Menurut WHO, ada sekitar 1,1 miliar perokok di dunia. Rusia menempati urutan kelima dalam jumlah perokok - lebih dari 45 juta orang. Untuk memerangi statistik yang menyedihkan, para ilmuwan telah mengusulkan cara untuk memerangi merokok berdasarkan kecerdasan buatan.
Sekitar 400.000 orang Rusia meninggal setiap tahun akibat penyakit terkait merokok. Dan sementara negara mengambil tindakan untuk membatasi konsumsi tembakau di tingkat legislatif, para peneliti sedang mengembangkan metode yang efektif berdasarkan teknologi kecerdasan buatan (AI). Andrey Polyakov, peneliti di Philips Research Lab Rus, berbicara tentang bagaimana jaringan saraf dan pembelajaran mesin dapat membantu memerangi merokok.
Apa yang dapat dikatakan secara umum tentang penelitian ini: bagaimana ide itu berasal, mengapa kecerdasan buatan membantu orang berhenti merokok?
- Salah satu strategi berhenti merokok yang paling efektif adalah nasihat medis. Selama konsultasi, spesialis memberikan dukungan psikologis kepada orang yang berhenti merokok, tidak membiarkannya patah semangat. Tetapi konsultasi tatap muka adalah kesenangan yang cukup mahal untuk sistem perawatan kesehatan, dan pasien tidak selalu memiliki kesempatan untuk mengunjungi dokter karena keterpencilan klinik khusus.
Karyawan laboratorium Rusia dan Belanda Philips Research berpikir untuk memecahkan masalah ini. Para ilmuwan telah menetapkan sendiri tujuan sesi konsultasi penskalaan untuk khalayak luas perokok yang memiliki ponsel cerdas dengan akses internet. Hasil penelitian dipresentasikan pada musim panas 2018 di Stockholm pada konferensi IJCAI-2018. Idenya adalah untuk mengotomatiskan intervensi terapeutik dan memberikan bantuan jarak jauh kepada seseorang untuk berhenti merokok dengan menggunakan kemampuan kecerdasan buatan.
Kami berbicara tentang agen percakapan di ponsel cerdas yang dapat memilih dan menerapkan salah satu strategi pendukung pasien. Dia dapat mengenali warna emosional pidato pasien atau pesan teks, meresponsnya dengan tepat dan membantu orang tersebut menyingkirkan kebiasaan buruknya.
Prinsip AI apa yang menjadi dasar dari metode ini?
- Prinsip-prinsip ini didasarkan pada pemodelan metodologi berhenti merokok menggunakan terapi perilaku kognitif dan wawancara motivasi, yang biasanya dilakukan oleh dokter di resepsi. Secara alami, dalam percakapan langsung, seseorang dapat memahami suasana hati dan keadaan lawan bicara berkat berbagai sinyal verbal dan non-verbal: ini termasuk ucapan, suara, ekspresi wajah, gerak tubuh.
Video promosi:
Dalam penelitian kami, kami tertarik pada bahasa yang kami gunakan untuk berkomunikasi di instant messenger dan jejaring sosial. Agar dapat menggantikan psikoterapis, kecerdasan buatan harus mampu mengenali ucapan lisan dan tertulis seseorang, warna emosionalnya, serta menjaga percakapan dan merespons perubahan kondisi pasien.
Bagaimana kecerdasan buatan belajar menganalisis ucapan?
- Metode pembelajaran mendalam, khususnya jaringan saraf berulang, dikombinasikan dengan ketersediaan alat komputasi dan data yang terkumpul, telah membuat terobosan di banyak bidang kecerdasan buatan, termasuk pengenalan dan pemrosesan ucapan. Dengan bantuan teknologi ini, beberapa perusahaan teknologi tinggi dapat membuat asisten suara yang dapat digunakan untuk berkomunikasi dan mengatur tugas: Siri dari Apple, Asisten Google dari Google, Alice dari Yandex.
Meskipun jaringan saraf berulang adalah alat pengenalan teks yang populer, mereka membutuhkan sejumlah besar data berlabel yang sulit dikumpulkan. Selain itu, proses komunikasi adalah contoh pembelajaran AI di lingkungan non-stasioner, karena ucapan kita sangat berubah seiring waktu dan di bawah pengaruh karakteristik nasional dari budaya yang berbeda.
