Według WHO na świecie jest około 1,1 miliarda palaczy. Rosja zajmuje piąte miejsce pod względem liczby palaczy - ponad 45 milionów osób. Aby zwalczyć smutne statystyki, naukowcy zaproponowali sposób walki z paleniem oparty na sztucznej inteligencji.
Około 400 000 Rosjan umiera każdego roku z powodu chorób związanych z paleniem. Podczas gdy państwo podejmuje działania mające na celu ograniczenie konsumpcji tytoniu na poziomie legislacyjnym, naukowcy opracowują skuteczne metody oparte na technologiach sztucznej inteligencji (AI). Andrey Polyakov, badacz z Philips Research Lab Rus, mówił o tym, jak sieci neuronowe i uczenie maszynowe mogą pomóc w walce z paleniem.
Co ogólnie można powiedzieć o badaniu: skąd wziął się pomysł, dlaczego sztuczna inteligencja miałaby pomagać ludziom rzucić palenie?
- Jedną z najskuteczniejszych strategii rzucania palenia są porady lekarskie. Podczas konsultacji specjalista udziela wsparcia psychologicznego osobie rzucającej palenie, aby nie dopuściła do załamania. Jednak konsultacje osobiste są dość kosztowną przyjemnością dla systemu ochrony zdrowia, a pacjenci nie zawsze mają możliwość częstych wizyt u lekarza ze względu na oddalenie poradni specjalistycznych.
O rozwiązaniu tych problemów myśleli pracownicy rosyjskich i holenderskich laboratoriów Philips Research. Naukowcy postawili sobie za cel zwiększenie liczby sesji konsultacyjnych dla szerokiego grona palaczy posiadających smartfony z dostępem do Internetu. Wyniki badania zaprezentowano latem 2018 roku w Sztokholmie na konferencji IJCAI-2018. Chodzi o to, aby zautomatyzować interwencję terapeutyczną i zdalnie pomóc osobie rzucić palenie z wykorzystaniem możliwości sztucznej inteligencji.
Mowa o agencie konwersacyjnym na smartfonie, który potrafi wybrać i zastosować jedną ze strategii wspierających pacjenta. Potrafi rozpoznać emocjonalne zabarwienie mowy lub wiadomości tekstowych pacjenta, odpowiednio na nie zareagować i pomóc osobie pozbyć się złego nawyku.
Jakie zasady AI są podstawą metody?
- Zasady te opierają się na modelowaniu metodologii rzucania palenia z wykorzystaniem terapii poznawczo-behawioralnej oraz wywiadów motywacyjnych, które najczęściej przeprowadza lekarz na recepcji. Oczywiście w rozmowie na żywo osoba może zrozumieć nastrój i stan rozmówcy dzięki różnym sygnałom werbalnym i niewerbalnym: są to mowa, głos, mimika, gesty.
Film promocyjny:
W naszych badaniach interesował nas język, w którym komunikujemy się w komunikatorach internetowych i sieciach społecznościowych. Aby sztuczna inteligencja mogła zastąpić psychoterapeutę, musi umieć rozpoznawać mowę mówioną i pisaną osoby, jej kolorystykę emocjonalną, a także podtrzymywać rozmowę i reagować na zmiany w stanie pacjenta.
Jak sztuczna inteligencja uczy się analizować mowę?
- Metody głębokiego uczenia, w szczególności powtarzające się sieci neuronowe, w połączeniu z dostępnością narzędzi obliczeniowych i zgromadzonymi danymi umożliwiły dokonanie przełomu w wielu obszarach sztucznej inteligencji, w tym w rozpoznawaniu i przetwarzaniu mowy. Za pomocą tych technologii kilka firm high-tech było w stanie stworzyć asystentów głosowych, z którymi można się komunikować i wyznaczać im zadania: Siri z Apple, Google Assistant z Google, Alice z Yandex.
Chociaż powtarzające się sieci neuronowe są popularnym narzędziem do rozpoznawania tekstu, wymagają dużej ilości oznaczonych danych, które są trudne do zebrania. Ponadto proces komunikacji jest przykładem uczenia się AI w środowisku niestacjonarnym, ponieważ nasza mowa zmienia się znacznie zarówno w czasie, jak i pod wpływem narodowych cech różnych kultur.
