WHO: n mukaan maailmassa on noin 1,1 miljardia tupakoitsijaa. Venäjä on tupakoitsijoiden määrän viidennellä sijalla - yli 45 miljoonaa ihmistä. Surullinen tilastotietojen torjumiseksi tutkijat ovat ehdottaneet keinoa taistella keinotekoiseen älykkyyteen perustuvalla tupakoinnilla.
Noin 400 000 venäjää kuolee vuosittain tupakoinnista johtuviin sairauksiin. Ja vaikka valtio ryhtyy toimenpiteisiin tupakan kulutuksen rajoittamiseksi lainsäädännöllisellä tasolla, tutkijat kehittävät tehokkaita menetelmiä, jotka perustuvat tekoälyn (AI) tekniikkaan. Philips Research Lab Rusin tutkija Andrey Polyakov puhui siitä, miten hermoverkot ja koneoppiminen voivat auttaa tupakoinnin torjunnassa.
Mitä tutkimuksesta voidaan yleensä sanoa: miten idea sai alkunsa, miksi tekoälyn pitäisi auttaa ihmisiä lopettamaan tupakointi?
- Yksi tehokkaimmista tupakoinnin lopettamisstrategioista on lääketieteellinen neuvonta. Neuvottelujen aikana asiantuntija tarjoaa psykologista tukea tupakoinnin lopettavalle henkilölle, estämättä hänen hajoamasta. Mutta henkilökohtaiset neuvottelut ovat melko kallista nautintoa terveydenhuoltojärjestelmälle, ja potilailla ei ole aina mahdollisuutta käydä lääkärillä usein erikoistuneiden klinikoiden etäisyyden vuoksi.
Venäjän ja hollannin laboratorioiden työntekijät Philips Research harkitsivat näiden ongelmien ratkaisemista. Tutkijat ovat asettaneet tavoitteekseen muuttaa neuvotteluistuntoa laajalle yleisölle tupakoitsijoita, joilla on älypuhelimet, joissa on Internet-yhteys. Tutkimuksen tulokset esiteltiin kesällä 2018 Tukholmassa IJCAI-2018 -konferenssissa. Ajatuksena on automatisoida terapeuttinen interventio ja tarjota etäapua henkilölle tupakoinnin lopettamiseksi keinotekoisen älykkyyden avulla.
Puhumme älypuhelimen keskusteluagentista, joka pystyy valitsemaan ja soveltamaan yhtä potilasta tukevista strategioista. Hän tunnistaa potilaan puheen tai tekstiviestien emotionaalisen värjäytymisen, reagoi siihen asianmukaisesti ja auttaa henkilöä pääsemään eroon huonosta tavasta.
Mitkä AI: n periaatteet ovat menetelmän perusta?
- Nämä periaatteet perustuvat tupakoinnin lopettamismenetelmien mallintamiseen käyttämällä kognitiivista käyttäytymishoitoa ja motivaatiohaastattelua, jotka yleensä hoitaa lääkäri vastaanotossa. Luonnollisesti elävässä keskustelussa ihminen ymmärtää keskustelukumppanin mielialaa ja tilaa erilaisten sanallisten ja ei-sanallisten signaalien avulla: näihin kuuluvat puhe, ääni, kasvoilmaukset, eleet.
Mainosvideo:
Tutkimuksissamme meitä kiinnosti kieli, jolla kommunikoimme pikaviestimissä ja sosiaalisissa verkostoissa. Jotta tekoäly korvaa psykoterapeutin, sen on kyettävä tunnistamaan henkilön puhuttu ja kirjoitettu puhe, sen emotionaalinen väritys sekä ylläpitämään keskustelua ja vastaamaan potilaan tilan muutoksiin.
Kuinka tekoäly oppii analysoimaan puhetta?
- Syvät oppimismenetelmät, erityisesti toistuvat hermoverkot, yhdistettynä laskentatyökalujen ja kertyneen tiedon saatavuuteen, ovat tehneet läpimurton monilla tekoälyn aloilla, mukaan lukien puheen tunnistaminen ja käsittely. Näiden tekniikoiden avulla useat korkean teknologian yritykset ovat pystyneet luomaan äänesavustajia, joiden kanssa voit kommunikoida ja asettaa tehtäviä: Siri Applelta, Google Assistant Googlelta, Alice Yandexilta.
Vaikka toistuvat hermoverkot ovat suosittu tekstintunnistustyökalu, ne vaativat suuren määrän merkittyjä tietoja, joita on vaikea kerätä. Lisäksi viestintäprosessi on esimerkki AI-oppimisesta ei-paikallaan olevassa ympäristössä, koska puheemme muuttuu huomattavasti ajan myötä ja eri kulttuurien kansallisten ominaispiirteiden vaikutuksen alaisena.
