Secondo l'OMS, ci sono circa 1,1 miliardi di fumatori nel mondo. La Russia è al quinto posto per numero di fumatori - oltre 45 milioni di persone. Per combattere le tristi statistiche, gli scienziati hanno proposto un modo per combattere il fumo basato sull'intelligenza artificiale.
Circa 400.000 russi muoiono ogni anno per malattie legate al fumo. E mentre lo stato sta adottando misure per limitare il consumo di tabacco a livello legislativo, i ricercatori stanno sviluppando metodi efficaci basati sulle tecnologie di intelligenza artificiale (AI). Andrey Polyakov, ricercatore del Philips Research Lab Rus, ha parlato di come le reti neurali e l'apprendimento automatico possono aiutare nella lotta contro il fumo.
Cosa si può dire in generale dello studio: come è nata l'idea, perché l'intelligenza artificiale dovrebbe aiutare le persone a smettere di fumare?
- Una delle strategie per smettere di fumare più efficaci è la consulenza medica. Durante le visite, lo specialista fornisce supporto psicologico alla persona che smette di fumare, per non farla crollare. Ma le consultazioni faccia a faccia sono un piacere piuttosto costoso per il sistema sanitario e i pazienti non sempre hanno l'opportunità di visitare un medico spesso a causa della lontananza delle cliniche specializzate.
I dipendenti dei laboratori russo e olandese Philips Research hanno pensato di risolvere questi problemi. Gli scienziati si sono posti l'obiettivo di estendere le sessioni di consultazione a un vasto pubblico di fumatori che dispongono di smartphone con accesso a Internet. I risultati dello studio sono stati presentati nell'estate del 2018 a Stoccolma alla conferenza IJCAI-2018. L'idea è di automatizzare un intervento terapeutico e fornire assistenza remota a una persona per smettere di fumare sfruttando le capacità dell'intelligenza artificiale.
Si tratta di un agente conversazionale su smartphone in grado di selezionare e applicare una delle strategie a supporto del paziente. Può riconoscere il colore emotivo del discorso o dei messaggi di testo del paziente, rispondere in modo appropriato e aiutare la persona a liberarsi della cattiva abitudine.
Quali principi di AI sono alla base del metodo?
- Questi principi si basano sul modello della metodologia per smettere di fumare utilizzando la terapia cognitivo-comportamentale e il colloquio motivazionale, che di solito sono condotti da un medico alla reception. Naturalmente, in una conversazione dal vivo, una persona può comprendere l'umore e lo stato dell'interlocutore grazie a vari segnali verbali e non verbali: questi includono discorso, voce, espressioni facciali, gesti.
Video promozionale:
Nella nostra ricerca, ci siamo interessati alla lingua in cui comunichiamo negli instant messenger e nei social network. Affinché l'intelligenza artificiale possa sostituire uno psicoterapeuta, deve essere in grado di riconoscere il discorso parlato e scritto di una persona, la sua colorazione emotiva, nonché mantenere una conversazione e reagire ai cambiamenti nelle condizioni del paziente.
In che modo l'intelligenza artificiale impara ad analizzare la parola?
- I metodi di apprendimento profondo, in particolare le reti neurali ricorrenti, combinati con la disponibilità di strumenti informatici e dati accumulati, hanno fatto un passo avanti in molti settori dell'intelligenza artificiale, compresi il riconoscimento e l'elaborazione del parlato. Con l'aiuto di queste tecnologie, diverse aziende high-tech sono state in grado di creare assistenti vocali con i quali è possibile comunicare e impostare attività: Siri di Apple, Google Assistant di Google, Alice di Yandex.
Sebbene le reti neurali ricorrenti siano un popolare strumento di riconoscimento del testo, richiedono una grande quantità di dati etichettati che è difficile da raccogliere. Inoltre, il processo di comunicazione è un esempio di apprendimento dell'IA in un ambiente non stazionario, poiché il nostro linguaggio cambia notevolmente sia nel tempo che sotto l'influenza delle caratteristiche nazionali delle diverse culture.
