Enligt WHO finns det cirka 1,1 miljarder rökare i världen. Ryssland rankas femte i antalet rökare - över 45 miljoner människor. För att bekämpa den sorgliga statistiken har forskare föreslagit ett sätt att bekämpa rökning baserat på konstgjord intelligens.
Cirka 400 000 ryssar dör varje år av rökningsrelaterade sjukdomar. Och medan staten vidtar åtgärder för att begränsa tobaksförbrukningen på lagstiftningsnivå, utvecklar forskare effektiva metoder baserade på artificiell intelligens (AI) -teknologi. Andrey Polyakov, forskare vid Philips Research Lab Rus, talade om hur neurala nätverk och maskininlärning kan hjälpa till i kampen mot rökning.
Vad kan man säga i allmänhet om studien: hur uppstod idén, varför skulle konstgjord intelligens hjälpa människor att sluta röka?
- En av de mest effektiva strategierna för rökavvänjning är medicinsk rådgivning. Under samråd ger specialisten psykologiskt stöd till den som slutar röka, för att inte låta honom gå sönder. Men konsultationer ansikte mot ansikte är ett ganska dyrt nöje för sjukvården, och patienter har inte alltid möjlighet att besöka en läkare ofta på grund av avstånd från specialiserade kliniker.
Anställda på de ryska och nederländska laboratorierna Philips Research funderade på att lösa dessa problem. Forskare har satt sig som mål att skala konsultationssessioner till en bred publik av rökare som har smartphones med internetuppkoppling. Resultaten av studien presenterades sommaren 2018 i Stockholm vid IJCAI-2018-konferensen. Tanken är att automatisera terapeutisk intervention och ge fjärrhjälp till en person att sluta röka med hjälp av kunskapen om konstgjord intelligens.
Vi pratar om en konversationsagent på en smartphone som kan välja och tillämpa en av de patientstödjande strategierna. Han kan känna igen den känslomässiga färgningen av patientens tal eller textmeddelanden, svara på lämpligt sätt och hjälpa personen att bli av med den dåliga vanan.
Vilka principer för AI ligger till grund för metoden?
- Dessa principer är baserade på modellering av metoder för rökavvänjning med hjälp av kognitiv beteendeterapi och motiverande intervjuer, som vanligtvis utförs av en läkare i receptionen. I en levande konversation kan naturligtvis en person förstå stämningen och tillståndet för samtalaren tack vare olika verbala och icke-verbala signaler: dessa inkluderar tal, röst, ansiktsuttryck, gester.
Kampanjvideo:
I vår forskning var vi intresserade av det språk som vi kommunicerar i snabbmeddelanden och sociala nätverk. För att konstgjord intelligens ska ersätta en psykoterapeut måste den kunna känna igen personens talade och skriftliga tal, dess känslomässiga färg, samt upprätthålla en konversation och svara på förändringar i patientens tillstånd.
Hur lär sig konstgjord intelligens analysera tal?
- Djupa inlärningsmetoder, särskilt återkommande neurala nätverk, i kombination med tillgängligheten av datorverktyg och ackumulerade data, har gjort det möjligt att göra ett genombrott inom många områden av konstgjord intelligens, inklusive taligenkänning och bearbetning. Med hjälp av dessa tekniker har flera högteknologiska företag kunnat skapa röstassistenter med vilka du kan kommunicera och ställa uppgifter till dem: Siri från Apple, Google Assistant från Google, Alice från Yandex.
Även om återkommande neurala nätverk är ett populärt verktyg för textigenkänning kräver de en stor mängd märkta data som är svåra att samla in. Dessutom är kommunikationsprocessen ett exempel på AI-lärande i en icke-stationär miljö, eftersom vårt tal förändras kraftigt både över tid och under påverkan av nationella egenskaper hos olika kulturer.
Dessa faktorer kräver lokal konfiguration och underhåll av klassificeraren (i vårt fall ett djupgående lärande återkommande neuralt nätverk) redan på en enskild användares nivå. En av de populära metoderna för kontinuerlig förbättring av en klassificerare är aktivt lärande. Huvudtanken med dessa metoder är att bara markera en del av de mottagna uppgifterna som är av intresse för ytterligare tillämpning.
Vanligtvis fungerar dagens aktiva AI-inlärningsmetoder bra för traditionella uppgifter. På så sätt kan de leda till teknisk instabilitet, vilket är vanligt i neurala nätverksarkitekturer.
Vår metod är en ny algoritm för aktivt inlärning av neurala nätverk baserat på följande principer: halvövervakat lärande, återkommande neurala nätverk och djup inlärning och naturligt språkbearbetning.
Mekanismen för arbetet är som följer: algoritmen ges ett textmeddelande, som det händer när man kommunicerar i snabbmeddelanden. Algoritmens uppgift är att känna igen dess känslomässiga färg i förhållande till ämnet rökning. Det kan vara positivt ("Jag personligen slutar, jag röker inte, jag är glad och full av energi"), negativ ("Jag röker igen") eller neutral ("Moskva är Rysslands huvudstad").
Twitter-inlägg behandlade av neurala nätverk under forskning / Philips Research Press Service.
Beroende på den känslomässiga färgläggningen tillämpar algoritmen lämpliga beteendestrategier: ändra ämnet för konversationen i fallet med en positiv färgning, stödja konversationen med en negativ färgning och reagera neutralt i fallet med ett neutralt meddelande.
Hur genomfördes studien av effektiviteten hos denna metod, vilka var dess resultat?
