Segundo a OMS, existem aproximadamente 1,1 bilhão de fumantes no mundo. A Rússia ocupa o quinto lugar no número de fumantes - mais de 45 milhões de pessoas. Para combater as tristes estatísticas, os cientistas propuseram uma forma de combater o tabagismo com base na inteligência artificial.
Cerca de 400.000 russos morrem a cada ano de doenças relacionadas ao fumo. E enquanto o estado toma medidas para restringir o consumo de tabaco no nível legislativo, os pesquisadores estão desenvolvendo métodos eficazes baseados em tecnologias de inteligência artificial (IA). Andrey Polyakov, pesquisador do Philips Research Lab Rus, falou sobre como as redes neurais e o aprendizado de máquina podem ajudar na luta contra o tabagismo.
O que se pode dizer em geral sobre o estudo: como surgiu a ideia, por que a inteligência artificial deveria ajudar as pessoas a parar de fumar?
- Uma das estratégias mais eficazes para parar de fumar é o aconselhamento médico. Durante as consultas, o especialista dá suporte psicológico à pessoa que pára de fumar, para não deixá-la desabar. Mas as consultas cara a cara são um prazer caro para o sistema de saúde, e os pacientes nem sempre têm a oportunidade de visitar um médico, muitas vezes devido ao afastamento de clínicas especializadas.
Funcionários dos laboratórios russo e holandês Philips Research pensaram em resolver esses problemas. Os cientistas se propuseram a dimensionar as sessões de consulta a um amplo público de fumantes que possuem smartphones com acesso à internet. Os resultados do estudo foram apresentados no verão de 2018 em Estocolmo na conferência IJCAI-2018. A ideia é automatizar uma intervenção terapêutica e fornecer assistência remota para que uma pessoa pare de fumar utilizando os recursos da inteligência artificial.
Estamos falando de um agente de conversação em um smartphone que é capaz de selecionar e aplicar uma das estratégias de suporte ao paciente. Ele pode reconhecer o colorido emocional da fala ou das mensagens de texto do paciente, responder apropriadamente e ajudar a pessoa a se livrar do mau hábito.
Quais princípios de IA são a base do método?
- Esses princípios baseiam-se na modelagem da metodologia de cessação do tabagismo por meio de terapia cognitivo-comportamental e entrevistas motivacionais, geralmente conduzidas por médico na recepção. Naturalmente, em uma conversa ao vivo, uma pessoa pode entender o humor e o estado do interlocutor graças a vários sinais verbais e não verbais: estes incluem fala, voz, expressões faciais, gestos.
Vídeo promocional:
Em nossa pesquisa, estávamos interessados na linguagem com a qual nos comunicamos em mensagens instantâneas e redes sociais. Para que a inteligência artificial substitua um psicoterapeuta, ela precisa ser capaz de reconhecer a fala falada e escrita de uma pessoa, seu colorido emocional, bem como manter uma conversa e responder às mudanças no estado do paciente.
Como a inteligência artificial aprende a analisar a fala?
- Os métodos de aprendizagem profunda, em particular as redes neurais recorrentes, combinados com a disponibilidade de ferramentas de computação e dados acumulados, fizeram uma descoberta em muitas áreas da inteligência artificial, incluindo reconhecimento e processamento de voz. Com a ajuda dessas tecnologias, várias empresas de alta tecnologia foram capazes de criar assistentes de voz com os quais você pode se comunicar e definir tarefas: Siri da Apple, Google Assistant do Google, Alice da Yandex.
Embora as redes neurais recorrentes sejam uma ferramenta popular de reconhecimento de texto, elas requerem uma grande quantidade de dados rotulados que são difíceis de coletar. Além disso, o processo de comunicação é um exemplo de aprendizagem de IA em um ambiente não estacionário, uma vez que nossa fala muda muito com o tempo e sob a influência de características nacionais de diferentes culturas.
Esses fatores requerem configuração local e manutenção do classificador (em nosso caso, uma rede neural recorrente de aprendizado profundo) já no nível de um usuário individual. Uma das abordagens populares para a melhoria contínua de um classificador é o aprendizado ativo. A ideia principal desses métodos é marcar apenas uma parte dos dados recebidos que sejam de interesse para posterior aplicação.
