Menurut WHO, terdapat kira-kira 1.1 bilion perokok di dunia. Rusia berada di kedudukan kelima dalam jumlah perokok - lebih daripada 45 juta orang. Untuk memerangi statistik yang menyedihkan, para saintis telah mencadangkan cara untuk memerangi merokok berdasarkan kecerdasan buatan.
Kira-kira 400,000 orang Rusia mati setiap tahun kerana penyakit yang berkaitan dengan merokok. Dan sementara negara mengambil langkah untuk membatasi penggunaan tembakau di tingkat perundangan, para penyelidik sedang mengembangkan kaedah yang efektif berdasarkan teknologi kecerdasan buatan (AI). Andrey Polyakov, seorang penyelidik di Philips Research Lab Rus, bercakap mengenai bagaimana rangkaian saraf dan pembelajaran mesin dapat membantu dalam memerangi merokok.
Apa yang dapat dikatakan secara umum tentang kajian ini: bagaimana idea itu berasal, mengapa kecerdasan buatan dapat membantu orang berhenti merokok?
- Salah satu strategi berhenti merokok yang paling berkesan adalah nasihat perubatan. Semasa berunding, pakar memberikan sokongan psikologi kepada orang yang berhenti merokok, dan tidak membiarkannya berhenti. Tetapi konsultasi tatap muka adalah keseronokan yang mahal untuk sistem penjagaan kesihatan, dan pesakit tidak selalu berpeluang mengunjungi doktor kerana jarak jauh dari klinik khusus.
Kakitangan makmal Rusia dan Belanda Philips Research memikirkan penyelesaian masalah ini. Para saintis telah menetapkan tujuan untuk meningkatkan sesi perundingan kepada khalayak perokok yang mempunyai telefon pintar dengan akses internet. Hasil kajian itu dibentangkan pada musim panas 2018 di Stockholm pada persidangan IJCAI-2018. Ideanya adalah untuk mengautomasikan intervensi terapi dan memberi bantuan jarak jauh kepada seseorang untuk berhenti merokok menggunakan kemampuan kecerdasan buatan.
Kami bercakap mengenai ejen perbualan pada telefon pintar yang dapat memilih dan menggunakan salah satu strategi sokongan pesakit. Dia dapat mengenali warna emosi ucapan atau pesanan teks pesakit, memberi respons yang sesuai dan membantu orang itu menyingkirkan tabiat buruk itu.
Prinsip AI apa yang menjadi asas kaedah ini?
- Prinsip-prinsip ini didasarkan pada pemodelan metodologi berhenti merokok menggunakan terapi kognitif-tingkah laku dan wawancara motivasi, yang biasanya dilakukan oleh doktor di resepsi. Secara semula jadi, dalam perbualan langsung, seseorang dapat memahami mood dan keadaan pembicara berkat pelbagai isyarat lisan dan bukan lisan: ini termasuk ucapan, suara, ekspresi wajah, gerak isyarat.
Video promosi:
Dalam penyelidikan kami, kami berminat dengan bahasa di mana kami berkomunikasi dalam pemesejan segera dan rangkaian sosial. Agar kecerdasan buatan dapat menggantikan psikoterapis, ia perlu dapat mengenali ucapan dan tulisan seseorang, warna emosinya, serta menjaga perbualan dan bertindak balas terhadap perubahan keadaan pesakit.
Bagaimana kecerdasan buatan belajar menganalisis pertuturan?
- Metode pembelajaran mendalam, khususnya jaringan saraf berulang, digabungkan dengan ketersediaan alat komputer dan data terkumpul, telah memungkinkan untuk membuat terobosan dalam banyak bidang kecerdasan buatan, termasuk pengenalan dan pemrosesan pertuturan. Dengan bantuan teknologi ini, beberapa syarikat berteknologi tinggi dapat membuat pembantu suara dengan siapa anda dapat berkomunikasi dan menetapkan tugas kepada mereka: Siri dari Apple, Pembantu Google dari Google, Alice dari Yandex.
Walaupun rangkaian saraf berulang adalah alat pengecaman teks yang popular, mereka memerlukan sejumlah besar data berlabel yang sukar dikumpulkan. Di samping itu, proses komunikasi adalah contoh pembelajaran AI di persekitaran yang tidak bergerak, kerana pertuturan kita berubah dengan banyak perubahan dari masa ke masa dan di bawah pengaruh ciri-ciri kebudayaan yang berbeza.
