Ifølge WHO er der cirka 1,1 milliarder rygere i verden. Rusland rangerer femte i antallet af rygere - over 45 millioner mennesker. For at bekæmpe den triste statistik har forskere foreslået en måde at bekæmpe rygning på, baseret på kunstig intelligens.
Ca. 400.000 russere dør hvert år af rygning-relaterede sygdomme. Og selvom staten træffer foranstaltninger for at begrænse tobaksforbruget på lovgivningsniveau, udvikler forskere effektive metoder baseret på kunstig intelligens (AI) -teknologier. Andrey Polyakov, en forsker ved Philips Research Lab Rus, talte om, hvordan neurale netværk og maskinlæring kan hjælpe i kampen mod rygning.
Hvad kan man sige generelt om undersøgelsen: hvordan opstod ideen, hvorfor skulle kunstig intelligens hjælpe folk med at holde op med at ryge?
- En af de mest effektive strategier for rygestop er medicinsk rådgivning. Under konsultationer yder specialisten psykologisk støtte til den person, der holder op med at ryge, for ikke at lade ham gå i stykker. Men konsultationer ansigt til ansigt er en ganske dyre fornøjelse for sundhedsvæsenet, og patienter har ikke altid muligheden for at besøge en læge ofte på grund af afstanden fra specialiserede klinikker.
Medarbejdere på de russiske og hollandske laboratorier Philips Research overvejede at løse disse problemer. Forskere har sat sig som mål at skalere konsultationssessioner til et bredt publikum af rygere, der har smartphones med internetadgang. Resultaterne af undersøgelsen blev præsenteret i sommeren 2018 i Stockholm på IJCAI-2018-konferencen. Ideen er at automatisere en terapeutisk intervention og yde fjernhjælp til en person til at holde op med at ryge ved hjælp af evnerne til kunstig intelligens.
Vi taler om en samtaleagent på en smartphone, der er i stand til at vælge og anvende en af de patientunderstøttende strategier. Han kan genkende den følelsesmæssige farve på patientens tale eller tekstbeskeder, reagere passende på den og hjælpe personen med at slippe af med den dårlige vane.
Hvilke principper for AI er grundlaget for metoden?
- Disse principper er baseret på modellering af metoden med rygestop ved hjælp af kognitiv adfærdsterapi og motiverende interviews, som normalt udføres af en læge i receptionen. I en live samtale kan en person naturligvis forstå samtalens stemning og tilstand takket være forskellige verbale og ikke-verbale signaler: Disse inkluderer tale, stemme, ansigtsudtryk, gestus.
Salgsfremmende video:
I vores forskning var vi interesseret i det sprog, vi kommunikerer i instant messengers og sociale netværk. For at kunstig intelligens skal erstatte en psykoterapeut, skal den være i stand til at genkende en persons talte og skriftlige tale, dens følelsesmæssige farve samt opretholde en samtale og reagere på ændringer i patientens tilstand.
Hvordan lærer kunstig intelligens at analysere tale?
- Dyb indlæringsmetoder, især tilbagevendende neurale netværk kombineret med tilgængeligheden af computerværktøjer og akkumulerede data, har gjort et gennembrud på mange områder af kunstig intelligens, herunder talegenkendelse og behandling. Ved hjælp af disse teknologier har flere højteknologiske virksomheder været i stand til at oprette stemmeassistenter, som du kan kommunikere og indstille opgaver til dem: Siri fra Apple, Google Assistant fra Google, Alice fra Yandex.
Selvom tilbagevendende neurale netværk er et populært værktøj til tekstgenkendelse, kræver de en stor mængde mærkede data, der er vanskelige at indsamle. Derudover er kommunikationsprocessen et eksempel på AI-læring i et ikke-stationært miljø, da vores tale ændrer sig meget over tid og under påvirkning af nationale karakteristika i forskellige kulturer.
Disse faktorer kræver lokal konfiguration og vedligeholdelse af klassificeren (i vores tilfælde et dybt lærende tilbagevendende neuralt netværk) allerede på niveau for en individuel bruger. En af de populære tilgange til kontinuerlig forbedring af en klassifikator er aktiv læring. Hovedideen med disse metoder er kun at markere en del af de modtagne data, der er af interesse for yderligere anvendelse.
Typisk fungerer dagens aktive AI-læringsmetoder godt til traditionelle opgaver. Dermed kan de føre til teknologisk ustabilitet, hvilket er almindeligt i dyb læring af neurale netværksarkitekturer.
Vores metode er en ny algoritme til aktiv indlæring af neurale netværk, der er baseret på følgende principper: semi-overvåget læring, tilbagevendende neurale netværk og dyb læring og naturlig sprogbehandling.
Mekanismen for arbejde er som følger: algoritmen får en sms, som den sker, når der kommunikeres i instant messengers. Algoritmen har til opgave at genkende dens følelsesmæssige farve i forhold til rygning. Det kan være positivt (“Jeg personligt holder op, jeg ryger ikke, jeg er munter og fuld af energi”), negativ (“Jeg ryger igen”) eller neutral (“Moskva er Russlands hovedstad”).
Twitter-indlæg, der er behandlet af neurale netværk under forskning / Philips Research Press Service.
Afhængig af den følelsesmæssige farve anvender algoritmen passende adfærdsstrategier: ændre samtaleemnet i tilfælde af en positiv farvelægning, understøtt samtalen med en negativ farvelægning og reagerer neutralt i tilfælde af en neutral besked.
Hvordan blev undersøgelsen af effektiviteten af denne metode udført, hvad var dens resultater?
