Podle WHO je na světě přibližně 1,1 miliardy kuřáků. Rusko je na 5. místě v počtu kuřáků - přes 45 milionů lidí. Vědci navrhli způsob boje proti kouření na základě umělé inteligence.
Každý rok zemře na nemoci související s kouřením asi 400 000 Rusů. A zatímco stát přijímá opatření k omezení spotřeby tabáku na legislativní úrovni, vědci vyvíjejí účinné metody založené na technologiích umělé inteligence (AI). Andrey Polyakov, výzkumník společnosti Philips Research Lab Rus, hovořil o tom, jak mohou neuronové sítě a strojové učení pomoci v boji proti kouření.
Co lze obecně říci o studii: jak vznikl nápad, proč by umělá inteligence měla lidem pomoci přestat kouřit?
- Jednou z nejúčinnějších strategií pro odvykání kouření je lékařská pomoc. Během konzultací poskytuje odborník psychologickou podporu tomu, kdo přestal kouřit, a nenechal ho rozebrat. Osobní konzultace jsou však pro zdravotnický systém poměrně nákladným potěšením a pacienti nemají vždy příležitost navštívit lékaře často kvůli odlehlosti specializovaných klinik.
Zaměstnanci ruských a nizozemských laboratoří Philips Research přemýšleli o řešení těchto problémů. Vědci si stanovili za cíl rozšířit konzultace na široké publikum kuřáků, kteří mají smartphone s přístupem na internet. Výsledky studie byly představeny v létě 2018 ve Stockholmu na konferenci IJCAI-2018. Záměrem je automatizovat terapeutický zásah a poskytnout vzdálenou pomoc osobě, která přestane kouřit s využitím schopností umělé inteligence.
Mluvíme o konverzačním agentovi na smartphonu, který je schopen vybrat a použít jednu ze strategií podporujících pacienta. Dokáže rozpoznat emocionální zbarvení řeči pacienta nebo jeho textových zpráv, vhodně na něj reagovat a pomoci osobě zbavit se špatného zvyku.
Jaké zásady AI jsou základem metody?
- Tyto zásady jsou založeny na modelování metodiky odvykání kouření s využitím kognitivně-behaviorální terapie a motivačního rozhovoru, které obvykle provádí lékař na recepci. Při živém rozhovoru člověk přirozeně pochopí náladu a stav účastníka díky různým verbálním a neverbálním signálům: mezi ně patří řeč, hlas, výrazy obličeje, gesta.
Propagační video:
V našem výzkumu jsme se zajímali o jazyk, ve kterém komunikujeme v instant messengerech a sociálních sítích. Aby umělá inteligence nahradila psychoterapeuta, musí být schopna rozpoznat mluvené a psané projevy člověka, jeho emocionální zbarvení, udržovat konverzaci a reagovat na změny stavu pacienta.
Jak se umělá inteligence naučí analyzovat řeč?
- Hluboké metody učení, zejména opakující se neuronové sítě, kombinované s dostupností výpočetních nástrojů a nashromážděnými údaji, umožnily průlom v mnoha oblastech umělé inteligence, včetně rozpoznávání a zpracování řeči. S pomocí těchto technologií dokázalo několik high-tech společností vytvořit hlasových asistentů, se kterými můžete komunikovat a nastavovat úkoly: Siri z Apple, Google Assistant z Google, Alice z Yandex.
Přestože jsou opakující se neuronové sítě populárním nástrojem pro rozpoznávání textu, vyžadují velké množství označených dat, které je obtížné sbírat. Komunikační proces je navíc příkladem učení umělé inteligence v nestacionárním prostředí, protože naše řeč se v průběhu času i pod vlivem národních charakteristik různých kultur výrazně mění.
Tyto faktory vyžadují lokální konfiguraci a údržbu klasifikátoru (v našem případě hlubokou opakující se neuronovou síť) již na úrovni individuálního uživatele. Jedním z populárních přístupů k neustálému zlepšování klasifikátoru je aktivní učení. Hlavní myšlenkou těchto metod je označit pouze část přijatých dat, která jsou zajímavá pro další aplikaci.
Dnešní aktivní metody učení AI obvykle dobře fungují pro tradiční úkoly. Mohou tak vést k technologické nestabilitě, která je běžná v hlubokém učení architektur neuronových sítí.
Naše metoda je nový algoritmus pro aktivní učení neuronových sítí založený na následujících principech: polo supervize učení, opakující se neuronové sítě a hluboké učení a zpracování přirozeného jazyka.
Mechanismus práce je následující: algoritmu je dána textová zpráva, ke které dochází při komunikaci v instant messengerech. Úkolem algoritmu je rozpoznat jeho emocionální zbarvení ve vztahu k tématu kouření. Může to být pozitivní („Já osobně odcházím, nekouřím, jsem veselá a plná energie“), negativní („znovu kouřím“) nebo neutrální („Moskva je hlavním městem Ruska“).
Twitter příspěvky zpracovávané neuronovými sítěmi během výzkumu / Philips Research Press Service.
V závislosti na emocionálním zbarvení algoritmus aplikuje vhodné behaviorální strategie: změnit téma konverzace v případě pozitivního zbarvení, podpořit konverzaci negativním zbarvením a neutrálně reagovat v případě neutrální zprávy.
Jak bylo provedeno studium účinnosti této metody, jaké byly její výsledky?
