Saskaņā ar PVO datiem pasaulē ir aptuveni 1,1 miljards smēķētāju. Smēķētāju skaita ziņā Krievija ieņem piekto vietu - vairāk nekā 45 miljonus cilvēku. Lai apkarotu bēdīgo statistiku, zinātnieki ir ierosinājuši veidu, kā apkarot smēķēšanu, pamatojoties uz mākslīgo intelektu.
Katru gadu no smēķēšanas izraisītām slimībām mirst apmēram 400 000 krievu. Kamēr valsts likumdošanas līmenī veic pasākumus tabakas patēriņa ierobežošanai, pētnieki izstrādā efektīvas metodes, kuru pamatā ir mākslīgā intelekta (AI) tehnoloģijas. Filips Philips Research Lab Rus pētnieks Andrejs Poļakovs runāja par to, kā neironu tīkli un mašīnmācīšanās var palīdzēt cīņā pret smēķēšanu.
Ko kopumā var teikt par pētījumu: kā radās ideja, kāpēc mākslīgajam intelektam vajadzētu palīdzēt cilvēkiem atmest smēķēšanu?
- Viena no efektīvākajām smēķēšanas atmešanas stratēģijām ir medicīniski ieteikumi. Konsultāciju laikā speciālists sniedz psiholoģisko atbalstu smēķēšanas atmešanas personai, neļaujot viņam noārdīties. Bet klātienes konsultācijas ir diezgan dārgs prieks veselības aprūpes sistēmai, un pacientiem ne vienmēr ir iespēja apmeklēt ārstu bieži specializēto klīniku attāluma dēļ.
Krievijas un Nīderlandes laboratorijas Philips Research darbinieki domāja par šo problēmu risināšanu. Zinātnieki ir izvirzījuši mērķi paplašināt konsultāciju sesijas plašai smēķētāju auditorijai, kuriem ir viedtālruņi ar piekļuvi internetam. Pētījuma rezultāti tika prezentēti 2018. gada vasarā Stokholmā IJCAI-2018 konferencē. Ideja ir automatizēt terapeitisko iejaukšanos un sniegt attālinātu palīdzību cilvēkam, lai atmestu smēķēšanu, izmantojot mākslīgā intelekta iespējas.
Mēs runājam par sarunvalodas aģentu viedtālrunī, kas spēj izvēlēties un pielietot kādu no pacientu atbalsta stratēģijām. Viņš spēj atpazīt pacienta runas vai īsziņu emocionālo krāsojumu, atbilstoši reaģēt uz to un palīdzēt personai atbrīvoties no sliktā ieraduma.
Kādi AI principi ir metodes pamatā?
- Šie principi balstās uz smēķēšanas atmešanas metodoloģijas modelēšanu, izmantojot kognitīvi-uzvedības terapiju un motivējošas intervijas, kuras parasti ārsts uzņem reģistratūrā. Protams, dzīvā sarunā cilvēks var saprast sarunu biedra noskaņojumu un stāvokli, pateicoties dažādiem verbāliem un neverbāliem signāliem: tie ietver runu, balsi, sejas izteiksmes, žestus.
Reklāmas video:
Mūsu pētījumā mūs interesēja valoda, kādā mēs sazināmies tūlītējos kurjeros un sociālajos tīklos. Lai mākslīgais intelekts aizstātu psihoterapeitu, tam jāspēj atpazīt cilvēka runāto un rakstīto runu, tā emocionālo kolorītu, kā arī uzturēt sarunu un reaģēt uz izmaiņām pacienta stāvoklī.
Kā mākslīgais intelekts iemācās analizēt runu?
- Dziļās mācīšanās metodes, jo īpaši atkārtotie neironu tīkli, apvienojumā ar skaitļošanas rīku un uzkrāto datu pieejamību ir ļāvuši panākt izrāvienu daudzās mākslīgā intelekta jomās, ieskaitot runas atpazīšanu un apstrādi. Ar šo tehnoloģiju palīdzību vairāki augsto tehnoloģiju uzņēmumi ir spējuši izveidot balss palīgus, ar kuriem jūs varat sazināties un iestatīt viņiem uzdevumus: Siri no Apple, Google palīgs no Google, Alise no Yandex.
Kaut arī atkārtotie neironu tīkli ir populārs teksta atpazīšanas rīks, tiem ir nepieciešams liels daudzums marķētu datu, kurus ir grūti apkopot. Turklāt saziņas process ir AI mācīšanās piemērs nestacionārā vidē, jo mūsu runa ievērojami mainās gan laika gaitā, gan dažādu kultūru nacionālo īpatnību ietekmē.
