WHO andmetel on maailmas umbes 1,1 miljardit suitsetajat. Venemaa on suitsetajate arvult viiendal kohal - üle 45 miljoni inimese. Kurva statistika vastu võitlemiseks on teadlased pakkunud välja tehisintellektil põhineva suitsetamise vastu võitlemise viisi.
Igal aastal sureb suitsetamisega seotud haigustesse umbes 400 000 venelast. Ja kuigi riik võtab seadusandlikul tasandil meetmeid tubaka tarbimise piiramiseks, arendavad teadlased tõhusaid meetodeid, mis põhinevad tehisintellekti (AI) tehnoloogial. Philips Research Lab Rusi teadur Andrei Poljakov rääkis, kuidas närvivõrgud ja masinõpe saavad aidata suitsetamise vastu võitlemisel.
Mida saab uuringu kohta üldiselt öelda: kuidas idee alguse sai, miks peaks tehisintellekt aitama inimestel suitsetamisest loobuda?
- Üks tõhusamaid suitsetamisest loobumise strateegiaid on meditsiiniline nõustamine. Konsultatsioonide ajal pakub spetsialist suitsetamisest loobunud inimesele psühholoogilist tuge, mitte selleks, et ta maha laseks. Kuid näost näkku konsulteerimine on tervishoiusüsteemile üsna kallis rõõm ja patsientidel pole alati võimalust külastada arsti sageli spetsialiseeritud kliinikute kaugel asuva asukoha tõttu.
Venemaa ja Hollandi labori Philips Researchi töötajad mõtlesid nende probleemide lahendamisele. Teadlased on seadnud eesmärgiks laiendada konsultatsiooniseansse laiale suitsetajatele, kellel on internetiühendusega nutitelefonid. Uuringu tulemusi tutvustati 2018. aasta suvel Stockholmis IJCAI-2018 konverentsil. Idee on automatiseerida terapeutiline sekkumine ja pakkuda tehisintellekti võimete abil inimesele suitsetamisest loobumiseks kaugabi.
Me räägime nutitelefonis vestlusagendist, mis suudab valida ja rakendada ühte patsienti toetavast strateegiast. Ta oskab ära tunda patsiendi kõne või tekstisõnumite emotsionaalse värvuse, reageerib sellele asjakohaselt ja aitab inimesel halvast harjumusest vabaneda.
Millised AI põhimõtted on meetodi aluseks?
- Need põhimõtted põhinevad suitsetamisest loobumise metoodika modelleerimisel, kasutades kognitiiv-käitumuslikku teraapiat ja motiveerivat intervjueerimist, mida viib tavaliselt läbi arst vastuvõtul. Loomulikult saab inimene elavas vestluses vestluspartneri meeleolu ja olekut mõista tänu erinevatele verbaalsetele ja mitteverbaalsetele signaalidele: nende hulka kuuluvad kõne, hääl, näoilmed, žestid.
Reklaamvideo:
Meie uurimistöös huvitas meid keel, milles me suhtleme kiirsuhtlejate ja sotsiaalsete võrgustike kaudu. Selleks, et tehisintellekt asendaks psühhoterapeuti, peab see suutma ära tunda inimese räägitud ja kirjutatud kõne, selle emotsionaalse värvuse, samuti pidada vestlust ja reageerida patsiendi seisundi muutustele.
Kuidas õpib tehisintellekt kõnet analüüsima?
- Süvaõppe meetodid, eriti korduvad närvivõrgud koos andmetöötlusvahendite ja kogutud andmete kättesaadavusega on võimaldanud teha läbimurde paljudes tehisintellekti valdkondades, sealhulgas kõnetuvastuses ja -töötluses. Nende tehnoloogiate abil on mitmed kõrgtehnoloogiaettevõtted suutnud luua hääleabilisi, kellega saate suhelda ja ülesandeid seada: Siri Apple'ilt, Google Assistant Google'ilt, Alice Yandexilt.
Kuigi korduvad närvivõrgud on populaarne tekstituvastuse tööriist, vajavad nad suurt hulka märgistatud andmeid, mida on keeruline koguda. Lisaks on suhtlusprotsess näide AI õppimisest mittestatsionaarses keskkonnas, kuna meie kõne muutub nii aja jooksul kui ka erinevate kultuuride rahvuslike eripärade mõjul suuresti.