Questi fattori richiedono la configurazione locale e la manutenzione del classificatore (nel nostro caso, una rete neurale ricorrente di deep learning) già a livello di singolo utente. Uno degli approcci popolari al miglioramento continuo di un classificatore è l'apprendimento attivo. L'idea principale di questi metodi è contrassegnare solo una parte dei dati ricevuti che è di interesse per ulteriori applicazioni.
In genere, i metodi di apprendimento dell'IA attivi di oggi funzionano bene per le attività tradizionali. In tal modo, possono portare a instabilità tecnologica, che è comune nelle architetture di reti neurali di apprendimento profondo.
Il nostro metodo è un nuovo algoritmo per l'apprendimento attivo delle reti neurali, che si basa sui seguenti principi: apprendimento semi-supervisionato, reti neurali ricorrenti e apprendimento profondo e elaborazione del linguaggio naturale.
Il meccanismo di funzionamento è il seguente: all'algoritmo viene fornito un messaggio di testo, come accade quando si comunica negli instant messenger. Il compito dell'algoritmo è riconoscere la sua colorazione emotiva in relazione al tema del fumo. Può essere positivo ("Io personalmente smetto, non fumo, sono allegro e pieno di energia"), negativo ("Fumo di nuovo") o neutro ("Mosca è la capitale della Russia").
Post su Twitter elaborati da reti neurali durante la ricerca / Philips Research Press Service.
A seconda della colorazione emotiva, l'algoritmo applica strategie comportamentali appropriate: cambiare l'argomento della conversazione nel caso di una colorazione positiva, supportare la conversazione con una colorazione negativa e reagire in modo neutro nel caso di un messaggio neutro.
Come è stato condotto lo studio dell'efficacia di questo metodo, quali sono stati i suoi risultati?
- Lo scopo del nostro studio era sviluppare un nuovo metodo per la ricerca e la selezione di dati di particolare interesse. Per mostrare a che tipo di dati siamo interessati, considera il seguente esempio. Immagina una giuria che prenda un caso in tribunale e decida a maggioranza se una persona è colpevole o meno. In questo caso la giuria può sempre rivolgersi al mago Merlino, che sa per certo se l'imputato è colpevole. Ma chiede il pagamento per i suoi servizi.
La giuria vuole fare il proprio lavoro in modo coscienzioso, ma allo stesso tempo ha un budget limitato e non può contattare Merlin per ogni caso. Un caso è considerato poco interessante se la giuria vota quasi all'unanimità per colpevolezza o innocenza, questo è un caso semplice. Ma se i voti della giuria sono divisi, allora questo è interessante.
In questo caso, la giuria si rivolge al mago, riceve una risposta e, in considerazione dei prossimi casi simili, prenderà decisioni più coordinate, il che in futuro semplifica casi simili. Passando alla terminologia dell'algoritmo, una giuria significa un classificatore (rete neurale), una giuria significa un comitato di classificatori, un caso giudiziario significa un messaggio di tweet e Merlin significa un esperto che contrassegna i messaggi.
Pertanto, diverse reti neurali, in base all'esperienza accumulata, decidono quale colorazione emotiva trasporta un particolare tweet. Ad esempio, se danno quasi all'unanimità a un tweet una connotazione emotiva positiva, allora è classificato come positivo. Se le reti neurali "si confondono nelle letture", il tweet viene contrassegnato come interessante.
Inoltre, vengono raccolti tutti i casi interessanti, che vengono classificati in base al grado di fiducia nelle previsioni dei classificatori, dopodiché questi casi vengono inviati all'esperto per la valutazione. Inoltre, lo specialista conduce una formazione aggiuntiva delle reti neurali sulla base dei casi analizzati.
Cosa sei riuscito a creare alla fine?
