Volgens de WHO zijn er ongeveer 1,1 miljard rokers in de wereld. Rusland staat op de vijfde plaats in het aantal rokers - meer dan 45 miljoen mensen. Om de trieste statistieken te bestrijden, hebben wetenschappers een manier voorgesteld om roken te bestrijden op basis van kunstmatige intelligentie.
Elk jaar sterven ongeveer 400.000 Russen aan ziekten die verband houden met roken. En terwijl de staat maatregelen neemt om het tabaksgebruik op wetgevend niveau te beperken, ontwikkelen onderzoekers effectieve methoden op basis van kunstmatige intelligentie (AI) -technologieën. Andrey Polyakov, een onderzoeker bij Philips Research Lab Rus, vertelde hoe neurale netwerken en machine learning kunnen helpen bij de strijd tegen roken.
Wat valt er in het algemeen over het onderzoek te zeggen: hoe is het idee ontstaan, waarom zou kunstmatige intelligentie mensen helpen stoppen met roken?
- Een van de meest effectieve strategieën om te stoppen met roken is medisch advies. Tijdens consulten geeft de specialist psychologische ondersteuning aan degene die stopt met roken, om hem niet te laten kapot gaan. Maar persoonlijke consulten zijn een vrij duur genoegen voor de gezondheidszorg, en patiënten hebben niet altijd de mogelijkheid om een arts te bezoeken, vaak vanwege de afgelegen ligging van gespecialiseerde klinieken.
Medewerkers van de Russische en Nederlandse laboratoria Philips Research dachten na over het oplossen van deze problemen. Wetenschappers hebben zich ten doel gesteld om consultatiesessies op te schalen naar een breed publiek van rokers met smartphones met internettoegang. De resultaten van het onderzoek zijn in de zomer van 2018 in Stockholm gepresenteerd op de IJCAI-2018 conferentie. Het idee is om een therapeutische interventie te automatiseren en hulp op afstand te bieden aan een persoon om te stoppen met roken met behulp van de mogelijkheden van kunstmatige intelligentie.
We hebben het over een gespreksagent op een smartphone die een van de patiëntondersteunende strategieën kan selecteren en toepassen. Hij kan de emotionele kleur van de spraak- of sms-berichten van de patiënt herkennen, er gepast op reageren en de persoon helpen van de slechte gewoonte af te komen.
Welke principes van AI zijn de basis van de methode?
- Deze principes zijn gebaseerd op de modellering van de methodologie om te stoppen met roken met behulp van cognitieve gedragstherapie en motiverende interviews, die meestal worden afgenomen door een arts aan de receptie. Natuurlijk kan een persoon in een live gesprek de stemming en toestand van de gesprekspartner begrijpen dankzij verschillende verbale en non-verbale signalen: deze omvatten spraak, stem, gezichtsuitdrukkingen, gebaren.
Promotie video:
Bij ons onderzoek waren we geïnteresseerd in de taal waarin we communiceren in instant messengers en sociale netwerken. Om ervoor te zorgen dat kunstmatige intelligentie een psychotherapeut vervangt, moet het in staat zijn om iemands gesproken en geschreven spraak, de emotionele kleur ervan te herkennen, een gesprek te voeren en te reageren op veranderingen in de toestand van de patiënt.
Hoe leert kunstmatige intelligentie spraak te analyseren?
- Methoden voor diepgaand leren, met name terugkerende neurale netwerken, in combinatie met de beschikbaarheid van computertools en verzamelde gegevens, hebben een doorbraak bereikt op veel gebieden van kunstmatige intelligentie, waaronder spraakherkenning en -verwerking. Met behulp van deze technologieën waren verschillende hightechbedrijven in staat om stemassistenten te creëren waarmee je kunt communiceren en taken kunt instellen: Siri van Apple, Google Assistant van Google, Alice van Yandex.
Hoewel terugkerende neurale netwerken een populair hulpmiddel voor tekstherkenning zijn, hebben ze een grote hoeveelheid gelabelde gegevens nodig die moeilijk te verzamelen zijn. Bovendien is het communicatieproces een voorbeeld van AI-leren in een niet-stationaire omgeving, aangezien onze spraak zowel in de loop van de tijd als onder invloed van nationale kenmerken van verschillende culturen sterk verandert.
