PSO duomenimis, pasaulyje yra maždaug 1,1 milijardo rūkalių. Rusija užima penktą vietą pagal rūkalių skaičių - per 45 milijonus žmonių. Siekdami kovoti su liūdna statistika, mokslininkai pasiūlė kovos su rūkymu būdą, pagrįstą dirbtiniu intelektu.
Apie 400 000 rusų kasmet miršta nuo rūkymo sukeltų ligų. Ir nors valstybė imasi priemonių tabako vartojimui apriboti įstatymų leidybos lygiu, tyrėjai kuria veiksmingus metodus, pagrįstus dirbtinio intelekto (AI) technologijomis. „Philips Research Lab Rus“tyrėjas Andrejus Polyakovas kalbėjo apie tai, kaip nerviniai tinklai ir mašinų mokymasis gali padėti kovoje su rūkymu.
- „Salik.biz“
Ką apskritai galima pasakyti apie tyrimą: kaip kilo idėja, kodėl dirbtinis intelektas turėtų padėti žmonėms mesti rūkyti?
- Viena iš efektyviausių rūkymo strategijų yra medicinos patarimai. Konsultacijų metu specialistas teikia psichologinę pagalbą mesti rūkyti, neleidžia jam nurimti. Bet asmeninės konsultacijos sveikatos priežiūros sistemai yra gana brangus malonumas, todėl pacientai ne visada turi galimybę dažnai lankytis pas gydytoją dėl specializuotų klinikų atokumo.
Rusijos ir Olandijos laboratorijų „Philips Research“darbuotojai galvojo apie šių problemų sprendimą. Mokslininkai iškėlė sau tikslą išplėsti konsultacijų sesijas plačiai rūkančiųjų, turinčių išmaniuosius telefonus su interneto prieiga, auditorijai. Tyrimo rezultatai buvo pristatyti 2018 metų vasarą Stokholme, IJCAI-2018 konferencijoje. Idėja yra automatizuoti terapinę intervenciją ir suteikti nuotolinę pagalbą žmogui mesti rūkyti, naudojant dirbtinio intelekto galimybes.
Mes kalbame apie pokalbio agentą išmaniajame telefone, kuris sugeba pasirinkti ir pritaikyti vieną iš paciento palaikymo strategijų. Jis gali atpažinti paciento kalbos ar teksto žinučių emocinį dažymą, tinkamai į tai reaguoti ir padėti asmeniui atsikratyti blogo įpročio.
Kokie PG principai yra metodo pagrindas?
- Šie principai grindžiami rūkymo metimo metodikos modeliavimu, naudojant kognityvinę-elgesio terapiją ir motyvacinius pokalbius, kuriuos paprastai priima gydytojas registratūroje. Natūralu, kad gyvo pokalbio metu žmogus gali suprasti pašnekovo nuotaiką ir būseną įvairių verbalinių ir neverbalinių signalų dėka: tai yra kalba, balsas, veido išraiška, gestai.
Reklaminis vaizdo įrašas:
Tyrime domėjomės, kokia kalba bendraujame tiesioginiuose pasiuntiniuose ir socialiniuose tinkluose. Tam, kad dirbtinis intelektas pakeistų psichoterapeutą, jis turi sugebėti atpažinti žmogaus šnekamąją ir rašomąją kalbą, jos emocinį koloritą, taip pat palaikyti pokalbį ir reaguoti į paciento būklės pokyčius.
Kaip dirbtinis intelektas mokosi analizuoti kalbą?
- Giluminiai mokymosi metodai, ypač pasikartojantys neuroniniai tinklai, kartu su turimomis skaičiavimo priemonėmis ir sukauptais duomenimis, padarė perversmą daugelyje dirbtinio intelekto sričių, įskaitant kalbos atpažinimo ir apdorojimo sritis. Pasinaudodamos šiomis technologijomis, kelios aukštųjų technologijų įmonės sugebėjo sukurti balso asistentus, su kuriais galėtumėte bendrauti ir nustatyti jiems užduotis: „Siri“iš „Apple“, „Google“padėjėjas iš „Google“, Alisa iš „Yandex“.
Nors pasikartojantys neuroniniai tinklai yra populiari teksto atpažinimo priemonė, jiems reikalingas didelis skaičius etikečių, kuriuos sunku surinkti. Be to, komunikacijos procesas yra PG mokymosi nestacionarioje aplinkoje pavyzdys, nes mūsų kalba labai keičiasi tiek laikui bėgant, tiek veikiama skirtingų kultūrų nacionalinių savybių.
