Prema WHO-u, u svijetu postoji otprilike 1,1 milijardi pušača. Rusija je na petom mjestu po broju pušača - preko 45 milijuna ljudi. Kako bi se borili protiv tužnih statistika, znanstvenici su predložili način borbe protiv pušenja na temelju umjetne inteligencije.
Oko 400.000 Rusa umire svake godine od bolesti povezanih s pušenjem. I dok država poduzima mjere za ograničavanje konzumacije duhana na zakonodavnoj razini, istraživači razvijaju učinkovite metode temeljene na tehnologijama umjetne inteligencije (AI). Andrey Polyakov, istraživač u Philips Research Lab Rusu, govorio je o tome kako neuronske mreže i strojno učenje mogu pomoći u borbi protiv pušenja.
Što se općenito može reći o studiji: kako je ideja nastala, zašto bi umjetna inteligencija trebala pomoći ljudima da prestanu pušiti?
- Jedna od najučinkovitijih strategija za prestanak pušenja je medicinski savjet. Tijekom savjetovanja, specijalist pruža psihološku podršku osobi koja prestane pušiti, ne dopuštajući mu da se raspadne. Ali konzultacije licem u lice prilično su drago zadovoljstvo zdravstvenog sustava, a pacijenti nemaju mogućnost često posjećivati liječnika zbog udaljenosti specijaliziranih klinika.
Djelatnici ruske i nizozemske laboratorije Philips Research razmišljali su o rješavanju ovih problema. Znanstvenici su sebi postavili cilj smanjiti konzultacije na široku publiku pušača koji imaju pametne telefone s pristupom internetu. Rezultati studije predstavljeni su u ljeto 2018. godine u Stockholmu na konferenciji IJCAI-2018. Ideja je automatizirati terapijsku intervenciju i pružiti daljinsku pomoć osobi koja prestaje pušiti koristeći mogućnosti umjetne inteligencije.
Govorimo o razgovornom agentu na pametnom telefonu koji je u mogućnosti odabrati i primijeniti jednu od strategija podrške pacijentu. Može prepoznati emocionalnu obojenost pacijentovog govora ili tekstualnih poruka, odgovarajuće reagirati na njega i pomoći osobi da se riješi loše navike.
Koji su principi AI osnova metode?
- Ovi se principi temelje na modeliranju metodologije prestanka pušenja primjenom kognitivno-bihevioralne terapije i motivacijskog intervjua, koji obično provodi liječnik na recepciji. Naravno, u razgovoru uživo, osoba može razumjeti raspoloženje i stanje sugovornika zahvaljujući raznim verbalnim i neverbalnim signalima: to uključuje govor, glas, izraze lica, geste.
Promotivni video:
U našem istraživanju nas je zanimao jezik na kojem komuniciramo putem instant messengera i društvenih mreža. Da bi umjetna inteligencija zamijenila psihoterapeuta, ona mora biti u stanju prepoznati nečiji govorni i pisani govor, njegovo emocionalno obojenje, kao i održavati razgovor i reagirati na promjene u pacijentovom stanju.
Kako se umjetna inteligencija uči analizirati govor?
- Duboke metode učenja, posebno ponavljajuće neuronske mreže, u kombinaciji s računalnim alatima i akumuliranim podacima omogućile su proboj u mnogim područjima umjetne inteligencije, uključujući prepoznavanje govora i obradu. Uz pomoć ovih tehnologija, nekoliko visokotehnoloških tvrtki uspjelo je stvoriti glasovne pomoćnike s kojima možete komunicirati i postavljati im zadatke: Siri iz Applea, Google Assistant iz Googlea, Alice iz Yandexa.
Iako su ponavljajuće neuronske mreže popularni alat za prepoznavanje teksta, zahtijevaju veliku količinu označenih podataka koje je teško prikupiti. Osim toga, komunikacijski proces je primjer učenja AI u nestacionarnom okruženju, jer se naš govor uvelike mijenja kako se vremenom tako i pod utjecajem nacionalnih karakteristika različitih kultura.