Deze factoren vereisen lokale configuratie en onderhoud van de classificator (in ons geval een diep lerend, terugkerend neuraal netwerk) al op het niveau van een individuele gebruiker. Een van de populaire benaderingen voor continue verbetering van een classificator is actief leren. Het belangrijkste idee van deze methoden is om slechts een deel van de ontvangen gegevens te markeren die van belang zijn voor verdere toepassing.
De huidige actieve AI-leermethoden werken doorgaans goed voor traditionele taken. Door dit te doen, kunnen ze leiden tot technologische instabiliteit, wat gebruikelijk is bij diepgaande neurale netwerkarchitecturen.
Onze methode is een nieuw algoritme voor actief leren van neurale netwerken, dat is gebaseerd op de volgende principes: semi-supervised learning, recurrent neurale netwerken, deep learning en natuurlijke taalverwerking.
Het werkingsmechanisme is als volgt: het algoritme krijgt een sms, zoals dat gebeurt bij communicatie in instant messengers. De taak van het algoritme is om zijn emotionele kleur te herkennen in relatie tot het onderwerp roken. Het kan positief zijn ("Ik stop persoonlijk, ik rook niet, ik ben opgewekt en vol energie"), negatief ("Ik rook weer") of neutraal ("Moskou is de hoofdstad van Rusland").
Twitter-posts verwerkt door neurale netwerken tijdens onderzoek / Philips Research Press Service.
Afhankelijk van de emotionele kleur past het algoritme gepaste gedragsstrategieën toe: verander het gespreksonderwerp bij een positieve kleuring, ondersteun het gesprek met een negatieve kleur en reageer neutraal bij een neutrale boodschap.
Hoe is het onderzoek naar de effectiviteit van deze methode uitgevoerd, wat waren de resultaten?
- Het doel van ons onderzoek was om een nieuwe methode te ontwikkelen voor het zoeken en selecteren van gegevens van bijzonder belang. Bekijk het volgende voorbeeld om te laten zien in wat voor soort gegevens we geïnteresseerd zijn. Stel je voor dat een jury een zaak aanhangig maakt voor de rechtbank en met een meerderheid beslist of een persoon schuldig is of niet. In dit geval kan de jury altijd terecht bij de goochelaar Merlijn, die zeker weet of de verdachte schuldig is. Maar hij eist betaling voor zijn diensten.
De jury wil hun werk gewetensvol doen, maar heeft tegelijkertijd een beperkt budget en kan niet voor elke zaak bij Merlin terecht. Een zaak wordt als oninteressant beschouwd als de jury bijna unaniem stemt op schuld of onschuld, dit is een simpele zaak. Maar als de stemmen van de jury verdeeld zijn, is dat interessant.
In dit geval wendt de jury zich tot de goochelaar, ontvangt een antwoord en neemt bij het overwegen van de volgende soortgelijke gevallen meer gecoördineerde beslissingen, wat in de toekomst soortgelijke gevallen eenvoudig maakt. Om verder te gaan met de terminologie van het algoritme, betekent een jury een classificator (neuraal netwerk), een jury betekent een commissie van classificatoren, een rechtszaak betekent een tweetbericht en Merlin betekent een expert die berichten markeert.
Zo bepalen verschillende neurale netwerken, op basis van de opgebouwde ervaring, welke emotionele kleur een bepaalde tweet draagt. Als ze bijvoorbeeld bijna unaniem een tweet een positieve emotionele connotatie geven, wordt deze als positief geclassificeerd. Als de neurale netwerken "in de war raken in de metingen", wordt de tweet gemarkeerd als interessant.
Verder worden alle interessante cases verzameld, die gerangschikt zijn op basis van de mate van vertrouwen in de voorspellingen van de classificatoren, waarna deze cases ter beoordeling naar de expert worden gestuurd. Verder voert de specialist aanvullende training van neurale netwerken uit op basis van de geanalyseerde gevallen.
Wat heb je uiteindelijk kunnen creëren?