Šie veiksniai reikalauja vietinės konfigūracijos ir klasifikatoriaus (mūsų atveju - giluminio pasikartojančio nervų tinklo) palaikymo jau individualaus vartotojo lygiu. Vienas iš populiariausių būdų nuolat tobulinti klasifikatorių yra aktyvus mokymasis. Pagrindinė šių metodų idėja yra pažymėti tik dalį gautų duomenų, kurie yra svarbūs tolesniam pritaikymui.
Paprastai šiandien aktyvūs AI mokymosi metodai gerai veikia tradicines užduotis. Tai darydami jie gali sukelti technologijos nestabilumą, kuris yra įprastas giluminio neuronų tinklo architektūros mokymosi metu.
Mūsų metodas yra naujas aktyvaus neuroninių tinklų mokymosi algoritmas, pagrįstas šiais principais: pusiau prižiūrimas mokymasis, pasikartojantys neuroniniai tinklai ir gilus mokymasis bei natūralios kalbos apdorojimas.
Darbo mechanizmas yra toks: algoritmui suteikiamas tekstinis pranešimas, kaip tai nutinka bendraujant tiesioginiais pasiuntiniais. Algoritmo užduotis yra atpažinti jo emocinį dažymą rūkymo tema. Jis gali būti teigiamas („Aš asmeniškai mesti rūkyti, aš linksmas ir pilnas energijos“), neigiamas („Aš vėl rūkau“) arba neutralus („Maskva yra Rusijos sostinė“).
„Twitter“įrašai, apdoroti neuroninių tinklų metu atliekant tyrimus / „Philips“tyrimų spaudos tarnyba.
Priklausomai nuo emocinio kolorito, algoritmas taiko tinkamas elgesio strategijas: pakeiskite pokalbio temą teigiamo dažymo atveju, palaikykite pokalbį neigiama spalva ir neutraliai reaguokite į neutralią žinutę.
Kaip buvo atliktas šio metodo efektyvumo tyrimas, kokie buvo jo rezultatai?
- Mūsų tyrimo tikslas buvo sukurti naują ypač svarbių duomenų paieškos ir atrankos metodą. Norėdami parodyti, kokie duomenys mus domina, atsižvelkite į šį pavyzdį. Įsivaizduokite, kad prisiekusieji nagrinėja bylą teisme ir balsų dauguma nusprendžia, ar asmuo kaltas, ar ne. Tokiu atveju prisiekusieji visada gali kreiptis į magą Merlin, kuri tiksliai žino, ar kaltinamasis kaltas. Bet jis reikalauja mokėti už savo paslaugas.
Žiuri nori sąžiningai atlikti savo darbą, tačiau tuo pat metu turi ribotą biudžetą ir negali visais atvejais susisiekti su Merlin. Byla laikoma neįdomia, jei prisiekusieji beveik vieningai balsuoja už kaltę ar nekaltumą, tai yra paprastas atvejis. Bet jei žiuri balsai pasiskirsto, tai domina.
Tokiu atveju žiuri kreipiasi į magas, gauna atsakymą ir, svarstant kitas panašias bylas, priima labiau suderintus sprendimus, dėl kurių ateityje panašios bylos tampa paprastos. Pereinant prie algoritmo terminijos, žiuri reiškia klasifikatorių (neuroninį tinklą), žiuri reiškia klasifikatorių komitetą, teismo byla reiškia tviterio pranešimą, o Merlin reiškia ekspertą, žymintį pranešimus.
Taigi keli neuroniniai tinklai, remdamiesi sukaupta patirtimi, nusprendžia, kokį emocinį dažymą atlieka tam tikras tviteris. Pvz., Jei jie beveik vienbalsiai suteikia tviteriui teigiamą emocinę konotaciją, tada jis klasifikuojamas kaip teigiamas. Jei nerviniai tinklai „susipainioja rodmenyse“, tada tviteris pažymimas kaip įdomus.
Toliau renkami visi įdomūs atvejai, kurie suskirstomi pagal pasitikėjimo klasifikatorių prognozėmis laipsnį, po kurio šie atvejai siunčiami ekspertui žymėti. Remdamasis analizuojamais atvejais, specialistas veda papildomą nervinių tinklų mokymą.
Ką jums pavyko sukurti galų gale?
