Nach Angaben der WHO gibt es weltweit rund 1,1 Milliarden Raucher. Russland steht an fünfter Stelle der Raucherzahlen - über 45 Millionen Menschen. Um die traurigen Statistiken zu bekämpfen, haben Wissenschaftler einen Weg vorgeschlagen, das Rauchen auf der Grundlage künstlicher Intelligenz zu bekämpfen.
Jedes Jahr sterben etwa 400.000 Russen an durch Rauchen verursachten Krankheiten. Während der Staat Maßnahmen zur Begrenzung des Tabakkonsums auf gesetzlicher Ebene ergreift, entwickeln Forscher wirksame Methoden, die auf Technologien der künstlichen Intelligenz (KI) basieren. Andrey Polyakov, Forscher am Philips Research Lab Rus, sprach darüber, wie neuronale Netze und maschinelles Lernen im Kampf gegen das Rauchen helfen können.
Was kann allgemein über die Studie gesagt werden: Wie ist die Idee entstanden, warum sollte künstliche Intelligenz Menschen helfen, mit dem Rauchen aufzuhören?
- Eine der effektivsten Strategien zur Raucherentwöhnung ist die medizinische Beratung. Während der Konsultationen unterstützt der Spezialist die Person, die mit dem Rauchen aufhört, psychologisch, damit sie nicht zusammenbricht. Persönliche Konsultationen sind für das Gesundheitssystem jedoch ein ziemlich teures Vergnügen, und Patienten haben aufgrund der Abgelegenheit spezialisierter Kliniken nicht immer die Möglichkeit, häufig einen Arzt aufzusuchen.
Mitarbeiter des russischen und niederländischen Labors Philips Research haben darüber nachgedacht, diese Probleme zu lösen. Wissenschaftler haben sich zum Ziel gesetzt, Beratungsgespräche auf ein breites Publikum von Rauchern mit Smartphones mit Internetzugang auszudehnen. Die Ergebnisse der Studie wurden im Sommer 2018 in Stockholm auf der IJCAI-2018-Konferenz vorgestellt. Die Idee ist, eine therapeutische Intervention zu automatisieren und einer Person Fernunterstützung zu bieten, um mit dem Rauchen aufzuhören, indem sie die Fähigkeiten der künstlichen Intelligenz nutzt.
Es handelt sich um einen Gesprächspartner auf einem Smartphone, der eine der patientenunterstützenden Strategien auswählen und anwenden kann. Er kann die emotionale Färbung der Sprache oder der Textnachrichten des Patienten erkennen, angemessen darauf reagieren und der Person helfen, die schlechte Angewohnheit loszuwerden.
Welche Prinzipien der KI bilden die Grundlage der Methode?
- Diese Prinzipien basieren auf der Modellierung der Methode zur Raucherentwöhnung unter Verwendung von kognitiver Verhaltenstherapie und Motivationsinterviews, die normalerweise von einem Arzt an der Rezeption durchgeführt werden. Natürlich kann eine Person in einem Live-Gespräch die Stimmung und den Zustand des Gesprächspartners dank verschiedener verbaler und nonverbaler Signale verstehen: Dazu gehören Sprache, Stimme, Mimik, Gesten.
Werbevideo:
In unserer Forschung haben wir uns für die Sprache interessiert, in der wir in Instant Messenger und sozialen Netzwerken kommunizieren. Damit künstliche Intelligenz einen Psychotherapeuten ersetzen kann, muss sie in der Lage sein, die gesprochene und geschriebene Sprache einer Person sowie ihre emotionale Färbung zu erkennen, ein Gespräch zu führen und auf Veränderungen im Zustand des Patienten zu reagieren.
Wie lernt künstliche Intelligenz, Sprache zu analysieren?
- Deep-Learning-Methoden, insbesondere wiederkehrende neuronale Netze, haben in Verbindung mit der Verfügbarkeit von Computerwerkzeugen und gesammelten Daten in vielen Bereichen der künstlichen Intelligenz, einschließlich der Spracherkennung und -verarbeitung, einen Durchbruch erzielt. Mithilfe dieser Technologien konnten mehrere High-Tech-Unternehmen Sprachassistenten erstellen, mit denen Sie kommunizieren und Aufgaben festlegen können: Siri von Apple, Google Assistant von Google, Alice von Yandex.
Wiederkehrende neuronale Netze sind zwar ein beliebtes Texterkennungswerkzeug, erfordern jedoch eine große Menge beschrifteter Daten, die schwer zu erfassen sind. Darüber hinaus ist der Kommunikationsprozess ein Beispiel für KI-Lernen in einer instationären Umgebung, da sich unsere Sprache sowohl im Laufe der Zeit als auch unter dem Einfluss nationaler Merkmale verschiedener Kulturen stark ändert.