Faktor-faktor ini memerlukan konfigurasi dan penyelenggaraan pengkelas tempatan (dalam kes kita, pembelajaran rangkaian saraf berulang yang mendalam) sudah berada di tahap pengguna individu. Salah satu pendekatan popular untuk peningkatan berterusan pengkelas adalah pembelajaran aktif. Idea utama kaedah ini adalah menandakan hanya sebahagian daripada data yang diterima yang menarik untuk aplikasi selanjutnya.
Biasanya, kaedah pembelajaran AI aktif sekarang berfungsi dengan baik untuk tugas tradisional. Dengan melakukannya, mereka dapat menyebabkan ketidakstabilan teknologi, yang biasa terjadi dalam pembelajaran seni bina rangkaian saraf.
Kaedah kami adalah algoritma baru untuk pembelajaran aktif rangkaian neural, yang berdasarkan prinsip-prinsip berikut: pembelajaran separa penyeliaan, rangkaian saraf berulang, dan pembelajaran mendalam dan pemprosesan bahasa semula jadi.
Mekanisme kerja adalah seperti berikut: algoritma diberikan pesan teks, seperti yang berlaku ketika berkomunikasi dalam utusan segera. Tugas algoritma adalah mengenali warna emosinya yang berkaitan dengan topik merokok. Ini boleh menjadi positif ("Saya secara peribadi berhenti, saya tidak merokok, saya ceria dan penuh tenaga"), negatif ("Saya merokok lagi") atau berkecuali ("Moscow adalah ibu kota Rusia").
Catatan Twitter yang diproses oleh rangkaian saraf semasa penyelidikan / Philips Research Press Service.
Bergantung pada pewarnaan emosi, algoritma menerapkan strategi tingkah laku yang sesuai: ubah topik perbualan sekiranya berlaku pewarnaan positif, menyokong perbualan dengan pewarnaan negatif dan bertindak balas secara neutral sekiranya ada mesej yang neutral.
Bagaimana kajian mengenai keberkesanan kaedah ini dilakukan, apa hasilnya?
- Tujuan kajian kami adalah untuk mengembangkan kaedah baru untuk mencari dan memilih data yang menarik. Untuk menunjukkan jenis data yang kami minati, pertimbangkan contoh berikut. Bayangkan juri mengambil kes di mahkamah dan memutuskan dengan majoriti sama ada seseorang itu bersalah atau tidak. Dalam kes ini, juri selalu berpaling kepada penyihir Merlin, yang tahu pasti adakah terdakwa bersalah. Tetapi dia menuntut pembayaran untuk jasanya.
Juri ingin melakukan tugas mereka dengan berhati-hati, tetapi pada masa yang sama mempunyai anggaran yang terhad dan tidak dapat menghubungi Merlin untuk setiap kes. Kes dianggap tidak menarik jika juri memilih sebulat suara kerana bersalah atau tidak bersalah, ini adalah kes yang mudah. Tetapi jika suara juri dibahagi, maka ini menarik.
Dalam kes ini, juri berpaling kepada penyihir, menerima jawapan dan, ketika mempertimbangkan kes serupa berikutnya, akan membuat keputusan yang lebih terkoordinasi, yang pada masa akan datang menjadikan kes serupa menjadi mudah. Melangkah ke terminologi algoritma, juri bermaksud pengklasifikasi (rangkaian neural), juri bermaksud jawatankuasa pengkelasan, kes pengadilan bermaksud pesan tweet, dan Merlin bermaksud pakar yang menandakan mesej.
Oleh itu, beberapa rangkaian saraf, berdasarkan pengalaman yang terkumpul, menentukan warna emosi yang dikeluarkan oleh tweet tertentu. Sebagai contoh, jika mereka hampir sebulat suara memberikan tweet konotasi emosi positif, maka ia diklasifikasikan sebagai positif. Sekiranya rangkaian saraf "keliru dalam pembacaan", maka tweet tersebut ditandai sebagai menarik.
Selanjutnya, semua kes menarik dikumpulkan, yang diperingkat mengikut tahap keyakinan terhadap ramalan pengklasifikasi, setelah kes ini dihantar kepada pakar untuk ditandai. Selanjutnya, pakar melakukan latihan tambahan rangkaian saraf berdasarkan kes yang dianalisis.