Czynniki te wymagają lokalnej konfiguracji i utrzymania klasyfikatora (w naszym przypadku rekurencyjnej sieci neuronowej typu deep learning) już na poziomie indywidualnego użytkownika. Jednym z popularnych podejść do ciągłego doskonalenia klasyfikatora jest aktywne uczenie się. Główną ideą tych metod jest zaznaczanie tylko części otrzymanych danych, które są interesujące do dalszego zastosowania.
Zwykle dzisiejsze metody aktywnego uczenia się AI dobrze sprawdzają się w przypadku tradycyjnych zadań. W ten sposób mogą prowadzić do niestabilności technologii, która jest powszechna w architekturach sieci neuronowych uczenia głębokiego.
Nasza metoda to nowy algorytm aktywnego uczenia się sieci neuronowych, który opiera się na następujących zasadach: uczenie się częściowo nadzorowane, powtarzające się sieci neuronowe oraz uczenie głębokie i przetwarzanie języka naturalnego.
Mechanizm działania jest następujący: algorytm otrzymuje wiadomość tekstową, tak jak to się dzieje podczas komunikacji w komunikatorach. Zadaniem algorytmu jest rozpoznanie jego emocjonalnego zabarwienia w odniesieniu do tematu palenia. Może być pozytywna („osobiście rzuciłem palenie, nie palę, jestem wesoła i pełna energii”), negatywna („znowu palę”) lub neutralna („Moskwa jest stolicą Rosji”).
Posty na Twitterze przetwarzane przez sieci neuronowe podczas badań / Philips Research Press Service.
W zależności od zabarwienia emocjonalnego algorytm stosuje odpowiednie strategie behawioralne: zmienia temat rozmowy w przypadku pozytywnego kolorowania, wspomaga rozmowę negatywną kolorystyką, reaguje neutralnie w przypadku neutralnego przekazu.
Jak przeprowadzono badanie skuteczności tej metody, jakie były jego wyniki?
- Celem naszych badań było opracowanie nowej metody wyszukiwania i selekcji danych o szczególnym znaczeniu. Aby pokazać, jakie dane nas interesują, rozważ poniższy przykład. Wyobraź sobie ławę przysięgłych rozpatrującą sprawę w sądzie i decydującą większością głosów, czy dana osoba jest winna, czy nie. W takim przypadku ława przysięgłych zawsze może zwrócić się do maga Merlina, który wie na pewno, czy oskarżony jest winny. Ale żąda zapłaty za swoje usługi.
Jury chce sumiennie wykonywać swoją pracę, ale jednocześnie ma ograniczony budżet i nie może kontaktować się z Merlinem w każdej sprawie. Sprawa jest uważana za nieciekawą, jeśli jury głosuje prawie jednogłośnie za winą lub niewinnością, jest to prosty przypadek. Ale jeśli głosy jury są podzielone, to jest interesujące.
W takim przypadku jury zwraca się do maga, otrzymuje odpowiedź i rozważając kolejne podobne sprawy podejmie bardziej skoordynowane decyzje, co w przyszłości uprości podobne sprawy. Przechodząc do terminologii algorytmu, jury to klasyfikator (sieć neuronowa), jury to komisja klasyfikatorów, sprawa sądowa to wiadomość na Twitterze, a Merlin to ekspert oceniający wiadomości.
W ten sposób kilka sieci neuronowych, w oparciu o nagromadzone doświadczenie, decyduje, jakie emocjonalne zabarwienie niesie dany tweet. Na przykład, jeśli prawie jednogłośnie nadadzą tweetowi pozytywne skojarzenie emocjonalne, zostanie on sklasyfikowany jako pozytywny. Jeśli sieci neuronowe „pomieszają się w odczytach”, tweet jest oznaczany jako interesujący.
Ponadto zbierane są wszystkie interesujące przypadki, które są uszeregowane według stopnia zaufania do przewidywań klasyfikatorów, po czym te przypadki są wysyłane do eksperta w celu oznaczenia. Ponadto specjalista przeprowadza dodatkowe szkolenia sieci neuronowych w oparciu o analizowane przypadki.
Co ostatecznie udało Ci się stworzyć?
