Según la OMS, hay aproximadamente 1.100 millones de fumadores en el mundo. Rusia ocupa el quinto lugar en el número de fumadores: más de 45 millones de personas. Para combatir las tristes estadísticas, los científicos han propuesto una forma de combatir el tabaquismo basada en la inteligencia artificial.
Aproximadamente 400.000 rusos mueren cada año por enfermedades relacionadas con el tabaquismo. Y mientras el estado está tomando medidas para limitar el consumo de tabaco a nivel legislativo, los investigadores están desarrollando métodos efectivos basados en tecnologías de inteligencia artificial (IA). Andrey Polyakov, investigador de Philips Research Lab Rus, habló sobre cómo las redes neuronales y el aprendizaje automático pueden ayudar en la lucha contra el tabaquismo.
¿Qué se puede decir en general sobre el estudio: cómo se originó la idea, por qué la inteligencia artificial debería ayudar a las personas a dejar de fumar?
- Una de las estrategias para dejar de fumar más eficaces es el consejo médico. Durante las consultas, el especialista brinda apoyo psicológico a la persona que deja de fumar, para que no se derrumbe. Pero las consultas cara a cara son un placer bastante caro para el sistema sanitario, y los pacientes no siempre tienen la oportunidad de visitar a un médico a menudo debido a la lejanía de las clínicas especializadas.
norte
Los empleados de los laboratorios ruso y holandés Philips Research pensaron en resolver estos problemas. Los científicos se han fijado el objetivo de ampliar las sesiones de consulta a una amplia audiencia de fumadores que tienen teléfonos inteligentes con acceso a Internet. Los resultados del estudio se presentaron en el verano de 2018 en Estocolmo en la conferencia IJCAI-2018. La idea es automatizar una intervención terapéutica y brindar asistencia remota a una persona para que deje de fumar utilizando las capacidades de la inteligencia artificial.
Estamos hablando de un agente conversacional en un teléfono inteligente que puede seleccionar y aplicar una de las estrategias de apoyo al paciente. Puede reconocer el color emocional del habla o los mensajes de texto del paciente, responder de manera apropiada y ayudar a la persona a deshacerse del mal hábito.
¿Qué principios de la IA son la base del método?
- Estos principios se basan en la modelización de la metodología para dejar de fumar mediante la terapia cognitivo-conductual y la entrevista motivacional, que suelen ser realizadas por un médico en recepción. Naturalmente, en una conversación en vivo, una persona puede comprender el estado de ánimo y el estado del interlocutor gracias a varias señales verbales y no verbales: estas incluyen habla, voz, expresiones faciales, gestos.
Video promocional:
En nuestra investigación, nos interesó el lenguaje en el que nos comunicamos en mensajería instantánea y redes sociales. Para que la inteligencia artificial reemplace a un psicoterapeuta, debe ser capaz de reconocer el habla hablada y escrita de una persona, su colorido emocional, así como mantener una conversación y responder a los cambios en la condición del paciente.
¿Cómo aprende la inteligencia artificial a analizar el habla?
- Los métodos de aprendizaje profundo, en particular las redes neuronales recurrentes, combinados con la disponibilidad de herramientas informáticas y datos acumulados, han hecho posible un gran avance en muchas áreas de la inteligencia artificial, incluido el reconocimiento y procesamiento de voz. Con la ayuda de estas tecnologías, varias empresas de alta tecnología pudieron crear asistentes de voz con los que puede comunicarse y establecerles tareas: Siri de Apple, Google Assistant de Google, Alice de Yandex.
Aunque las redes neuronales recurrentes son una herramienta popular de reconocimiento de texto, requieren una gran cantidad de datos etiquetados que son difíciles de recopilar. Además, el proceso de comunicación es un ejemplo de aprendizaje de IA en un entorno no estacionario, ya que nuestro habla cambia mucho tanto con el tiempo como bajo la influencia de características nacionales de diferentes culturas.
Estos factores requieren la configuración local y el mantenimiento del clasificador (en nuestro caso, una red neuronal recurrente de aprendizaje profundo) ya a nivel de un usuario individual. Uno de los enfoques populares para la mejora continua de un clasificador es el aprendizaje activo. La idea principal de estos métodos es marcar solo una parte de los datos recibidos que sean de interés para una aplicación posterior.
Por lo general, los métodos de aprendizaje de IA activa de hoy funcionan bien para tareas tradicionales. Al hacerlo, pueden generar inestabilidad tecnológica, que es común en las arquitecturas de redes neuronales de aprendizaje profundo.
Nuestro método es un nuevo algoritmo para el aprendizaje activo de redes neuronales, que se basa en los siguientes principios: aprendizaje semi-supervisado, redes neuronales recurrentes y aprendizaje profundo y procesamiento del lenguaje natural.
El mecanismo de trabajo es el siguiente: al algoritmo se le entrega un mensaje de texto, como ocurre cuando se comunica en mensajería instantánea. La tarea del algoritmo es reconocer su colorido emocional en relación con el tema del tabaquismo. Puede ser positivo ("Yo personalmente dejo de fumar, no fumo, estoy alegre y lleno de energía"), negativo ("Vuelvo a fumar") o neutral ("Moscú es la capital de Rusia").
Publicaciones de Twitter procesadas por redes neuronales durante la investigación / Philips Research Press Service.
Dependiendo de la coloración emocional, el algoritmo aplica estrategias de comportamiento adecuadas: cambia el tema de la conversación en el caso de una coloración positiva, apoya la conversación con una coloración negativa y reacciona de manera neutral en el caso de un mensaje neutral.
norte
¿Cómo se realizó el estudio de la efectividad de este método, cuáles fueron sus resultados?