Ovi čimbenici zahtijevaju lokalnu konfiguraciju i održavanje klasifikatora (u našem slučaju, neuronu mrežu s dubokim učenjem) već na razini pojedinog korisnika. Jedan od popularnih pristupa neprekidnom usavršavanju klasifikatora je aktivno učenje. Glavna ideja ovih metoda je označiti samo dio primljenih podataka koji su od interesa za daljnju primjenu.
Današnje aktivne AI metode učenja dobro djeluju za tradicionalne zadatke. Pri tome mogu dovesti do nestabilnosti tehnologije, što je uobičajeno u arhitekturama neuronske mreže dubokog učenja.
Naša metoda je novi algoritam aktivnog učenja neuronskih mreža koji se temelji na slijedećim principima: polukontrolirano učenje, ponavljajuće neuronske mreže te duboko učenje i obrada prirodnog jezika.
Mehanizam rada je sljedeći: algoritam daje tekstualnu poruku, kao što se događa pri komuniciranju u trenutnim porukama. Zadatak algoritma je prepoznati njegovu emocionalnu obojenost u odnosu na temu pušenja. Može biti pozitivno ("Osobno odustajem, ne pušim, vesela sam i puna energije"), negativna ("Pušim ponovo") ili neutralna ("Moskva je glavni grad Rusije").
Objave na Twitteru koje su obrađivale neuronske mreže tijekom istraživanja / Philips Research Press Service.
Ovisno o emocionalnoj obojenosti, algoritam primjenjuje odgovarajuće strategije ponašanja: promijenite temu razgovora u slučaju pozitivnog obojenja, poduprite razgovor negativnom bojom i neutralno reagirajte u slučaju neutralne poruke.
Kako je provedena studija učinkovitosti ove metode, kakvi su bili njezini rezultati?
- Svrha naše studije bila je razviti novu metodu za pretraživanje i odabir podataka od posebnog interesa. Da biste pokazali kakvi nas podaci zanimaju, razmotrite sljedeći primjer. Zamislite porotu koja vodi slučaj na sudu i većinom odlučuje je li neka osoba kriva ili ne. U ovom se slučaju porota uvijek može obratiti mađioničaru Merlinu, koji sigurno zna je li okrivljenik kriv. Ali on zahtijeva plaćanje svojih usluga.
Žiri želi savjesno raditi svoj posao, ali istovremeno ima ograničen proračun i ne može kontaktirati Merlin za svaki slučaj. Slučaj se smatra nezanimljivim ako porota izglasa gotovo jednoglasno krivnju ili nevinost, to je jednostavan slučaj. Ali ako se glasovi žirija podijele, onda je to od interesa.
U ovom se slučaju porota obraća mađioničaru, dobiva odgovor i, kada razmotri slijedeće slične slučajeve, donijet će usklađenije odluke, što će ubuduće slične slučajeve pojednostaviti. Prelazeći na terminologiju algoritma, porota znači klasifikator (neuronska mreža), porota znači odbor klasifikatora, sudski slučaj znači tvit, a Merlin stručnjak za označavanje poruka.
Stoga, nekoliko neuronskih mreža, na temelju nagomilanog iskustva, odlučuje kakvu će emocionalnu obojenost određeni tweet nositi. Na primjer, ako gotovo jednoglasno tvitu daju pozitivnu emocionalnu konotaciju, tada je to klasificirano kao pozitivno. Ako se neuronske mreže "zbunjuju u čitanju", tvit je označen kao zanimljiv.
Nadalje, sakupljaju se svi zanimljivi slučajevi koji su rangirani prema stupnju pouzdanosti u predviđanja klasifikatora, nakon čega se ti slučajevi šalju stručnjaku na ocjenu. Nadalje, specijalist provodi dodatno usavršavanje neuronskih mreža na temelju analiziranih slučajeva.
Što ste na kraju uspjeli stvoriti?