- Účelem naší studie bylo vyvinout novou metodu pro vyhledávání a výběr údajů zvláštního zájmu. Chcete-li ukázat, o jaký druh údajů máme zájem, zvažte následující příklad. Představte si, že porota zahájí soudní řízení a rozhoduje většinou, zda je osoba vinná nebo ne. V tomto případě se porota může vždy obrátit na kouzelníka Merlina, který ví, zda je obviněný vinen. Požaduje však za své služby platbu.
Porota chce pracovat svědomitě, ale zároveň má omezený rozpočet a nemůže kontaktovat Merlin pro každý případ. Případ se považuje za nezajímavý, pokud porota hlasuje téměř jednomyslně za vinu nebo nevinu, jedná se o jednoduchý případ. Pokud jsou však hlasy poroty rozděleny, je to zajímavé.
V tomto případě se porota obrátí na kouzelníka, obdrží odpověď a při zvažování dalších podobných případů učiní koordinovanější rozhodnutí, která v budoucnu podobné případy zjednoduší. Pokud jde o terminologii algoritmu, porota znamená klasifikátor (neuronová síť), porota znamená výbor klasifikátorů, soudní případ znamená tweetovou zprávu a Merlin znamená odborníka označujícího zprávy.
Několik neuronových sítí tedy na základě nashromážděných zkušeností rozhoduje, jaké emocionální zbarvení konkrétní tweet přináší. Například pokud téměř jednomyslně dávají tweetu pozitivní emoční konotaci, je klasifikován jako pozitivní. Pokud se neuronové sítě "zmatí při čtení", pak je tweet označen jako zajímavý.
Dále jsou shromažďovány všechny zajímavé případy, které jsou řazeny podle stupně důvěry v předpovědi klasifikátorů, po kterých jsou tyto případy zaslány odborníkovi k označení. Dále specialista provádí další školení neuronových sítí na základě analyzovaných případů.
Co se vám nakonec podařilo vytvořit?
- Na základě výzkumu byl vytvořen nový algoritmus aktivního učení Query by Embedded Commettee (QBEC), který se liší od přesnosti a rychlosti od stávajících. Během experimentu jsme použili nový algoritmus pro klasifikaci krátkých textových zpráv z Twitteru pomocí opakujících se neuronových sítí.
Nejprve byla sbírána a ručně označena databáze školení pro AI z více než 2300 příspěvků na Twitteru v anglickém jazyce zveřejněných od října 2017 do ledna 2018. Říjnové zprávy byly spojeny s evropskou kampaní na zastavení kouření. V rámci této kampaně lidé přestávají kouřit a posílat tweety na měsíc, ve kterém sdílejí své dojmy z odvykání cigaret.
Prosincové zprávy psali lidé, kteří se chystali přestat kouřit do nového roku. Kromě toho byla odebrána testovací základna a ručně označena. Použitý klasifikační systém textu byl založen na moderních architekturách opakujících se neuronových sítí. Byla trénována na výcvikové základně tweetu.
Přesnost klasifikátoru, který se naučil s jeho pomocí, byla velmi nízká a sotva překročila 50%. Poté jsme provedli další experiment, ve kterém jsme důsledně používali mechanismus aktivního učení: každý den klasifikátor obdržel novou část cílených zpráv (asi 3000 denně) a dal 30 nejzajímavějších případů k označení.
Tyto zprávy byly ručně označeny a přidány do databáze školení, která byla použita k vytvoření dalšího modelu klasifikátoru. Studie ukázala, že tato metoda výuky umělé inteligence umožnila kvalitativní zlepšení algoritmu. Výpočtové experimenty a teoretické výpočty prokazují mnohem vyšší rychlost algoritmu QBEC.
Tato okolnost umožňuje spustit aktivní algoritmus učení QBEC i na uživatelském zařízení, jako je smartphone. To znamená, že máme šanci vytvořit účinného hlasového asistenta, který může převzít funkci lékaře a pomoci lidem, kteří se snaží přestat kouřit.
Jaké předpovědi lze na základě těchto výsledků učinit, jak účinná bude umělá inteligence při pomoci lidem v budoucnosti přestat kouřit?
- Výsledky výzkumu ukazují, že umělá inteligence je schopna rozpoznat emoce pacienta z textu zprávy, zatímco algoritmy aktivního učení mohou neustále zlepšovat přesnost klasifikace dat. Naší výzvou dnes je zajistit, aby v budoucnu nebylo procento lidí, kteří přestanou kouřit pomocí technologie AI, nižší než procento lidí, kteří přestali kouřit prostřednictvím osobních konzultací.
Zavedení umělé inteligence do medicíny může snížit finanční zátěž zdravotnického systému a oslovit mnohem více pacientů, kteří chtějí přestat kouřit a vést zdravý životní styl.
Lze předpokládat, že v budoucnu bude tento přístup uplatňován mimo jiné na pomoc pacientům s alkoholem nebo drogovou závislostí. Lékaři se také budou moci častěji obracet na schopnosti umělé inteligence při identifikaci duševních poruch.
Nedávno například vědci z Pensylvánské univerzity vyvinuli neuronovou síť, která analyzuje příspěvky uživatelů na Facebooku a určuje, zda jsou lidé v depresi. Diagnóza tohoto onemocnění není vždy jednoznačná, proto byla přesnost algoritmu během studie v 70% případů srovnatelná s výsledky lékařských screeningů.
Tyto příklady dokazují, že možnosti využití umělé inteligence v medicíně jsou nekonečné a mohou lékařům pomoci vyřešit mnoho sociálních problémů.