Diese Faktoren erfordern eine lokale Konfiguration und Wartung des Klassifikators (in unserem Fall eines wiederkehrenden neuronalen Netzwerks mit tiefem Lernen) bereits auf der Ebene eines einzelnen Benutzers. Einer der populären Ansätze zur kontinuierlichen Verbesserung eines Klassifikators ist aktives Lernen. Die Hauptidee dieser Methoden besteht darin, nur einen Teil der empfangenen Daten zu markieren, der für die weitere Anwendung von Interesse ist.
In der Regel eignen sich die heutigen aktiven KI-Lernmethoden gut für traditionelle Aufgaben. Auf diese Weise können sie zu technologischer Instabilität führen, wie sie in Deep-Learning-Architekturen für neuronale Netze häufig vorkommt.
Unsere Methode ist ein neuer Algorithmus zum aktiven Lernen neuronaler Netze, der auf folgenden Prinzipien basiert: halbüberwachtes Lernen, wiederkehrende neuronale Netze sowie tiefes Lernen und Verarbeitung natürlicher Sprache.
Der Arbeitsmechanismus ist wie folgt: Der Algorithmus erhält eine Textnachricht, wie dies bei der Kommunikation in Instant Messenger der Fall ist. Die Aufgabe des Algorithmus ist es, seine emotionale Färbung in Bezug auf das Thema Rauchen zu erkennen. Es kann positiv ("Ich persönlich höre auf, ich rauche nicht, ich bin fröhlich und voller Energie"), negativ ("Ich rauche wieder") oder neutral ("Moskau ist die Hauptstadt Russlands") sein.
Twitter-Beiträge, die von neuronalen Netzen während der Recherche / des Philips Research Press Service verarbeitet werden.
Abhängig von der emotionalen Färbung wendet der Algorithmus geeignete Verhaltensstrategien an: Ändern Sie das Gesprächsthema bei einer positiven Färbung, unterstützen Sie die Konversation mit einer negativen Färbung und reagieren Sie bei einer neutralen Nachricht neutral.
Wie wurde die Wirksamkeit dieser Methode untersucht, was waren ihre Ergebnisse?
- Ziel unserer Studie war es, eine neue Methode zur Suche und Auswahl von Daten von besonderem Interesse zu entwickeln. Betrachten Sie das folgende Beispiel, um zu zeigen, an welchen Daten wir interessiert sind. Stellen Sie sich eine Jury vor, die einen Fall vor Gericht verhandelt und mit der Mehrheit entscheidet, ob eine Person schuldig ist oder nicht. In diesem Fall kann sich die Jury jederzeit an den Zauberer Merlin wenden, der mit Sicherheit weiß, ob der Angeklagte schuldig ist. Aber er verlangt die Bezahlung seiner Dienste.
Die Jury will ihre Arbeit gewissenhaft erledigen, hat aber gleichzeitig ein begrenztes Budget und kann Merlin nicht in jedem Fall kontaktieren. Ein Fall gilt als uninteressant, wenn die Jury fast einstimmig für Schuld oder Unschuld stimmt. Dies ist ein einfacher Fall. Wenn jedoch die Stimmen der Jury geteilt sind, ist dies von Interesse.
In diesem Fall wendet sich die Jury an den Zauberer, erhält eine Antwort und trifft bei der Betrachtung der nächsten ähnlichen Fälle koordiniertere Entscheidungen, was in Zukunft ähnliche Fälle einfach macht. In der Terminologie des Algorithmus bedeutet eine Jury einen Klassifikator (neuronales Netzwerk), eine Jury ein Komitee von Klassifikatoren, ein Gerichtsverfahren eine Tweet-Nachricht und Merlin einen Experten, der Nachrichten markiert.
Auf der Grundlage der gesammelten Erfahrung entscheiden mehrere neuronale Netze, welche emotionale Färbung ein bestimmter Tweet trägt. Wenn sie beispielsweise einem Tweet fast einstimmig eine positive emotionale Konnotation geben, wird er als positiv eingestuft. Wenn die neuronalen Netze "in den Messwerten verwirrt werden", wird der Tweet als interessant markiert.
Ferner werden alle interessanten Fälle gesammelt, die nach dem Grad des Vertrauens in die Vorhersagen der Klassifizierer eingestuft werden. Danach werden diese Fälle zur Bewertung an den Experten gesendet. Darüber hinaus führt der Spezialist basierend auf den analysierten Fällen zusätzliche Schulungen für neuronale Netze durch.
Was hast du am Ende geschafft?