Faktor-faktor ini memerlukan konfigurasi lokal dan pemeliharaan pengklasifikasi (dalam kasus kami, jaringan neural berulang pembelajaran dalam) yang sudah berada di level pengguna individu. Salah satu pendekatan populer untuk perbaikan berkelanjutan dari pengklasifikasi adalah pembelajaran aktif. Ide utama dari metode ini adalah untuk menandai hanya sebagian dari data yang diterima yang menarik untuk aplikasi lebih lanjut.
Biasanya, metode pembelajaran AI aktif saat ini berfungsi dengan baik untuk tugas-tugas tradisional. Dengan melakukan hal tersebut, mereka dapat menyebabkan ketidakstabilan teknologi, yang umum terjadi pada arsitektur jaringan saraf pembelajaran yang mendalam.
Metode kami adalah algoritme baru untuk pembelajaran aktif jaringan saraf, yang didasarkan pada prinsip-prinsip berikut: pembelajaran semi-supervisi, jaringan saraf berulang, dan pembelajaran mendalam serta pemrosesan bahasa alami.
Mekanisme kerjanya adalah sebagai berikut: algoritme diberikan pesan teks, seperti yang terjadi saat berkomunikasi di instant messenger. Tugas algoritma ini adalah mengenali warna emosionalnya dalam kaitannya dengan topik merokok. Ini bisa positif ("Saya pribadi berhenti, saya tidak merokok, saya ceria dan penuh energi"), negatif ("Saya merokok lagi") atau netral ("Moskow adalah ibu kota Rusia").
Kiriman Twitter diproses oleh jaringan saraf selama penelitian / Philips Research Press Service.
Bergantung pada pewarnaan emosional, algoritme menerapkan strategi perilaku yang sesuai: ubah topik percakapan jika terjadi pewarnaan positif, dukung percakapan dengan pewarnaan negatif, dan bereaksi netral dalam kasus pesan netral.
Bagaimana kajian keefektifan metode ini dilakukan, apa hasilnya?
- Tujuan studi kami adalah untuk mengembangkan metode baru untuk mencari dan memilih data yang diminati. Untuk menunjukkan jenis data yang kami minati, perhatikan contoh berikut. Bayangkan seorang juri mengambil kasus di pengadilan dan memutuskan secara mayoritas apakah seseorang bersalah atau tidak. Dalam kasus ini, juri selalu bisa beralih ke pesulap Merlin, yang tahu pasti apakah terdakwa bersalah. Tapi dia menuntut bayaran untuk jasanya.
Juri ingin melakukan tugasnya dengan teliti, tetapi pada saat yang sama memiliki anggaran yang terbatas dan tidak dapat menghubungi Merlin untuk setiap kasus. Sebuah kasus dianggap tidak menarik jika juri memberikan suara hampir bulat untuk bersalah atau tidak, ini adalah kasus yang sederhana. Tetapi jika suara juri terbagi, maka ini yang menarik.
Dalam kasus ini, juri beralih ke pesulap, menerima jawaban dan, ketika mempertimbangkan kasus serupa berikutnya, akan membuat keputusan yang lebih terkoordinasi, yang di masa depan membuat kasus serupa menjadi sederhana. Beralih ke terminologi algoritme, juri berarti pengklasifikasi (jaringan saraf), juri berarti komite pengklasifikasi, kasus pengadilan berarti pesan di Twitter, dan Merlin berarti pakar yang menandai pesan.
Jadi, beberapa jaringan saraf, berdasarkan akumulasi pengalaman, memutuskan warna emosional apa yang dibawa oleh tweet tertentu. Misalnya, jika mereka hampir dengan suara bulat memberikan konotasi emosional yang positif pada tweet, maka itu diklasifikasikan sebagai positif. Jika jaringan saraf "bingung dalam pembacaan", maka tweet tersebut ditandai sebagai menarik.
Selanjutnya, semua kasus yang menarik dikumpulkan, yang diberi peringkat sesuai dengan tingkat kepercayaan dalam prediksi pengklasifikasi, setelah itu kasus ini dikirim ke pakar untuk penandaan. Selanjutnya, spesialis melakukan pelatihan tambahan jaringan saraf berdasarkan kasus yang dianalisis.