Šie faktori prasa klasifikatora lokālu konfigurēšanu un uzturēšanu (mūsu gadījumā dziļas mācīšanās atkārtots neironu tīkls) jau atsevišķa lietotāja līmenī. Viena no populārajām metodēm pastāvīgai klasifikatora pilnveidošanai ir aktīva mācīšanās. Šo metožu galvenā ideja ir atzīmēt tikai daļu no saņemtajiem datiem, kas ir ieinteresēti turpmākai piemērošanai.
Parasti mūsdienu aktīvās AI mācīšanās metodes labi darbojas tradicionālajos uzdevumos. To darot, tie var izraisīt tehnoloģiju nestabilitāti, kas ir izplatīta dziļo mācību nervu tīkla arhitektūrās.
Mūsu metode ir jauns neironu tīklu aktīvās mācīšanās algoritms, kas balstās uz šādiem principiem: daļēji uzraudzīta mācīšanās, atkārtoti neironu tīkli un dziļa mācīšanās un dabiskās valodas apstrāde.
Darba mehānisms ir šāds: algoritmam tiek dota īsziņa, kā tas notiek, sazinoties ar tūlītējiem kurjeriem. Algoritma uzdevums ir atpazīt tā emocionālo kolorītu saistībā ar smēķēšanas tēmu. Tas var būt pozitīvs (“Es personīgi atmetu, es nesmēķēju, esmu jautrs un enerģijas pilns”), negatīvs (“Es atkal smēķēju”) vai neitrāls (“Maskava ir Krievijas galvaspilsēta”).
Twitter ziņas, kuras izpētes laikā apstrādā neironu tīkli / Philips Research Press Service.
Atkarībā no emocionālās krāsas, algoritms izmanto piemērotas uzvedības stratēģijas: pozitīvas krāsošanas gadījumā mainiet sarunas tēmu, atbalstiet sarunu ar negatīvu krāsojumu un neitrālas ziņas gadījumā reaģējiet neitrāli.
Kā tika veikts šīs metodes efektivitātes pētījums, kādi bija tā rezultāti?
- Mūsu pētījuma mērķis bija izstrādāt jaunu metodi īpaši interesējošu datu meklēšanai un atlasīšanai. Lai parādītu, kāda veida dati mūs interesē, apsveriet šo piemēru. Iedomājieties, kā žūrija izskata lietu tiesā un ar balsu vairākumu izlemj, vai persona ir vainīga vai nē. Šajā gadījumā žūrija vienmēr var vērsties pie burvis Merilins, kurš droši zina, vai vainīgais ir vainīgais. Bet viņš prasa samaksu par saviem pakalpojumiem.
Žūrija vēlas veikt savu darbu apzinīgi, bet tajā pašā laikā budžets ir ierobežots un tā nevar sazināties ar Merlinu katrā gadījumā. Gadījums tiek uzskatīts par neinteresantu, ja žūrija gandrīz vienbalsīgi balso par vainu vai nevainību, tas ir vienkāršs gadījums. Bet, ja žūrijas balsis tiek sadalītas, tad tas interesē.
Šajā gadījumā žūrija vēršas pie burvis, saņem atbildi un, apsverot nākamos līdzīgos gadījumus, pieņems koordinētākus lēmumus, kas nākotnē līdzīgus gadījumus padara vienkāršus. Pārejot pie algoritma terminoloģijas, žūrija nozīmē klasifikatoru (neironu tīklu), žūrija nozīmē klasifikatoru komiteju, tiesas lieta nozīmē tweet ziņojumu un Merlin nozīmē ekspertu, kurš iezīmē ziņojumus.
Tādējādi vairāki neironu tīkli, balstoties uz uzkrāto pieredzi, izlemj, kādu emocionālu krāsu izceļ konkrēts tvīts. Piemēram, ja viņi gandrīz vienbalsīgi piešķir tvītam pozitīvu emocionālu pieskaņu, tad to klasificē kā pozitīvu. Ja neironu tīkli "sajaucas lasījumos", tad čivināt tiek atzīmēts kā interesants.
Tālāk tiek apkopoti visi interesanti gadījumi, kas sakārtoti pēc ticamības pakāpes klasificētāju prognozēs, pēc tam šie gadījumi tiek nosūtīti ekspertam marķēšanai. Tālāk speciālists veic neironu tīklu papildu apmācību, pamatojoties uz analizētajiem gadījumiem.