- El propósito de nuestro estudio fue desarrollar un nuevo método de búsqueda y selección de datos de especial interés. Para mostrar qué tipo de datos nos interesan, considere el siguiente ejemplo. Imagine un jurado que lleva un caso ante un tribunal y decide por mayoría si una persona es culpable o no. En este caso, el jurado siempre puede recurrir al mago Merlín, quien sabe con certeza si el acusado es culpable. Pero exige un pago por sus servicios.
El jurado quiere hacer su trabajo concienzudamente, pero al mismo tiempo tiene un presupuesto limitado y no puede contactar a Merlin para todos los casos. Un caso se considera poco interesante si el jurado vota casi por unanimidad por culpa o inocencia, este es un caso simple. Pero si los votos del jurado están divididos, entonces esto es interesante.
En este caso, el jurado se dirige al mago, recibe una respuesta y, al considerar los próximos casos similares, tomará decisiones más coordinadas, lo que en el futuro simplifica los casos similares. Pasando a la terminología del algoritmo, un jurado significa un clasificador (red neuronal), un jurado significa un comité de clasificadores, un caso judicial significa un mensaje de tweet y Merlin significa un experto en marcar mensajes.
Por lo tanto, varias redes neuronales, basadas en la experiencia acumulada, deciden qué color emocional lleva un tweet en particular. Por ejemplo, si casi unánimemente le dan a un tweet una connotación emocional positiva, entonces se clasifica como positivo. Si las redes neuronales "se confunden en las lecturas", entonces el tweet se marca como interesante.
Además, se recopilan todos los casos interesantes, que se clasifican de acuerdo con el grado de confianza en las predicciones de los clasificadores, después de lo cual estos casos se envían al experto para que los marque. Además, el especialista realiza un entrenamiento adicional de redes neuronales en base a los casos analizados.
¿Qué lograste crear al final?
- Como resultado de la investigación, se creó un nuevo algoritmo de aprendizaje activo Query by Embedded Commettee (QBEC), que se diferencia de los existentes en términos de precisión y velocidad. Durante el experimento, aplicamos un nuevo algoritmo para clasificar los mensajes de texto cortos de Twitter utilizando redes neuronales recurrentes.
Primero, se recopiló una base de datos de entrenamiento para IA y se etiquetó manualmente de más de 2,300 publicaciones de Twitter en inglés publicadas desde octubre de 2017 hasta enero de 2018. Los mensajes de octubre estaban vinculados a la campaña europea para dejar de fumar Stoptober. Como parte de esta campaña, las personas dejan de fumar y publican tweets durante un mes en el que comparten sus impresiones sobre cómo dejar de fumar.
Los mensajes de diciembre fueron escritos por personas que iban a dejar de fumar para Año Nuevo. Además, se recopiló una base de prueba y se marcó manualmente. El sistema de clasificación de texto aplicado se basó en arquitecturas modernas de redes neuronales recurrentes de aprendizaje profundo. Fue entrenada en la base de entrenamiento de tweets.
La precisión del clasificador que se aprendió con su ayuda fue muy baja y apenas superó el 50%. A continuación, realizamos otro experimento en el que aplicamos sistemáticamente el mecanismo de aprendizaje activo: todos los días, el clasificador recibía una nueva porción de mensajes dirigidos (unos 3000 diarios) y daba 30 de los casos más interesantes para marcarlos.
Estos mensajes se etiquetaron y agregaron manualmente a la base de datos de entrenamiento, que se utilizó para construir el siguiente modelo de clasificador. El estudio mostró que este método de enseñanza de la inteligencia artificial permitió una mejora cualitativa en el algoritmo. Los experimentos computacionales y los cálculos teóricos demuestran una velocidad mucho mayor del algoritmo QBEC.
Esta circunstancia hace posible ejecutar el algoritmo de aprendizaje activo QBEC incluso en un dispositivo de usuario, como un teléfono inteligente. Esto significa que tenemos la oportunidad de crear un asistente de voz eficaz que pueda asumir la función de un médico y ayudar a las personas que intentan dejar de fumar.
¿Qué predicciones se pueden hacer en base a estos resultados? ¿Qué tan efectiva será la IA para ayudar a las personas a dejar de fumar en el futuro?
- Los resultados de la investigación muestran que la inteligencia artificial es capaz de reconocer las emociones del paciente a partir del texto del mensaje, mientras que los algoritmos de aprendizaje activo pueden mejorar continuamente la precisión de la clasificación de datos. Nuestro desafío hoy es garantizar que en el futuro, el porcentaje de personas que dejen de fumar con la ayuda de la tecnología de inteligencia artificial no sea menor que el porcentaje de personas que dejarán de fumar a través de consultas cara a cara.
La introducción de la IA en la medicina puede reducir la carga económica del sistema sanitario y llegar a muchos más pacientes que desean dejar de fumar y llevar un estilo de vida saludable.
Se puede suponer que en el futuro este enfoque se aplicará, entre otras cosas, para ayudar a los pacientes con adicción al alcohol o las drogas. Además, los médicos podrán recurrir con mayor frecuencia a las capacidades de la IA para identificar trastornos mentales.
Por ejemplo, recientemente, científicos de la Universidad de Pensilvania desarrollaron una red neuronal que analiza las publicaciones de los usuarios en Facebook y determina si las personas están deprimidas. El diagnóstico de esta enfermedad no siempre es inequívoco, por lo tanto, la precisión del algoritmo durante el estudio en el 70% de los casos fue comparable a los resultados de los exámenes médicos.
Estos ejemplos demuestran que las posibilidades de utilizar la inteligencia artificial en la medicina son infinitas y pueden ayudar a los médicos a resolver muchos problemas sociales.