Need tegurid nõuavad klassifikaatori (meie puhul sügava õppimisega korduva närvivõrgu) kohalikku konfigureerimist ja hooldamist juba üksiku kasutaja tasemel. Klassifikaatori pideva täiustamise üks populaarsemaid lähenemisviise on aktiivõpe. Nende meetodite põhiidee on märgistada ainult osa saadud andmetest, mis pakub edasiseks rakendamiseks huvi.
Tavaliselt sobivad tänapäeva aktiivsed AI õppemeetodid hästi ka traditsiooniliste ülesannete jaoks. Seejuures võivad need põhjustada tehnoloogia ebastabiilsust, mis on tavaline närvivõrkude süvaõppe õppetöös.
Meie meetod on uus närvivõrkude aktiivse õppimise algoritm, mis põhineb järgmistel põhimõtetel: pooljuhendatud õppimine, korduvad närvivõrgud ning sügav õppimine ja loomulik keele töötlemine.
Töömehhanism on järgmine: algoritmile antakse tekstisõnum, nagu see juhtub kiirsõnumitega suheldes. Algoritmi ülesanne on ära tunda selle emotsionaalne värvus seoses suitsetamise teemaga. See võib olla positiivne (“ma loobun isiklikult, ma ei suitseta, olen rõõmsameelne ja energiat täis”), negatiivne (“ma suitsetan uuesti”) või neutraalne (“Moskva on Venemaa pealinn”).
Neuraalvõrkude poolt uurimistöö käigus töödeldud Twitteri postitused / Philips Research Press Service.
Sõltuvalt emotsionaalsest värvist rakendab algoritm sobivaid käitumisstrateegiaid: positiivse värvimise korral muutke vestluse teemat, toetage vestlust negatiivse värvusega ja reageerige neutraalse sõnumi korral neutraalselt.
Kuidas viidi läbi selle meetodi tõhususe uuring, millised olid selle tulemused?
- Meie uuringu eesmärk oli välja töötada uus meetod eriti huvipakkuvate andmete otsimiseks ja valimiseks. Vaadake järgmist näidet, milliseid andmeid me huvitame: Kujutage ette, kuidas žürii võtab kohtuasja ja otsustab häälteenamusega, kas inimene on süüdi või mitte. Sel juhul saab žürii alati pöörduda mustkunstniku Merlini poole, kes teab kindlalt, kas kostja on süüdi. Kuid ta nõuab oma teenuste eest tasumist.
Žürii soovib oma tööd teha kohusetundlikult, kuid samal ajal on tema eelarve piiratud ja ei saa igal juhtumil Merliniga ühendust võtta. Juhtumit peetakse ebahuvitavaks, kui žürii hääletab peaaegu ühehäälselt süü või süütuse poolt, see on lihtne juhtum. Kui aga žürii hääled jagunevad, on see huvi.
Sel juhul pöördub žürii mustkunstniku poole, saab vastuse ja järgmiste sarnaste juhtumite kaalumisel teeb paremini koordineeritud otsuseid, mis tulevikus muudab sarnased juhtumid lihtsaks. Jätkates algoritmi terminoloogiaga, tähendab žürii klassifikaatorit (närvivõrk), žürii tähendab klassifikaatorite komiteed, kohtuasi tähendab säutsu ja Merlin tähendab eksperti, kes märgib sõnumeid.
Nii otsustavad mitmed närvivõrgud, lähtudes kogunenud kogemusest, millist emotsionaalset värvimist konkreetne säutsu kannab. Näiteks kui nad annavad peaaegu ühehäälselt säutsule positiivse emotsionaalse varjundi, siis liigitatakse see positiivseks. Kui närvivõrgud "lähevad lugemistes segadusse", märgitakse säutsu huvitavaks.
Lisaks kogutakse kokku kõik huvitavad juhtumid, mis järjestatakse vastavalt klassifikaatorite ennustuste usaldusväärsuse astmele, misjärel saadetakse need juhtumid ekspertidele märkimiseks. Lisaks viib spetsialist analüüsitud juhtumite põhjal läbi närvivõrkude täiendava koolituse.