- W wyniku badań powstał nowy algorytm aktywnego uczenia Query by Embedded Commettee (QBEC), różniący się od dotychczasowych dokładnością i szybkością. Podczas eksperymentu zastosowaliśmy nowy algorytm do klasyfikowania krótkich wiadomości tekstowych z Twittera przy użyciu powtarzających się sieci neuronowych.
Najpierw zebrano bazę danych szkoleń dla sztucznej inteligencji i ręcznie otagowano ją z ponad 2300 anglojęzycznych postów na Twitterze opublikowanych od października 2017 do stycznia 2018. Wiadomości październikowe były powiązane z kampanią na rzecz rzucania palenia Stoptober European. W ramach tej kampanii ludzie rzucają palenie i przez miesiąc publikują tweety, w których dzielą się wrażeniami z rzucania papierosów.
Wiadomości grudniowe zostały napisane przez ludzi, którzy zamierzali rzucić palenie do Nowego Roku. Dodatkowo zebrano bazę testową i ręcznie oznaczono ją. Zastosowany system klasyfikacji tekstów został oparty na nowoczesnych architekturach powtarzających się sieci neuronowych głębokiego uczenia. Została przeszkolona w bazie treningowej tweetów.
Dokładność klasyfikatora wyuczonego za jego pomocą była bardzo niska i ledwo przekraczała 50%. Następnie przeprowadziliśmy kolejny eksperyment, w którym konsekwentnie stosowaliśmy mechanizm aktywnego uczenia się: codziennie klasyfikator otrzymywał nową porcję wiadomości targetowanych (około 3000 dziennie) i dawał 30 najciekawszych przypadków do zaznaczenia.
Te komunikaty zostały ręcznie oznaczone i dodane do szkoleniowej bazy danych, która została użyta do zbudowania następnego modelu klasyfikatora. Badanie wykazało, że ta metoda nauczania sztucznej inteligencji pozwoliła na jakościowe ulepszenie algorytmu. Eksperymenty obliczeniowe i obliczenia teoretyczne pokazują znacznie większą szybkość algorytmu QBEC.
Ta okoliczność umożliwia uruchomienie algorytmu aktywnego uczenia QBEC nawet na urządzeniu użytkownika, takim jak smartfon. Oznacza to, że mamy szansę stworzyć skutecznego asystenta głosowego, który przejmie funkcję lekarza i pomoże osobom próbującym rzucić palenie.
Jakie przewidywania można zrobić na podstawie tych wyników, jak skuteczna będzie sztuczna inteligencja w pomaganiu ludziom rzucić palenie w przyszłości?
- Wyniki badań pokazują, że sztuczna inteligencja jest w stanie rozpoznać emocje pacjenta z treści komunikatu, a algorytmy aktywnego uczenia się mogą stale poprawiać dokładność klasyfikacji danych. Naszym dzisiejszym wyzwaniem jest zapewnienie, aby w przyszłości odsetek osób rzucających palenie z pomocą technologii AI nie był niższy niż odsetek osób, które rzuciły palenie poprzez bezpośrednie konsultacje.
Wprowadzenie sztucznej inteligencji do medycyny może zmniejszyć obciążenie finansowe systemu opieki zdrowotnej i dotrzeć do znacznie większej liczby pacjentów, którzy chcą rzucić papierosy i prowadzić zdrowy tryb życia.
Można przypuszczać, że w przyszłości podejście to znajdzie zastosowanie m.in. do pomocy pacjentom z uzależnieniem od alkoholu czy narkotyków. Ponadto lekarze będą mogli częściej sięgać po możliwości sztucznej inteligencji w rozpoznawaniu zaburzeń psychicznych.
Na przykład niedawno naukowcy z University of Pennsylvania opracowali sieć neuronową, która analizuje posty użytkowników na Facebooku i określa, czy ludzie mają depresję. Rozpoznanie tej choroby nie zawsze jest jednoznaczne, dlatego trafność algorytmu podczas badania w 70% przypadków była porównywalna z wynikami badań przesiewowych.
Takie przykłady dowodzą, że możliwości wykorzystania sztucznej inteligencji w medycynie są nieograniczone i mogą pomóc lekarzom w rozwiązaniu wielu problemów społecznych.