- Formålet med vores undersøgelse var at udvikle en ny metode til søgning og udvælgelse af data af særlig interesse. For at vise, hvilken type data vi er interesseret i, skal du overveje følgende eksempel. Forestil dig en jury, der tager en sag ved retten og beslutter med flertal, om en person er skyldig eller ikke. I dette tilfælde kan juryen altid henvende sig til troldmanden Merlin, der med sikkerhed ved, om den tiltalte er skyldig. Men han kræver betaling for sine tjenester.
Juryen ønsker at gøre deres arbejde samvittighedsfuldt, men har samtidig et begrænset budget og kan ikke kontakte Merlin i alle tilfælde. En sag betragtes som uinteressant, hvis juryen næsten enstemmigt stemmer for skyld eller uskyld, dette er en simpel sag. Men hvis juryens stemmer er delt, er det af interesse.
I dette tilfælde vender juryen sig til tryllekunstneren, modtager et svar, og når man overvejer de næste lignende sager, vil de tage mere koordinerede beslutninger, hvilket i fremtiden gør lignende sager enkle. At gå videre til terminologien i algoritmen, en jury betyder en klassifikator (neuralt netværk), en jury betyder et udvalg af klassifikatorer, en retssag betyder en tweet-besked, og Merlin betyder en ekspert, der markerer meddelelser.
Således bestemmer flere neurale netværk, baseret på den akkumulerede oplevelse, hvilken følelsesmæssig farve en bestemt tweet bærer. For eksempel, hvis de næsten enstemmigt giver en tweet en positiv følelsesmæssig konnotation, klassificeres den som positiv. Hvis de neurale netværk "bliver forvirrede i læsningerne", markeres tweeten som interessant.
Desuden indsamles alle interessante sager, der rangeres i henhold til graden af tillid til klassifikationernes forudsigelser, hvorefter disse sager sendes til eksperten til markering. Desuden gennemfører specialisten yderligere træning af neurale netværk baseret på de analyserede tilfælde.
Hvad lykkedes det at skabe til sidst?
- Som et resultat af forskningen blev der oprettet en ny Query by Embedded Commettee (QBEC) aktiv indlæringsalgoritme, der adskiller sig fra de eksisterende med hensyn til nøjagtighed og hastighed. Under eksperimentet anvendte vi en ny algoritme til at klassificere korte tekstmeddelelser fra Twitter ved hjælp af tilbagevendende neurale netværk.
Først blev en træningsdatabase for AI samlet og manuelt tagget fra mere end 2.300 engelsksprogede Twitter-indlæg, der blev offentliggjort fra oktober 2017 til januar 2018. Oktober-meddelelserne blev knyttet til den europæiske kampagne for rygestop i Stoptober. Som en del af denne kampagne holder folk op med at ryge og lægger tweets i en måned, hvor de deler deres indtryk af at holde op med cigaretter.
December-beskederne blev skrevet af folk, der skulle holde op med at ryge ved nytår. Derudover blev en testbase samlet og manuelt markeret. Det anvendte tekstklassificeringssystem var baseret på moderne arkitekturer af tilbagevendende neurale netværk med dyb læring. Hun blev trænet i tweet-træningsbasen.
Nøjagtigheden af klassificeren, der blev lært med dens hjælp, var meget lav og overskred næppe 50%. Derefter udførte vi et andet eksperiment, hvor vi konsekvent anvendte den aktive læringsmekanisme: Hver dag modtog klassificeren en ny portion målrettede meddelelser (ca. 3000 dagligt) og gav 30 af de mest interessante tilfælde til markering.
Disse meddelelser blev manuelt tagget og føjet til træningsdatabasen, som blev brugt til at oprette den næste klassificeringsmodel. Undersøgelsen viste, at denne metode til undervisning i kunstig intelligens muliggjorde en kvalitativ forbedring af algoritmen. Beregningseksperimenter og teoretiske beregninger demonstrerer en meget højere hastighed for QBEC-algoritmen.
Denne situation gør det muligt at køre den QBEC aktive indlæringsalgoritme selv på en brugerenhed, f.eks. En smartphone. Dette betyder, at vi har en chance for at skabe en effektiv stemmeassistent, der kan overtage funktionen af en læge og hjælpe folk, der prøver at stoppe med at ryge.
Hvilke forudsigelser kan foretages på baggrund af disse resultater, hvor effektiv AI er til at hjælpe folk med at stoppe med at ryge i fremtiden?
- Forskningsresultaterne viser, at kunstig intelligens er i stand til at genkende patientens følelser ud fra meddelelsesteksten, mens aktive indlæringsalgoritmer kontinuerligt kan forbedre nøjagtigheden af dataklassificering. Vores udfordring i dag er at sikre, at procentdelen af mennesker, der holder op med at ryge ved hjælp af AI-teknologi, i fremtiden ikke vil være lavere end andelen af mennesker, der holder op med at ryge gennem ansøgninger til ansigt.
Indførelsen af AI i medicin kan reducere den økonomiske byrde for sundhedsvæsenet og nå ud til mange flere patienter, der ønsker at stoppe med cigaretter og føre en sund livsstil.
Det kan antages, at denne tilgang i fremtiden blandt andet anvendes til at hjælpe patienter med alkohol- eller narkotikamisbrug. Læger vil også være i stand til oftere at henvende sig til mulighederne i AI til at identificere psykiske lidelser.
For eksempel har forskere fra University of Pennsylvania for nylig udviklet et neuralt netværk, der analyserer brugerindlæg på Facebook og bestemmer, om folk er deprimerede. Diagnosen af denne sygdom er ikke altid entydig, derfor var nøjagtigheden af algoritmen under undersøgelsen i 70% af tilfældene sammenlignelig med resultaterne af medicinsk screening.
Sådanne eksempler beviser, at mulighederne for at bruge kunstig intelligens i medicin er uendelige og kan hjælpe læger med at løse mange sociale problemer.