Mida sul lõpuks õnnestus luua?
- Uurimistöö tulemusel loodi uus Query by Embedded Commettee (QBEC) aktiivõppe algoritm, mis erineb olemasolevatest täpsuse ja kiiruse poolest. Katse ajal rakendasime uut algoritmi, et klassifitseerida lühikesed tekstsõnumid Twitterist korduvate närvivõrkude abil.
Esiteks koguti AI koolituse andmebaas ja sildistati need käsitsi enam kui 2300 ingliskeelsest Twitteri postitusest, mis avaldati oktoobrist 2017 kuni jaanuarini 2018. Oktoobri teated olid seotud Stoptoberi Euroopa suitsetamisest loobumise kampaaniaga. Selle kampaania raames loobuvad inimesed suitsetamisest ja postitavad kuu aja jooksul säutsu, milles jagavad oma muljeid sigarettide mahajätmisest.
Detsembri sõnumid kirjutasid inimesed, kes kavatsesid uusaastaks suitsetamisest loobuda. Lisaks koguti testimisbaas ja märgistati see käsitsi. Rakendatud teksti klassifitseerimissüsteem põhines süvaõppe korduvate närvivõrkude tänapäevastel arhitektuuridel. Teda koolitati säutsu koolitusbaasis.
Tema abiga õpitud klassifikaatori täpsus oli väga madal ja ületas vaevalt 50%. Seejärel viisime läbi veel ühe katse, milles rakendasime järjepidevalt aktiivõppe mehhanismi: klassifikaator sai iga päev uue osa sihitud sõnumeid (umbes 3000 päevas) ja andis 30 kõige huvitavamat juhtumit märgistamiseks.
Need teated sildistati käsitsi ja lisati koolitusandmebaasi, mida kasutati järgmise klassifikaatori mudeli ehitamiseks. Uuring näitas, et see tehisintellekti õpetamise meetod võimaldas algoritmi kvalitatiivselt parandada. Arvutuslikud katsed ja teoreetilised arvutused näitavad QBEC algoritmi palju suuremat kiirust.
See asjaolu võimaldab QBEC-i aktiivõppe algoritmi käivitada isegi kasutaja seadmes, näiteks nutitelefonis. See tähendab, et meil on võimalus luua tõhus hääleassistent, mis suudaks üle võtta arsti ülesanded ja aidata inimesi, kes üritavad suitsetamisest loobuda.
Milliseid ennustusi saab nende tulemuste põhjal teha, kui tõhus on AI tulevikus inimeste suitsetamisest loobumisel?
- Uurimistulemused näitavad, et tehisintellekt on võimeline sõnumi tekstist patsiendi emotsioone ära tundma, samas kui aktiivõppe algoritmid saavad andmete klassifitseerimise täpsust pidevalt parandada. Meie tänane väljakutse on tagada, et tulevikus ei oleks AI-tehnoloogia abil suitsetamisest loobunud inimeste protsent madalam kui nende inimeste protsent, kes loobuvad näost näkku suitsetamisest.
AI kasutuselevõtt meditsiinis võib vähendada tervishoiusüsteemi rahalist koormust ja jõuda paljude teiste patsientideni, kes soovivad loobuda sigarettidest ja elada tervislikku eluviisi.
Võib eeldada, et tulevikus rakendatakse seda lähenemisviisi muu hulgas alkoholi- või narkomaaniaga patsientide abistamiseks. Samuti saavad arstid vaimsete häirete tuvastamisel sagedamini pöörduda AI võimaluste poole.
Näiteks hiljuti töötasid Pennsylvania ülikooli teadlased välja närvivõrgu, mis analüüsib kasutaja postitusi Facebookis ja teeb kindlaks, kas inimesed on depressioonis. Selle haiguse diagnoos ei ole alati ühemõtteline, seetõttu oli algoritmi täpsus uuringu ajal 70% juhtudest võrreldav meditsiiniliste sõeluuringute tulemustega.
Sellised näited tõestavad, et tehisintellekti kasutamise võimalused meditsiinis on lõputud ja võivad aidata arstidel lahendada paljusid sotsiaalseid probleeme.