Nämä tekijät vaativat luokittelijan paikallisen konfiguroinnin ja ylläpidon (tässä tapauksessa syvän oppimisen toistuvan hermoverkon) jo yksittäisen käyttäjän tasolla. Yksi suosituimmista lähestymistavoista luokittelijan jatkuvaan parantamiseen on aktiivinen oppiminen. Näiden menetelmien pääideana on merkitä vain osa vastaanotetusta tiedosta, joka on mielenkiintoista jatkokäsittelyä varten.
Tyypillisesti nykypäivän aktiiviset AI-oppimismenetelmät toimivat hyvin perinteisissä tehtävissä. Näin toimiessaan ne voivat johtaa tekniikan epävakauteen, mikä on yleistä syvän oppimisen hermoverkkoarkkitehtuureissa.
Menetelmämme on uusi hermoverkkojen aktiivisen oppimisen algoritmi, joka perustuu seuraaviin periaatteisiin: puolivalvottu oppiminen, toistuvat hermoverkot ja syväoppiminen ja luonnollinen kielenkäsittely.
Työn mekanismi on seuraava: algoritmille annetaan tekstiviesti, kuten tapahtuu viestinnässä pikaviestimissä. Algoritmin tehtävänä on tunnistaa sen emotionaalinen väritys suhteessa tupakoinnin aiheeseen. Se voi olla positiivinen (“lopetan henkilökohtaisesti, en tupakoi, olen iloinen ja täynnä energiaa”), negatiivinen (“tupakoin uudestaan”) tai neutraali (“Moskova on Venäjän pääkaupunki”).
Neuraaliverkkojen käsittelemät Twitter-viestit tutkimuksen aikana / Philips Research Press Service.
Emotionaalisesta värjäyksestä riippuen algoritmi soveltaa sopivia käyttäytymisstrategioita: vaihda keskustelun aihe positiivisen värityksen tapauksessa, tue keskustelua negatiivisella värityksellä ja reagoi neutraalisti neutraalin viestin tapauksessa.
Kuinka tämän menetelmän tehokkuutta selvitettiin, mitkä olivat sen tulokset?
- Tutkimuksemme tarkoituksena oli kehittää uusi menetelmä erityisen kiinnostavan tiedon hakuun ja valintaan. Seuraavan esimerkin avulla voidaan näyttää, millaisia tietoja meitä kiinnostamme. Kuvittele, että tuomaristo ottaa asian tuomioistuimessa ja päättää enemmistöllä onko henkilö syyllinen vai ei. Tuomaristo voi tällöin aina kääntyä taikuri Merlinin puoleen, joka tietää varmasti vastaajan syyllisyyden. Mutta hän vaatii maksua palveluistaan.
Tuomaristo haluaa tehdä työnsä tunnollisesti, mutta sillä on samalla rajoitettu budjetti eikä se voi ottaa yhteyttä Merliniin joka tapauksessa. Tapaus katsotaan mielenkiintoiseksi, jos tuomaristo äänestää melkein yksimielisesti syyllisyydestä tai viattomuudesta, tämä on yksinkertainen tapaus. Mutta jos tuomariston äänet jakautuvat toisiinsa, tämä on kiinnostavaa.
Tässä tapauksessa tuomaristo kääntyy taikurin puoleen, saa vastauksen ja seuraavia vastaavia tapauksia harkittaessa tekee paremmin koordinoituja päätöksiä, mikä tekee vastaavista tapauksista tulevaisuudessa yksinkertaisia. Siirtyessään algoritmin terminologiaan, tuomaristo tarkoittaa luokittelijaa (hermoverkkoa), tuomaristo tarkoittaa luokittelulautakuntaa, oikeusjuttu tarkoittaa twiittisanomaa ja Merlin tarkoittaa viestiä merkitsevää asiantuntijaa.
Siten useat hermoverkot päättävät kertyneen kokemuksen perusteella, mitä emotionaalisia värejä tietty tweetti kantaa. Esimerkiksi, jos ne antavat tweetille melkein yksimielisesti positiivisen emotionaalisen konnotaation, niin se luokitellaan positiiviseksi. Jos hermoverkot "sekoittuvat lukemiin", twiitti merkitään mielenkiintoiseksi.
Lisäksi kerätään kaikki mielenkiintoiset tapaukset, jotka luokitellaan luottamusasteen mukaan luokittelulaitteiden ennusteisiin, minkä jälkeen nämä tapaukset lähetetään asiantuntijalle merkitsemistä varten. Lisäksi asiantuntija suorittaa hermoverkkojen lisäkoulutusta analysoitujen tapausten perusteella.