Ko jums izdevās izveidot galu galā?
- Pētījuma rezultātā tika izveidots jauns Query by Embedded Commettee (QBEC) aktīvās mācīšanās algoritms, kas precizitātes un ātruma ziņā atšķiras no esošajiem. Eksperimenta laikā mēs izmantojām jaunu algoritmu, lai klasificētu īsās īsziņas no Twitter, izmantojot atkārtotus neironu tīklus.
Vispirms tika savākta un manuāli marķēta AI apmācības datu bāze no vairāk nekā 2300 angļu valodas Twitter ziņām, kas publicētas no 2017. gada oktobra līdz 2018. gada janvārim. Oktobra vēstījumi bija saistīti ar Stoptober Eiropas smēķēšanas atmešanas kampaņu. Šīs kampaņas ietvaros cilvēki mēnesī atmeta smēķēšanu un ievieto tvītus, kurā dalās iespaidos par cigarešu atmešanu.
Decembra ziņojumus rakstīja cilvēki, kuri līdz Jaunajam gadam gatavojās atmest smēķēšanu. Turklāt tika savākta un manuāli iezīmēta testa bāze. Pielietotā teksta klasifikācijas sistēma balstījās uz modernu dziļu mācību atkārtotu neironu tīklu arhitektūrām. Viņa tika apmācīta čivināt apmācības bāzē.
Ar tās palīdzību apgūtā klasifikatora precizitāte bija ļoti zema un tik tikko pārsniedza 50%. Tālāk mēs veica vēl vienu eksperimentu, kurā mēs konsekventi izmantojām aktīvās mācīšanās mehānismu: katru dienu klasifikators saņēma jaunu mērķtiecīgu ziņojumu daļu (apmēram 3000 katru dienu) un deva 30 visinteresantākos gadījumus marķēšanai.
Šie ziņojumi tika manuāli marķēti un pievienoti apmācības datu bāzei, kuru izmantoja, lai izveidotu nākamo klasifikatora modeli. Pētījums parādīja, ka šī mākslīgā intelekta mācīšanas metode ļāva kvalitatīvi uzlabot algoritmu. Skaitļošanas eksperimenti un teorētiskie aprēķini parāda daudz lielāku QBEC algoritma ātrumu.
Šis apstāklis ļauj palaist QBEC aktīvās mācīšanās algoritmu pat lietotāja ierīcē, piemēram, viedtālrunī. Tas nozīmē, ka mums ir iespēja izveidot efektīvu balss asistentu, kas var pārņemt ārsta funkcijas un palīdzēt cilvēkiem, kuri cenšas atmest smēķēšanu.
Kādas prognozes var izdarīt, pamatojoties uz šiem rezultātiem, cik efektīva būs AI, lai nākotnē palīdzētu cilvēkiem atmest smēķēšanu?
- Pētījuma rezultāti parāda, ka mākslīgais intelekts spēj atpazīt pacienta emocijas no ziņojuma teksta, savukārt aktīvās mācīšanās algoritmi var nepārtraukti uzlabot datu klasifikācijas precizitāti. Mūsu šodienas izaicinājums ir nodrošināt, ka nākotnē to cilvēku procentuālais daudzums, kuri atmest smēķēšanu, izmantojot AI tehnoloģiju, nebūs mazāks par to cilvēku procentuālo daļu, kuri atmet smēķēšanu klātienes konsultāciju laikā.
AI ieviešana medicīnā var samazināt finansiālo slogu veselības aprūpes sistēmai un sasniegt daudz vairāk pacientu, kuri vēlas atmest cigaretes un dzīvot veselīgu dzīvesveidu.
Var pieņemt, ka nākotnē šī pieeja cita starpā tiks izmantota, lai palīdzētu pacientiem ar alkohola vai narkotiku atkarību. Arī ārsti varēs biežāk pievērsties AI, nosakot garīgos traucējumus.
Piemēram, nesen Pensilvānijas universitātes zinātnieki izstrādāja neironu tīklu, kas analizē lietotāju ziņas Facebook un nosaka, vai cilvēkiem nav depresijas. Šīs slimības diagnoze ne vienmēr ir viennozīmīga, tāpēc algoritma precizitāte pētījuma laikā 70% gadījumu bija salīdzināma ar medicīnisko skrīningu rezultātiem.
Šādi piemēri pierāda, ka mākslīgā intelekta izmantošanas iespējas medicīnā ir bezgalīgas un var palīdzēt ārstiem atrisināt daudzas sociālās problēmas.