- Als Ergebnis der Forschung wurde ein neuer aktiver Lernalgorithmus für Query by Embedded Commettee (QBEC) erstellt, der sich in Genauigkeit und Geschwindigkeit von den vorhandenen unterscheidet. Während des Experiments haben wir einen neuen Algorithmus angewendet, um kurze Textnachrichten von Twitter mithilfe wiederkehrender neuronaler Netze zu klassifizieren.
Zunächst wurde eine Trainingsdatenbank für KI gesammelt und manuell von mehr als 2.300 englischsprachigen Twitter-Posts markiert, die von Oktober 2017 bis Januar 2018 veröffentlicht wurden. Die Oktoberbotschaften waren mit der Kampagne zur Raucherentwöhnung in Europa verbunden. Im Rahmen dieser Kampagne hören die Menschen einen Monat lang mit dem Rauchen auf und veröffentlichen Tweets, in denen sie ihre Eindrücke über das Aufhören von Zigaretten teilen.
Die Dezember-Nachrichten wurden von Leuten geschrieben, die bis Neujahr mit dem Rauchen aufhören wollten. Zusätzlich wurde eine Testbasis gesammelt und manuell markiert. Das angewandte Textklassifizierungssystem basierte auf modernen Architekturen wiederkehrender neuronaler Netze mit tiefem Lernen. Sie wurde auf der Tweet-Trainingsbasis trainiert.
Die Genauigkeit des mit seiner Hilfe erlernten Klassifikators war sehr gering und lag kaum über 50%. Als nächstes führten wir ein weiteres Experiment durch, bei dem wir den aktiven Lernmechanismus konsequent anwendeten: Jeden Tag erhielt der Klassifikator einen neuen Teil der gezielten Nachrichten (ca. 3000 täglich) und gab 30 der interessantesten Fälle zum Markieren an.
Diese Nachrichten wurden manuell markiert und der Trainingsdatenbank hinzugefügt, die zum Erstellen des nächsten Klassifikatormodells verwendet wurde. Die Studie zeigte, dass diese Methode zum Unterrichten künstlicher Intelligenz eine qualitative Verbesserung des Algorithmus ermöglichte. Computerexperimente und theoretische Berechnungen zeigen eine viel höhere Geschwindigkeit des QBEC-Algorithmus.
Dieser Umstand ermöglicht es, den QBEC-Algorithmus für aktives Lernen auch auf einem Benutzergerät wie einem Smartphone auszuführen. Dies bedeutet, dass wir die Möglichkeit haben, einen effektiven Sprachassistenten zu schaffen, der die Funktion eines Arztes übernehmen und Menschen helfen kann, die versuchen, mit dem Rauchen aufzuhören.
Welche Vorhersagen können auf der Grundlage dieser Ergebnisse getroffen werden, wie effektiv wird KI Menschen helfen, in Zukunft mit dem Rauchen aufzuhören?
- Die Forschungsergebnisse zeigen, dass künstliche Intelligenz die Emotionen des Patienten anhand des Nachrichtentextes erkennen kann, während aktive Lernalgorithmen die Genauigkeit der Datenklassifizierung kontinuierlich verbessern können. Unsere heutige Herausforderung besteht darin, sicherzustellen, dass in Zukunft der Prozentsatz der Menschen, die mit Hilfe der KI-Technologie mit dem Rauchen aufhören, nicht niedriger sein wird als der Prozentsatz der Menschen, die durch persönliche Konsultationen mit dem Rauchen aufhören.
Die Einführung von KI in die Medizin kann die finanzielle Belastung des Gesundheitssystems verringern und viel mehr Patienten erreichen, die mit dem Rauchen aufhören und einen gesunden Lebensstil führen möchten.
Es ist davon auszugehen, dass dieser Ansatz in Zukunft unter anderem angewendet wird, um Patienten mit Alkohol- oder Drogenabhängigkeit zu helfen. Außerdem können Ärzte häufiger auf die Fähigkeiten der KI zurückgreifen, um psychische Störungen zu identifizieren.
So haben Wissenschaftler der University of Pennsylvania kürzlich ein neuronales Netzwerk entwickelt, das Benutzerbeiträge auf Facebook analysiert und feststellt, ob Menschen depressiv sind. Die Diagnose dieser Krankheit ist nicht immer eindeutig, daher war die Genauigkeit des Algorithmus während der Studie in 70% der Fälle mit den Ergebnissen medizinischer Untersuchungen vergleichbar.
Solche Beispiele beweisen, dass die Möglichkeiten des Einsatzes künstlicher Intelligenz in der Medizin endlos sind und Ärzten helfen können, viele soziale Probleme zu lösen.
