Според СЗО в света има приблизително 1,1 милиарда пушачи. Русия е на пето място по брой пушачи - над 45 милиона души. За да се борят с тъжната статистика, учените предложиха начин за борба с тютюнопушенето въз основа на изкуствения интелект.
Около 400 000 руснаци умират всяка година от заболявания, свързани с тютюнопушенето. И докато държавата предприема мерки за ограничаване на потреблението на тютюн на законодателно ниво, изследователите разработват ефективни методи, базирани на технологии за изкуствен интелект (ИИ). Андрей Поляков, изследовател от Philips Research Lab Rus, говори за това как невронните мрежи и машинното обучение могат да помогнат в борбата срещу тютюнопушенето.
Какво може да се каже по принцип за изследването: как възникна идеята, защо изкуственият интелект трябва да помогне на хората да се откажат от тютюнопушенето?
- Една от най-ефективните стратегии за отказване от тютюнопушенето е медицински съвет. По време на консултациите специалистът предоставя психологическа подкрепа на човека, който се отказва от тютюнопушенето, за да не го остави да се разпадне. Но консултациите лице в лице са доста скъпо удоволствие за здравната система и пациентите не винаги имат възможност да посещават лекар често поради отдалечеността на специализираните клиники.
Служители на руската и холандската лаборатория Philips Research мислеха за решаването на тези проблеми. Учените са си поставили за цел да мащабират консултативните сесии пред широка аудитория от пушачи, които имат смартфони с достъп до интернет. Резултатите от проучването бяха представени през лятото на 2018 г. в Стокхолм на конференцията IJCAI-2018. Идеята е да се автоматизира терапевтична интервенция и да се осигури дистанционна помощ на човек да се откаже от тютюнопушенето, използвайки възможностите на изкуствения интелект.
Говорим за разговорен агент на смартфон, който е в състояние да подбере и приложи една от поддържащите пациента стратегии. Той може да разпознае емоционалното оцветяване на речта или текстовите съобщения на пациента, да реагира по подходящ начин и да помогне на човека да се отърве от лошия навик.
Какви принципи на AI са в основата на метода?
- Тези принципи се основават на моделирането на методологията за отказване от тютюнопушенето с помощта на когнитивно-поведенческа терапия и мотивационно интервю, които обикновено се провеждат от лекар на рецепцията. Естествено, в разговор на живо човек може да разбере настроението и състоянието на събеседника благодарение на различни вербални и невербални сигнали: те включват реч, глас, изражение на лицето, жестове.
Промоционално видео:
В нашето изследване се интересувахме от езика, на който комуникираме в месинджъри и социални мрежи. За да може изкуственият интелект да замени психотерапевт, той трябва да може да разпознава говорената и писмена реч на човека, емоционалното му оцветяване, както и да поддържа разговор и да реагира на промените в състоянието на пациента.
Как изкуственият интелект се научава да анализира речта?
- Дълбоките методи на обучение, по-специално повтарящите се невронни мрежи, съчетани с наличието на изчислителни инструменти и натрупани данни, направиха пробив в много области на изкуствения интелект, включително в областта на разпознаването и обработката на речта. С помощта на тези технологии няколко високотехнологични компании успяха да създадат гласови асистенти, с които можете да общувате и да им задавате задачи: Siri от Apple, Google Assistant от Google, Alice от Yandex.
Въпреки че повтарящите се невронни мрежи са популярен инструмент за разпознаване на текст, те изискват голямо количество етикетирани данни, които са трудни за събиране. В допълнение, комуникационният процес е пример за учене с ИИ в нестационарна среда, тъй като речта ни се променя значително както във времето, така и под влиянието на националните характеристики на различните култури.
Тези фактори изискват локална конфигурация и поддръжка на класификатора (в нашия случай - дълбока учебна повтаряща се невронна мрежа), вече на ниво отделен потребител. Един от популярните подходи за непрекъснато усъвършенстване на класификатор е активното обучение. Основната идея на тези методи е да се маркират само част от получените данни, които са от интерес за по-нататъшно приложение.
Обикновено днешните активни методи на обучение за ИИ работят добре за традиционните задачи. По този начин те могат да доведат до нестабилност на технологиите, което е често срещано в архитектурите на невронните мрежи за дълбоко обучение.
Нашият метод е нов алгоритъм за активно учене на невронни мрежи, който се основава на следните принципи: полу-контролирано обучение, повтарящи се невронни мрежи и дълбоко обучение и естествена обработка на езика.
Механизмът на работа е следният: на алгоритъма се дава текстово съобщение, както се случва при общуване в месинджъри. Задачата на алгоритъма е да разпознае емоционалното му оцветяване във връзка с темата за тютюнопушенето. Тя може да бъде положителна („Аз лично се отказвам, не пуша, аз съм весела и пълна с енергия“), отрицателна („Пуша отново“) или неутрална („Москва е столицата на Русия“).
Публикации в Twitter, обработени от невронни мрежи по време на научни изследвания / Philips Research Press Service.
В зависимост от емоционалното оцветяване алгоритъмът прилага подходящи поведенчески стратегии: променете темата на разговора в случай на положително оцветяване, подкрепете разговора с отрицателно оцветяване и реагирайте неутрално в случай на неутрално съобщение.
Как се проведе изследването на ефективността на този метод, какви бяха резултатите от него?