Mitä onnistut luomaan lopulta?
- Tutkimuksen tuloksena luotiin uusi Query by Embedded Commettee (QBEC) -aktiivisen oppimisen algoritmi, joka eroaa nykyisistä tarkkuuden ja nopeuden suhteen. Kokeilun aikana sovellettiin uutta algoritmia luokittelemaan lyhyitä tekstiviestejä Twitteristä toistuvien hermoverkkojen avulla.
Ensinnäkin, AI: n koulutustietokanta koottiin ja koodattiin manuaalisesti yli 2 300 englanninkielisestä twitter-viestistä, jotka julkaistiin lokakuusta 2017 tammikuuhun 2018. Lokakuun viestit yhdistettiin Stoptoberin tupakoinnin lopettamiskampanjaan. Osana tätä kampanjaa ihmiset lopettaa tupakoinnin ja lähettävät tweettejä kuukaudeksi, jonka aikana he kertovat näkemyksensä tupakoinnin lopettamisesta.
Joulukuun viestit kirjoittivat ihmiset, jotka olivat menossa lopettamaan tupakointi uudenvuoden mennessä. Lisäksi koepiste kerättiin ja merkittiin manuaalisesti. Sovellettu tekstinluokitusjärjestelmä perustui syvän oppimisen toistuvien hermoverkkojen nykyaikaisiin arkkitehtuureihin. Hänet koulutettiin twiittiharjoittelupaikassa.
Sen avulla opitun luokittelijan tarkkuus oli erittäin heikko ja tuskin ylitti 50%. Sitten suoritimme toisen kokeen, jossa sovelimme johdonmukaisesti aktiivisen oppimisen mekanismia: luokitin sai joka päivä uuden osan kohdennettuja viestejä (noin 3000 päivässä) ja antoi 30 mielenkiintoisinta tapausta merkitsemistä varten.
Nämä viestit merkittiin manuaalisesti ja lisättiin harjoitustietokantaan, jota käytettiin seuraavan luokittelumallin rakentamiseen. Tutkimus osoitti, että tämä keinotekoisen älykkyyden opetusmenetelmä mahdollisti algoritmin laadullisen parantamisen. Laskennalliset kokeet ja teoreettiset laskelmat osoittavat QBEC-algoritmin paljon suuremman nopeuden.
Tämä seikka mahdollistaa QBEC-aktiivisen oppimisalgoritmin suorittamisen jopa käyttäjän laitteella, kuten älypuhelimella. Tämä tarkoittaa, että meillä on mahdollisuus luoda tehokas ääni-avustaja, joka voi ottaa hoitaa lääkärin tehtävät ja auttaa ihmisiä, jotka yrittävät lopettaa tupakoinnin.
Mitä ennusteita näiden tulosten perusteella voidaan tehdä, kuinka tehokasta AI auttaa ihmisiä lopettamaan tupakoinnin tulevaisuudessa?
- Tutkimustulokset osoittavat, että tekoäly pystyy tunnistamaan potilaan tunteet viestin tekstistä, kun taas aktiiviset oppimisalgoritmit voivat jatkuvasti parantaa datan luokittelun tarkkuutta. Tänään haasteenamme on varmistaa, että tulevaisuudessa tupakoinnin lopettavien ihmisten prosenttiosuus AI-tekniikan avulla ei ole pienempi kuin niiden ihmisten osuus, jotka lopettavat tupakoinnin kasvokkain käytyjen neuvottelujen avulla.
AI: n käyttöönotto lääketieteessä voi vähentää terveydenhuoltojärjestelmän taloudellista taakkaa ja tavoittaa paljon enemmän potilaita, jotka haluavat lopettaa savukkeita ja johtaa terveellistä elämäntapaa.
Voidaan olettaa, että tulevaisuudessa tätä lähestymistapaa sovelletaan muun muassa alkoholi- tai huumeriippuvaisten potilaiden auttamiseen. Lisäksi lääkärit kykenevät useammin kääntymään AI: n kykyihin tunnistaa mielenterveyden häiriöt.
Esimerkiksi äskettäin Pennsylvanian yliopiston tutkijat kehittivät hermoverkon, joka analysoi käyttäjän viestejä Facebookissa ja määrittää, ovatko ihmiset masentuneita. Tämän taudin diagnoosi ei ole aina yksiselitteistä, joten algoritmin tarkkuus tutkimuksen aikana 70 prosentilla tapauksista oli verrattavissa lääketieteellisten seulosten tuloksiin.
Tällaiset esimerkit todistavat, että tekoälyn käyttömahdollisuudet lääketieteessä ovat rajattomat ja voivat auttaa lääkäreitä ratkaisemaan monia sosiaalisia ongelmia.