Apa yang berjaya anda buat pada akhirnya?
- Hasil daripada penyelidikan, algoritma pembelajaran aktif Query by Embedded Commettee (QBEC) telah dibuat, yang berbeza dari yang sedia ada dari segi ketepatan dan kepantasan. Semasa percubaan, kami menggunakan algoritma baru untuk mengklasifikasikan pesanan teks pendek dari Twitter menggunakan rangkaian saraf berulang.
Pertama, pangkalan data latihan untuk AI dikumpulkan dan ditandakan secara manual dari lebih daripada 2.300 siaran twitter berbahasa Inggeris yang diterbitkan dari Oktober 2017 hingga Januari 2018. Mesej Oktober dikaitkan dengan kempen berhenti merokok Eropah Stoptober. Sebagai sebahagian daripada kempen ini, orang berhenti merokok dan mengirim tweet selama sebulan di mana mereka berkongsi kesan mereka berhenti merokok.
Mesej bulan Disember ditulis oleh orang-orang yang akan berhenti merokok menjelang Tahun Baru. Selain itu, asas ujian dikumpulkan dan ditandakan secara manual. Sistem klasifikasi teks yang diterapkan didasarkan pada seni bina moden rangkaian saraf berulang pembelajaran mendalam. Dia dilatih di pangkalan latihan tweet.
Ketepatan pengelasan yang dipelajari dengan pertolongannya sangat rendah dan hampir tidak melebihi 50%. Kemudian kami menjalankan eksperimen lain, di mana kami secara konsisten menerapkan mekanisme pembelajaran aktif: setiap hari pengkelas menerima bahagian baru dari mesej yang disasarkan (kira-kira 3000 setiap hari) dan memberikan 30 kes yang paling menarik untuk ditanda.
Pesan-pesan ini diberi tag secara manual dan ditambahkan ke pangkalan data latihan, yang digunakan untuk membangun model pengklasifikasi berikutnya. Kajian menunjukkan bahawa kaedah pengajaran kecerdasan buatan ini memungkinkan peningkatan kualitatif dalam algoritma. Eksperimen komputasi dan pengiraan teori menunjukkan kelajuan algoritma QBEC yang jauh lebih tinggi.
Keadaan ini memungkinkan untuk menjalankan algoritma pembelajaran aktif QBEC walaupun pada peranti pengguna, seperti telefon pintar. Ini bermakna bahawa kita berpeluang untuk membuat pembantu suara yang berkesan yang dapat mengambil alih fungsi doktor dan membantu orang yang berusaha berhenti merokok.
Ramalan apa yang dapat dibuat berdasarkan hasil ini, seberapa berkesan AI dalam membantu orang berhenti merokok di masa depan?
- Hasil penyelidikan menunjukkan bahawa kecerdasan buatan dapat mengenali emosi pesakit dari teks mesej, sementara algoritma pembelajaran aktif dapat terus meningkatkan ketepatan klasifikasi data. Cabaran kami hari ini adalah untuk memastikan bahawa pada masa akan datang, peratusan orang yang berhenti merokok dengan bantuan teknologi AI tidak akan lebih rendah daripada peratusan orang yang berhenti merokok melalui konsultasi tatap muka.
Pengenalan AI dalam perubatan dapat mengurangkan beban kewangan sistem penjagaan kesihatan dan menjangkau lebih banyak pesakit yang ingin berhenti merokok dan menjalani gaya hidup sihat.
Ini dapat diandaikan bahawa di masa depan pendekatan ini akan diterapkan, antara lain, untuk menolong pesakit dengan alkohol atau ketagihan dadah. Juga, doktor akan lebih kerap menggunakan kemampuan AI dalam mengenal pasti gangguan mental.
Sebagai contoh, baru-baru ini, saintis dari University of Pennsylvania mengembangkan rangkaian saraf yang menganalisis catatan pengguna di Facebook dan menentukan sama ada orang mengalami kemurungan. Diagnosis penyakit ini tidak selalu jelas, oleh itu, ketepatan algoritma semasa kajian dalam 70% kes dibandingkan dengan hasil pemeriksaan perubatan.
Contoh seperti itu membuktikan bahawa kemungkinan menggunakan kecerdasan buatan dalam perubatan tidak berkesudahan dan dapat membantu doktor menyelesaikan banyak masalah sosial.