- Come risultato della ricerca, è stato creato un nuovo algoritmo di apprendimento attivo Query by Embedded Commettee (QBEC), che differisce da quelli esistenti in termini di accuratezza e velocità. Durante l'esperimento, abbiamo applicato un nuovo algoritmo per classificare brevi messaggi di testo da Twitter utilizzando reti neurali ricorrenti.
Innanzitutto, un database di formazione per l'IA è stato raccolto e taggato manualmente da oltre 2.300 post su Twitter in lingua inglese pubblicati da ottobre 2017 a gennaio 2018. I messaggi di ottobre erano collegati alla campagna europea per smettere di fumare Stoptober. Come parte di questa campagna, le persone smettono di fumare e pubblicano tweet per un mese in cui condividono le loro impressioni sullo smettere di fumare.
I messaggi di dicembre sono stati scritti da persone che avrebbero smesso di fumare entro Capodanno. Inoltre, è stata raccolta una base di test e contrassegnata manualmente. Il sistema di classificazione del testo applicato era basato su moderne architetture di reti neurali ricorrenti di deep learning. È stata addestrata sulla base di formazione tweet.
La precisione del classificatore che è stata appresa con il suo aiuto era molto bassa e superava a malapena il 50%. Successivamente, abbiamo condotto un altro esperimento in cui abbiamo applicato costantemente il meccanismo di apprendimento attivo: ogni giorno il classificatore riceveva una nuova porzione di messaggi mirati (circa 3000 al giorno) e dava 30 dei casi più interessanti per la marcatura.
Questi messaggi sono stati contrassegnati manualmente e aggiunti al database di formazione, che è stato utilizzato per creare il modello di classificazione successivo. Lo studio ha dimostrato che questo metodo di insegnamento dell'intelligenza artificiale ha consentito un miglioramento qualitativo dell'algoritmo. Esperimenti computazionali e calcoli teorici dimostrano una velocità molto più elevata dell'algoritmo QBEC.
Questa circostanza rende possibile eseguire l'algoritmo di apprendimento attivo QBEC anche su un dispositivo dell'utente, come uno smartphone. Ciò significa che abbiamo la possibilità di creare un assistente vocale efficace che possa assumere la funzione di medico e aiutare le persone che stanno cercando di smettere di fumare.
Quali previsioni possono essere fatte sulla base di questi risultati, quanto sarà efficace l'IA nell'aiutare le persone a smettere di fumare in futuro?
- I risultati della ricerca mostrano che l'intelligenza artificiale è in grado di riconoscere le emozioni del paziente dal testo del messaggio, mentre gli algoritmi di apprendimento attivo possono migliorare continuamente l'accuratezza della classificazione dei dati. La nostra sfida oggi è garantire che in futuro la percentuale di persone che smettono di fumare con l'aiuto della tecnologia AI non sarà inferiore alla percentuale di persone che smettono di fumare attraverso consultazioni faccia a faccia.
L'introduzione dell'IA in medicina può ridurre l'onere finanziario per il sistema sanitario e raggiungere molti più pazienti che vogliono smettere di fumare e condurre uno stile di vita sano.
Si può presumere che in futuro questo approccio verrà applicato, tra le altre cose, per aiutare i pazienti con dipendenza da alcol o droghe. Inoltre, i medici saranno in grado di ricorrere più spesso alle capacità dell'IA per identificare i disturbi mentali.
Ad esempio, di recente, scienziati dell'Università della Pennsylvania hanno sviluppato una rete neurale che analizza i post degli utenti su Facebook e determina se le persone sono depresse. La diagnosi di questa malattia non è sempre univoca, pertanto l'accuratezza dell'algoritmo durante lo studio nel 70% dei casi è stata paragonabile ai risultati degli screening medici.
Tali esempi dimostrano che le possibilità di utilizzare l'intelligenza artificiale in medicina sono infinite e possono aiutare i medici a risolvere molti problemi sociali.