Apa yang berhasil kamu buat pada akhirnya?
- Sebagai hasil dari penelitian, algoritma pembelajaran aktif Query by Embedded Commettee (QBEC) baru dibuat, yang berbeda dari yang sudah ada dalam hal akurasi dan kecepatan. Selama percobaan, kami menerapkan algoritme baru untuk mengklasifikasikan pesan teks singkat dari Twitter menggunakan jaringan saraf berulang.
Pertama, database pelatihan untuk AI dikumpulkan dan diberi tag secara manual dari lebih dari 2300 postingan Twitter berbahasa Inggris yang diterbitkan dari Oktober 2017 hingga Januari 2018. Pesan bulan Oktober terkait dengan kampanye berhenti merokok Eropa Stoptober. Sebagai bagian dari kampanye ini, orang-orang berhenti merokok dan memposting tweet selama sebulan di mana mereka membagikan kesan mereka tentang berhenti merokok.
Pesan bulan Desember ditulis oleh orang-orang yang akan berhenti merokok pada Tahun Baru. Selain itu, basis pengujian dikumpulkan dan ditandai secara manual. Sistem klasifikasi teks yang diterapkan didasarkan pada arsitektur modern jaringan saraf berulang pembelajaran dalam. Dia dilatih di basis pelatihan tweet.
Akurasi pengklasifikasi yang dipelajari dengan bantuannya sangat rendah dan hampir tidak melebihi 50%. Selanjutnya, kami melakukan percobaan lain di mana kami secara konsisten menerapkan mekanisme pembelajaran aktif: setiap hari pengklasifikasi menerima porsi baru dari pesan yang ditargetkan (sekitar 3000 setiap hari) dan memberikan 30 kasus paling menarik untuk penandaan.
Pesan-pesan ini secara manual diberi tag dan ditambahkan ke database pelatihan, yang digunakan untuk membangun model pengklasifikasi berikutnya. Studi tersebut menunjukkan bahwa metode pengajaran kecerdasan buatan ini memungkinkan peningkatan kualitatif dalam algoritme. Eksperimen komputasi dan kalkulasi teoretis menunjukkan kecepatan algoritme QBEC yang jauh lebih tinggi.
Kondisi ini memungkinkan untuk menjalankan algoritme pembelajaran aktif QBEC bahkan pada perangkat pengguna, seperti smartphone. Artinya, kami memiliki kesempatan untuk menciptakan asisten suara yang efektif yang dapat mengambil alih fungsi dokter dan membantu orang yang mencoba berhenti merokok.
Prediksi apa yang dapat dibuat berdasarkan hasil ini, seberapa efektif AI dalam membantu orang berhenti merokok di masa mendatang?
- Hasil penelitian menunjukkan bahwa kecerdasan buatan mampu mengenali emosi pasien dari teks pesan, sedangkan algoritma pembelajaran aktif dapat terus meningkatkan akurasi klasifikasi data. Tantangan kita saat ini adalah memastikan bahwa di masa mendatang, persentase orang yang berhenti merokok dengan bantuan teknologi AI tidak akan lebih rendah dari persentase orang yang berhenti merokok melalui konsultasi tatap muka.
Pengenalan AI ke dalam pengobatan dapat mengurangi beban keuangan pada sistem perawatan kesehatan dan menjangkau lebih banyak pasien yang ingin berhenti merokok dan menjalani gaya hidup sehat.
Dapat diasumsikan bahwa kedepannya pendekatan ini akan diterapkan antara lain untuk membantu pasien yang kecanduan alkohol atau narkoba. Selain itu, dokter akan dapat lebih sering beralih ke kemampuan AI dalam mengidentifikasi gangguan mental.
Misalnya, baru-baru ini, para ilmuwan dari University of Pennsylvania mengembangkan jaringan saraf yang menganalisis posting pengguna di Facebook dan menentukan apakah orang tersebut mengalami depresi. Diagnosis penyakit ini tidak selalu jelas, oleh karena itu keakuratan algoritme selama penelitian pada 70% kasus sebanding dengan hasil skrining medis.
Contoh semacam itu membuktikan bahwa kemungkinan penggunaan kecerdasan buatan dalam kedokteran tidak terbatas dan dapat membantu dokter memecahkan banyak masalah sosial.