- Syftet med vår studie var att utveckla en ny metod för att söka och välja data av särskilt intresse. För att visa vilken typ av data vi är intresserade av, tänk på följande exempel. Föreställ dig att en jury tar ett mål i domstol och beslutar med majoritet om en person är skyldig eller inte. I detta fall kan juryn alltid vända sig till trollkarlen Merlin, som med säkerhet vet om den tilltalade är skyldig. Men han kräver betalning för sina tjänster.
Juryn vill göra sitt jobb samvetsgrant, men har samtidigt en begränsad budget och kan inte kontakta Merlin för varje fall. Ett fall anses vara ointressant om juryn nästan enhälligt röstar för skuld eller oskyldighet, detta är ett enkelt fall. Men om juryns röster delas är det av intresse.
I det här fallet vänder sig juryn till trollkarlen, får ett svar och, när man överväger nästa liknande fall, kommer att fatta mer samordnade beslut, vilket i framtiden gör liknande fall enkla. Att gå vidare till terminologin för algoritmen, en jury betyder en klassificerare (neuralt nätverk), en jury betyder en kommitté av klassificerare, en domstol innebär ett tweet-meddelande och Merlin betyder en expert som markerar meddelanden.
Således bestämmer flera neurala nätverk, baserat på den ackumulerade erfarenheten, vilken känslomässig färg en viss tweet bär. Till exempel, om de nästan enhälligt ger en tweet en positiv känslomässig konnotation, klassificeras den som positiv. Om neurala nätverk "blir förvirrade i avläsningarna" markeras tweeten som intressant.
Vidare samlas alla intressanta fall, som rangordnas efter graden av förtroende för klassificerarnas förutsägelser, varefter dessa fall skickas till experten för märkning. Vidare utför specialisten ytterligare utbildning av nervnätverk baserat på de analyserade fallen.
Vad lyckades du skapa i slutändan?
- Som ett resultat av forskningen skapades en ny Query av Embedded Commettee (QBEC) aktiv inlärningsalgoritm, som skiljer sig från de existerande när det gäller noggrannhet och hastighet. Under experimentet använde vi en ny algoritm för att klassificera korta textmeddelanden från Twitter med återkommande neurala nätverk.
Först samlades en träningsdatabas för AI in och manuellt taggades från mer än 2300 engelskspråkiga twitter-inlägg publicerade från oktober 2017 till januari 2018. Oktobermeddelandena var kopplade till den europeiska kampanjen för rökavvänjning i Stoptober. Som en del av denna kampanj slutar människor att röka och lägger tweets i en månad där de delar sina intryck av att sluta cigaretter.
Decembermeddelandena skrevs av människor som skulle sluta röka vid nyåret. Dessutom samlades en testbas upp och markerades manuellt. Det tillämpade textklassificeringssystemet baserades på moderna arkitekturer för återkommande neurala nätverk med djup inlärning. Hon utbildades på tweet-träningsbasen.
Noggrannheten hos klassificeraren som lärdes med sin hjälp var mycket låg och knappt överskred 50%. Sedan genomförde vi ett nytt experiment, där vi konsekvent använde den aktiva inlärningsmekanismen: varje dag fick klassificeraren en ny del av riktade meddelanden (cirka 3000 dagligen) och gav 30 av de mest intressanta fallen för markering.
Dessa meddelanden taggades manuellt och lades till träningsdatabasen, som användes för att bygga nästa klassificeringsmodell. Studien visade att denna metod för att undervisa artificiell intelligens möjliggjorde en kvalitativ förbättring av algoritmen. Beräkningsexperiment och teoretiska beräkningar visar QBEC-algoritmens mycket högre hastighet.
Denna omständighet gör det möjligt att köra QBECs aktiva inlärningsalgoritm även på en användarenhet, till exempel en smartphone. Detta innebär att vi har en chans att skapa en effektiv röstassistent som kan ta över en läkares funktion och hjälpa människor som försöker sluta röka.
Vilka förutsägelser kan göras baserat på dessa resultat, hur effektiv kommer AI att vara för att hjälpa människor att sluta röka i framtiden?
- Forskningsresultaten visar att artificiell intelligens kan känna igen patientens känslor utifrån meddelandeteksten, medan aktiva inlärningsalgoritmer kontinuerligt kan förbättra noggrannheten i dataklassificering. Vår utmaning idag är att se till att andelen människor som slutar röka med hjälp av AI-teknik i framtiden inte kommer att vara lägre än andelen människor som slutar röka genom ansikte-till-ansikte-samråd.
Införandet av AI i medicinen kan minska den ekonomiska bördan på sjukvården och nå många fler patienter som vill sluta cigaretter och leva en hälsosam livsstil.
Det kan antas att framtiden kommer att tillämpas bland annat för att hjälpa patienter med alkohol- eller narkotikamissbruk. Läkarna kan också ofta vända sig till AI: s förmåga att identifiera psykiska störningar.
Nyligen utvecklade exempelvis forskare från University of Pennsylvania ett neuralt nätverk som analyserar användarposter på Facebook och avgör om människor är deprimerade. Diagnosen av denna sjukdom är inte alltid entydig, därför var algoritmens noggrannhet under studien i 70% av fallen jämförbar med resultaten från medicinsk screening.
Sådana exempel bevisar att möjligheterna att använda konstgjord intelligens inom medicinen är oändliga och kan hjälpa läkare att lösa många sociala problem.