- Целта на нашето проучване беше да разработим нов метод за търсене и подбор на данни от особен интерес. За да покажем от какъв тип данни се интересуваме, разгледайте следния пример. Представете си съдебно заседание, което води дело в съда и решава с мнозинство дали човек е виновен или не. В този случай съдебните заседатели винаги могат да се обърнат към магьосника Мерлин, който със сигурност знае дали подсъдимият е виновен. Той обаче изисква плащане за услугите си.
Журито иска да си върши работата съвестно, но в същото време има ограничен бюджет и не може да се свърже с Мерлин за всеки случай. Случаят се счита за безинтересен, ако журито гласува почти единодушно за вина или невинност, това е прост случай. Но ако гласовете на журито са разделени, тогава това представлява интерес.
В този случай журито се обръща към магьосника, получава отговор и, когато обмисля следващите подобни случаи, ще вземе по-последователни решения, което в бъдеще опростява подобни случаи. Придвижвайки се към терминологията на алгоритъма, съдебните заседатели означават класификатор (невронна мрежа), съдебните заседатели означават комисия от класификатори, съдебно дело означава съобщение в туитър, а Мерлин означава експерт, маркиращ съобщения.
Така няколко невронни мрежи въз основа на натрупания опит решават какво емоционално оцветяване носи определен туит. Например, ако почти единодушно дават на туит положителна емоционална конотация, тогава той се класифицира като положителен. Ако невронните мрежи "се объркат в показанията", тогава туитът е маркиран като интересен.
Освен това се събират всички интересни случаи, които се класират според степента на доверие в прогнозите на класификаторите, след което тези случаи се изпращат на експерта за маркиране. Освен това специалистът провежда допълнително обучение на невронни мрежи въз основа на анализираните случаи.
Какво успяхте да създадете в крайна сметка?
- В резултат на изследванията беше създаден нов алгоритъм за активно запитване от Embedded Commettee (QBEC), който се различава от съществуващите по точност и бързина. По време на експеримента приложихме нов алгоритъм за класифициране на кратки текстови съобщения от Twitter с помощта на повтарящи се невронни мрежи.
Първо беше събрана и ръчно маркирана обучителна база данни за AI от над 2300 публикации на английски език в Twitter, публикувани от октомври 2017 г. до януари 2018 г. Октомврийските съобщения бяха свързани с европейската кампания за спиране на тютюнопушенето Stoptober. Като част от тази кампания хората се отказват от тютюнопушенето и публикуват туитове за месец, в който споделят впечатленията си от отказването на цигарите.
Декемврийските съобщения бяха написани от хора, които щяха да се откажат от пушенето до Нова година. Освен това бе събрана и ръчно маркирана тестова база. Прилаганата система за класифициране на текстове се основава на съвременни архитектури на дълбоко изучаващи се повтарящи се невронни мрежи. Обучаваше се в тренировъчната база.
Точността на класификатора, който беше научен с негова помощ, беше много ниска и едва надхвърли 50%. След това проведохме друг експеримент, в който последователно прилагахме механизма за активно обучение: всеки ден класификаторът получава нова порция насочени съобщения (около 3000 дневно) и дава 30 от най-интересните случаи за маркиране.
Тези съобщения бяха маркирани ръчно и добавени към учебната база данни, която беше използвана за изграждане на следващия модел на класификатор. Проучването показа, че този метод на преподаване на изкуствен интелект позволява качествено подобряване на алгоритъма. Изчислителните експерименти и теоретичните изчисления демонстрират много по-висока скорост на QBEC алгоритъма.
Това обстоятелство позволява да се стартира алгоритъмът за активно обучение QBEC дори на потребителско устройство, като смартфон. Това означава, че имаме шанс да създадем ефективен гласов асистент, който може да поеме функцията на лекар и да помогне на хората, които се опитват да се откажат от тютюнопушенето.
Какви прогнози могат да бъдат направени въз основа на тези резултати, колко ефективен ще бъде ИИ при подпомагане на хората да се откажат от тютюнопушенето в бъдеще?
- Резултатите от изследванията показват, че изкуственият интелект е в състояние да разпознае емоциите на пациента от текста на съобщението, докато алгоритмите за активно обучение могат непрекъснато да подобряват точността на класификацията на данните. Нашето предизвикателство днес е да гарантираме, че в бъдеще процентът на хората, които се отказват от тютюнопушенето с помощта на AI технология, няма да бъде по-нисък от процента на хората, които отказват тютюнопушенето чрез консултации лице в лице.
Въвеждането на AI в медицината може да намали финансовата тежест за здравната система и да достигне до много повече пациенти, които искат да се откажат от цигарите и да водят здравословен начин на живот.
Може да се предположи, че в бъдеще този подход ще се прилага, наред с други неща, за подпомагане на пациенти с алкохолна или наркотична зависимост. Също така лекарите ще могат по-често да се обръщат към възможностите на AI при идентифициране на психични разстройства.
Например, наскоро учени от университета в Пенсилвания разработиха невронна мрежа, която анализира публикациите на потребители във Facebook и определя дали хората са депресирани. Диагнозата на това заболяване не винаги е недвусмислена, следователно точността на алгоритъма по време на изследването в 70% от случаите е сравнима с резултатите от медицинските скрининги.
Подобни примери доказват, че възможностите за използване на изкуствен интелект в медицината са безкрайни и могат да помогнат на лекарите да решат много социални проблеми.