- Kao rezultat istraživanja stvoren je novi algoritam aktivnog učenja Qued by Embedded Commettee (QBEC), koji se razlikuje od postojećih u pogledu točnosti i brzine. Tijekom eksperimenta primijenili smo novi algoritam za klasificiranje kratkih tekstualnih poruka s Twittera pomoću ponavljajućih neuronskih mreža.
Najprije je prikupljena i ručno označena baza podataka za trening za AI iz više od 2300 postova na Twitteru na engleskom jeziku objavljenih od listopada 2017. do siječnja 2018. godine. Poruke iz listopada povezane su s europskom kampanjom za prestanak pušenja Stoptober. U sklopu ove kampanje ljudi su mjesec dana odustali od pušenja i postavljali tweete u kojima dijele svoje dojmove o odustajanju od cigareta.
Prosinačke poruke napisali su ljudi koji će do Nove godine prestati pušiti. Uz to, prikupljena je testna baza i ručno označena. Primijenjeni sustav klasifikacije teksta zasnovan je na modernim arhitekturama ponavljajućih neuronskih mreža dubokog učenja. Bila je trenirana na bazi tvita.
Točnost klasifikatora koji je naučen uz njegovu pomoć bila je vrlo niska i jedva je prelazila 50%. Zatim smo izveli još jedan eksperiment, u kojem smo dosljedno primjenjivali mehanizam aktivnog učenja: svaki dan je klasifikator dobivao novu porciju ciljanih poruka (oko 3000 dnevno) i davao 30 najzanimljivijih slučajeva za označavanje.
Te su poruke ručno označene i dodane u bazu podataka obuke koja je korištena za izgradnju sljedećeg modela klasifikatora. Studija je pokazala da ova metoda podučavanja umjetne inteligencije omogućava kvalitativno poboljšanje algoritma. Računalni eksperimenti i teorijski proračuni pokazuju mnogo veću brzinu QBEC algoritma.
Ova okolnost omogućuje pokretanje QBEC algoritma aktivnog učenja čak i na korisničkom uređaju, poput pametnog telefona. To znači da imamo priliku stvoriti učinkovitog glasovnog asistenta koji može preuzeti funkciju liječnika i pomoći ljudima koji pokušavaju prestati pušiti.
Kakva se predviđanja mogu postaviti na temelju ovih rezultata, koliko će AI biti učinkovit u pomaganju ljudima da prestanu pušiti u budućnosti?
- Rezultati istraživanja pokazuju da je umjetna inteligencija sposobna prepoznati pacijentove emocije iz teksta poruke, dok algoritmi aktivnog učenja mogu kontinuirano poboljšavati točnost klasifikacije podataka. Naš današnji izazov je osigurati da u budućnosti postotak ljudi koji prestanu pušiti uz pomoć AI tehnologije neće biti niži od postotka ljudi koji prestanu pušiti putem savjeta licem u lice.
Uvođenje AI u medicinu može smanjiti financijsko opterećenje zdravstvenog sustava i dostići još mnogo pacijenata koji žele ugasiti cigarete i voditi zdrav način života.
Može se pretpostaviti da će se u budućnosti taj pristup primijeniti, između ostalog, i za pomoć oboljelima od ovisnosti o alkoholu ili drogama. Također, liječnici će se moći češće okrenuti sposobnostima AI u prepoznavanju mentalnih poremećaja.
Na primjer, nedavno su znanstvenici sa Sveučilišta u Pennsylvaniji razvili neuronsku mrežu koja analizira korisničke postove na Facebooku i utvrđuje jesu li ljudi depresivni. Dijagnoza ove bolesti nije uvijek jednoznačna, stoga je točnost algoritma tijekom ispitivanja u 70% slučajeva bila usporediva s rezultatima medicinskih pregleda.
Takvi primjeri dokazuju da su mogućnosti korištenja umjetne inteligencije u medicini beskrajne i mogu pomoći liječnicima da riješe mnoge socijalne probleme.