- Tyrimo metu buvo sukurtas naujas „Query by Embedded Commettee“(QBEC) aktyvaus mokymosi algoritmas, kuris tikslumu ir greičiu skiriasi nuo esamų. Eksperimento metu pritaikėme naują algoritmą, kad galėtume klasifikuoti trumpus teksto pranešimus iš „Twitter“, naudodamiesi pasikartojančiais neuroniniais tinklais.
Pirmiausia buvo surinkta ir rankiniu būdu pažymėta AI mokymo duomenų bazė iš daugiau nei 2300 „Twitter“įrašų anglų kalba, paskelbtų nuo 2017 m. Spalio mėn. Iki 2018 m. Sausio mėn. Spalio mėn. Pranešimai buvo susieti su Europos „Stoptober“rūkymo metimo kampanija. Vykdydami šią kampaniją, žmonės mesti rūkyti ir paskelbti tviterį mėnesiui, per kurį jie dalijasi savo įspūdžiais apie mesti cigaretes.
Gruodžio mėn. Žinutes parašė žmonės, kurie iki Naujųjų metų ketino mesti rūkyti. Be to, buvo surinkta ir rankiniu būdu pažymėta bandymo bazė. Taikomoji teksto klasifikavimo sistema buvo pagrįsta šiuolaikinėmis giluminio mokymosi pasikartojančių neuroninių tinklų architektūromis. Ji buvo mokoma tviterio mokymo bazėje.
Su jo pagalba išmoktas klasifikatoriaus tikslumas buvo labai žemas ir vos viršijo 50%. Toliau mes atlikome dar vieną eksperimentą, kuriame nuosekliai taikėme aktyvaus mokymosi mechanizmą: kiekvieną dieną klasifikatorius gaudavo naują tikslinių žinučių dalį (kasdien apie 3000) ir pateikdavo 30 įdomiausių pavyzdžių.
Šie pranešimai buvo rankiniu būdu pažymėti ir įtraukti į mokymo duomenų bazę, kuri buvo naudojama kuriant kitą klasifikatoriaus modelį. Tyrimas parodė, kad šis dirbtinio intelekto mokymo metodas leido kokybiškai patobulinti algoritmą. Skaičiavimo eksperimentai ir teoriniai skaičiavimai rodo daug didesnį QBEC algoritmo greitį.
Ši aplinkybė leidžia paleisti QBEC aktyvaus mokymosi algoritmą net vartotojo įrenginyje, pavyzdžiui, išmaniajame telefone. Tai reiškia, kad turime galimybę sukurti veiksmingą balso asistentą, kuris galėtų perimti gydytojo funkcijas ir padėti žmonėms, kurie bando mesti rūkyti.
Kokias prognozes galima padaryti remiantis šiais rezultatais, kiek efektyvi AI ateityje padės žmonėms mesti rūkyti?
- Tyrimo rezultatai rodo, kad dirbtinis intelektas geba atpažinti paciento emocijas iš pranešimo teksto, o aktyvaus mokymosi algoritmai gali nuolat pagerinti duomenų klasifikavimo tikslumą. Šiandien mūsų iššūkis yra užtikrinti, kad ateityje žmonių, kurie mesti rūkyti pasitelkiant AI technologiją, procentas nebus mažesnis nei žmonių, kurie mesti rūkyti konsultuodamiesi akis į akį.
AI įdiegimas medicinoje gali sumažinti finansinę naštą sveikatos priežiūros sistemai ir pasiekti daug daugiau pacientų, norinčių mesti cigaretes ir gyventi sveiką gyvenimo būdą.
Galima manyti, kad ateityje šis požiūris, be kitų dalykų, bus naudojamas padėti pacientams, turintiems priklausomybę nuo alkoholio ar narkotikų. Taip pat gydytojai, nustatydami psichinius sutrikimus, galės dažniau kreiptis į AI galimybes.
Pavyzdžiui, neseniai Pensilvanijos universiteto mokslininkai sukūrė neuroninį tinklą, kuris analizuoja vartotojų įrašus „Facebook“ir nustato, ar žmonės serga depresija. Šios ligos diagnozė ne visada yra vienareikšmė, todėl algoritmo tikslumas tyrimo metu 70% atvejų buvo palyginamas su medicininio patikrinimo rezultatais.
Tokie pavyzdžiai įrodo, kad dirbtinio intelekto panaudojimo medicinoje galimybės yra begalinės ir gali padėti gydytojams išspręsti daugelį socialinių problemų.