- Als resultaat van het onderzoek is een nieuw actief leeralgoritme Query by Embedded Commettee (QBEC) gemaakt, dat qua nauwkeurigheid en snelheid verschilt van de bestaande. Tijdens het experiment hebben we een nieuw algoritme toegepast om korte tekstberichten van Twitter te classificeren met behulp van terugkerende neurale netwerken.
Ten eerste werd een trainingsdatabase voor AI verzameld en handmatig getagd uit meer dan 2.300 Engelstalige twitterberichten die van oktober 2017 tot januari 2018 zijn gepubliceerd. De berichten van oktober waren gekoppeld aan de Europese Stoptober-campagne om te stoppen met roken. Als onderdeel van deze campagne stoppen mensen met roken en plaatsen ze een maand lang tweets waarin ze hun indrukken delen over het stoppen met roken.
De decemberberichten zijn geschreven door mensen die tegen nieuwjaar zouden stoppen met roken. Bovendien werd een testbasis verzameld en handmatig gemarkeerd. Het toegepaste tekstclassificatiesysteem was gebaseerd op moderne architecturen van terugkerende neurale netwerken die diep leren. Ze werd getraind op de tweet-trainingsbasis.
De nauwkeurigheid van de classificator die met zijn hulp was geleerd, was erg laag en overschreed nauwelijks 50%. Vervolgens voerden we een ander experiment uit waarin we consequent het actieve leermechanisme toepasten: elke dag ontving de classificator een nieuwe portie gerichte berichten (ongeveer 3000 per dag) en gaf hij 30 van de meest interessante cases voor markering.
Deze berichten werden handmatig getagd en toegevoegd aan de trainingsdatabase, die werd gebruikt om het volgende classificatiemodel te bouwen. De studie toonde aan dat deze methode om kunstmatige intelligentie aan te leren, een kwalitatieve verbetering van het algoritme mogelijk maakte. Computationele experimenten en theoretische berekeningen laten een veel hogere snelheid van het QBEC-algoritme zien.
Deze omstandigheid maakt het mogelijk om het QBEC-algoritme voor actief leren uit te voeren, zelfs op een gebruikersapparaat, zoals een smartphone. Dit betekent dat we de kans krijgen om een effectieve stemassistent te creëren die de functie van arts kan overnemen en mensen kan helpen die proberen te stoppen met roken.
Welke voorspellingen kunnen worden gedaan op basis van deze resultaten, hoe effectief zal AI zijn om mensen in de toekomst te helpen stoppen met roken?
- De onderzoeksresultaten laten zien dat kunstmatige intelligentie de emoties van de patiënt kan herkennen aan de tekst van het bericht, terwijl actieve leeralgoritmen de nauwkeurigheid van dataclassificatie continu kunnen verbeteren. Onze uitdaging vandaag is om ervoor te zorgen dat in de toekomst het percentage mensen dat stopt met roken met behulp van AI-technologie niet lager zal zijn dan het percentage mensen dat is gestopt met roken via persoonlijke consulten.
De introductie van AI in de geneeskunde kan de financiële lasten voor de gezondheidszorg verminderen en veel meer patiënten bereiken die willen stoppen met roken en een gezonde levensstijl willen leiden.
Aangenomen mag worden dat deze aanpak in de toekomst onder meer zal worden toegepast bij patiënten met een alcohol- of drugsverslaving. Ook zullen artsen vaker gebruik kunnen maken van de mogelijkheden van AI bij het identificeren van psychische stoornissen.
Zo hebben wetenschappers van de University of Pennsylvania onlangs een neuraal netwerk ontwikkeld dat gebruikersposten op Facebook analyseert en bepaalt of mensen depressief zijn. De diagnose van deze ziekte is niet altijd eenduidig, daarom was de nauwkeurigheid van het algoritme tijdens het onderzoek in 70% van de gevallen vergelijkbaar met de resultaten van medische screenings.
Dergelijke voorbeelden bewijzen dat de mogelijkheden om kunstmatige intelligentie in de geneeskunde te gebruiken eindeloos zijn en artsen kunnen helpen bij het oplossen van veel sociale problemen.
