin za vsak primer. Primer se šteje za nezanimiv, če žirija skoraj soglasno glasuje za krivdo ali nedolžnost, to je preprost primer. Če pa se glasovi žirije razdelijo, potem to zanima.
V tem primeru se porota obrne na čarovnika, prejme odgovor in bo ob obravnavi naslednjih podobnih primerov sprejela bolj usklajene odločitve, kar bo v prihodnosti podobne primere poenostavilo. Če preidete na terminologijo algoritma, porota pomeni klasifikator (nevronsko omrežje), porota pomeni odbor klasifikatorjev, sodna zadeva pomeni tvit, Merlin pa strokovnjak za označevanje sporočil.
Tako se več nevronskih mrež na podlagi nabrane izkušnje odloči, kakšno čustveno barvanje nosi določen tvit. Na primer, če tvitu skoraj soglasno dajo pozitivno čustveno konotacijo, potem je razvrščen kot pozitiven. Če se nevronske mreže "zmedejo pri branju", je tvit označen kot zanimiv.
Nadalje so zbrani vsi zanimivi primeri, ki so razvrščeni glede na stopnjo zaupanja v napovedi klasifikatorjev, nakar se ti primeri pošljejo strokovnjaku na oceno. Nadalje specialist izvaja dodatno usposabljanje nevronskih mrež na podlagi analiziranih primerov.
Kaj vam je na koncu uspelo ustvariti?
- Kot rezultat raziskave je bil ustvarjen nov algoritem aktivnega učenja Qued by Embedded Commettee (QBEC), ki se po natančnosti in hitrosti razlikuje od obstoječih. Med poskusom smo uporabili nov algoritem za razvrščanje kratkih besedilnih sporočil s Twitterja s pomočjo ponavljajočih se nevronskih mrež.
Najprej je bila zbrana in ročno označena baza podatkov o usposabljanju za AI iz več kot 2.300 objav v angleškem jeziku na Twitterju, objavljenih od oktobra 2017 do januarja 2018. Oktobrska sporočila so bila povezana z evropsko kampanjo opuščanja kajenja Stoptober. V okviru te kampanje ljudje mesec dni prenehajo s kajenjem in objavljajo tweete, v katerih delijo svoje vtise o zaužitju cigaret.
Decembrska sporočila so napisali ljudje, ki bodo do novega leta prenehali kaditi. Poleg tega je bila zbrana testna baza in ročno označena. Uporabljeni sistem klasifikacije besedil je temeljil na sodobni arhitekturi ponavljajočih se nevronskih mrež globokega učenja. Izpopolnjevala se je na vadbeni bazi tvita.
Natančnost klasifikatorja, ki smo se ga naučili z njegovo pomočjo, je bila zelo nizka in je komaj presegla 50%. Nato smo izvedli še en eksperiment, v katerem smo dosledno uporabljali mehanizem aktivnega učenja: klasifikator je vsak dan prejemal novo porcijo ciljnih sporočil (približno 3000 dnevno) in dal 30 najzanimivejših primerov za označevanje.
Ta sporočila so bila ročno označena in dodana v podatkovno bazo, ki je bila uporabljena za izdelavo naslednjega modela klasifikatorja. Študija je pokazala, da ta metoda poučevanja umetne inteligence omogoča kakovostno izboljšanje algoritma. Računalniški eksperimenti in teoretični izračuni prikazujejo veliko večjo hitrost algoritma QBEC.
Ta okoliščina omogoča zagon algoritma aktivnega učenja QBEC tudi na uporabniški napravi, kot je pametni telefon. To pomeni, da imamo možnost ustvariti učinkovitega glasovnega asistenta, ki lahko prevzame funkcijo zdravnika in pomaga ljudem, ki poskušajo opustiti kajenje.
Kakšne napovedi je mogoče izdelati na podlagi teh rezultatov, kako učinkovit bo AI pri pomoči ljudem, da prenehajo kaditi v prihodnosti?
- Rezultati raziskav kažejo, da je umetna inteligenca sposobna prepoznati bolnikova čustva iz besedila sporočila, medtem ko lahko algoritmi aktivnega učenja nenehno izboljšujejo natančnost klasifikacije podatkov. Naš današnji izziv je zagotoviti, da v prihodnosti odstotek ljudi, ki prenehajo kaditi s pomočjo AI tehnologije, ne bo nižji od odstotka ljudi, ki so prenehali kaditi s posvetovanji iz oči v oči.
Uvedba AI v medicino lahko zmanjša finančno breme zdravstvenega sistema in doseže veliko več pacientov, ki želijo opustiti cigarete in voditi zdrav življenjski slog.
Domnevamo, da se bo v prihodnosti ta pristop med drugim uporabljal tudi za pomoč bolnikom z odvisnostjo od alkohola ali drog. Tudi zdravniki se bodo lahko pogosteje obrnili na zmožnosti AI pri prepoznavanju duševnih motenj.
Pred kratkim so na primer znanstveniki z univerze v Pensilvaniji razvili nevronsko mrežo, ki analizira objave uporabnikov na Facebooku in ugotavlja, ali so ljudje depresivni. Diagnoza te bolezni ni vedno nedvoumna, zato je bila natančnost algoritma med študijo v 70% primerov primerljiva z rezultati zdravstvenih pregledov.
Takšni primeri dokazujejo, da so možnosti uporabe umetne inteligence v medicini neskončne in lahko zdravnikom pomagajo rešiti številne družbene težave.