Normalmente, os métodos ativos de aprendizagem de IA de hoje funcionam bem para tarefas tradicionais. Ao fazer isso, eles podem levar à instabilidade da tecnologia, que é comum em arquiteturas de rede neural de aprendizado profundo.
Nosso método é um novo algoritmo para aprendizagem ativa de redes neurais, que se baseia nos seguintes princípios: aprendizagem semi-supervisionada, redes neurais recorrentes e aprendizagem profunda e processamento de linguagem natural.
O mecanismo de trabalho é o seguinte: o algoritmo recebe uma mensagem de texto, como acontece quando se comunica em mensageiros instantâneos. A tarefa do algoritmo é reconhecer sua coloração emocional em relação ao tópico tabagismo. Pode ser positivo ("Eu pessoalmente parei, não fumo, estou alegre e cheio de energia"), negativo ("Eu fumo de novo") ou neutro ("Moscou é a capital da Rússia").
Postagens no Twitter processadas por redes neurais durante a pesquisa / Philips Research Press Service.
Dependendo da coloração emocional, o algoritmo aplica estratégias comportamentais adequadas: mudar o assunto da conversa no caso de uma coloração positiva, apoiar a conversa com uma coloração negativa e reagir de forma neutra no caso de uma mensagem neutra.
Como foi feito o estudo da eficácia deste método, quais foram os seus resultados?
- O objetivo do nosso estudo foi desenvolver um novo método de busca e seleção de dados de particular interesse. Para mostrar em que tipo de dados estamos interessados, considere o exemplo a seguir. Imagine um júri levando um caso ao tribunal e decidindo por maioria se uma pessoa é culpada ou não. Nesse caso, o júri pode sempre recorrer ao mago Merlin, que sabe com certeza se o réu é culpado. Mas ele exige pagamento por seus serviços.
O júri quer fazer seu trabalho de forma consciente, mas ao mesmo tempo tem um orçamento limitado e não pode contatar Merlin para todos os casos. Um caso é considerado desinteressante se o júri votar quase unanimemente por culpa ou inocência, este é um caso simples. Mas se os votos do júri estiverem divididos, isso é de interesse.
Nesse caso, o júri volta-se para o mago, recebe uma resposta e, ao considerar os próximos casos semelhantes, tomará decisões mais coordenadas, o que no futuro simplificará casos semelhantes. Passando para a terminologia do algoritmo, um júri significa um classificador (rede neural), um júri significa um comitê de classificadores, um processo judicial significa uma mensagem de tweet e Merlin significa um especialista em marcar mensagens.
Assim, várias redes neurais, com base na experiência acumulada, decidem que coloração emocional um determinado tweet carrega. Por exemplo, se eles quase unanimemente dão a um tweet uma conotação emocional positiva, ele é classificado como positivo. Se as redes neurais "ficarem confusas nas leituras", o tweet será marcado como interessante.
Além disso, todos os casos interessantes são coletados, os quais são classificados de acordo com o grau de confiança nas previsões dos classificadores, após o que esses casos são enviados ao especialista para correção. Além disso, o especialista conduz um treinamento adicional de redes neurais com base nos casos analisados.
O que você conseguiu criar no final?
- Como resultado da pesquisa, foi criado um novo algoritmo de aprendizagem ativa Query by Embedded Commettee (QBEC), que se diferencia dos existentes em termos de precisão e velocidade. Durante o experimento, aplicamos um novo algoritmo para classificar mensagens de texto curtas do Twitter usando redes neurais recorrentes.
Primeiro, um banco de dados de treinamento para IA foi coletado e marcado manualmente a partir de mais de 2.300 postagens do Twitter em inglês, publicadas de outubro de 2017 a janeiro de 2018. As mensagens de outubro estavam ligadas à campanha europeia de cessação do tabagismo Stoptober. Como parte dessa campanha, as pessoas pararam de fumar e postaram tweets por um mês, nos quais compartilham suas impressões sobre como pararam de fumar.
As mensagens de dezembro foram escritas por pessoas que iriam parar de fumar no ano novo. Além disso, uma base de teste foi coletada e marcada manualmente. O sistema de classificação de texto aplicado foi baseado em arquiteturas modernas de redes neurais recorrentes de aprendizagem profunda. Ela foi treinada na base de treinamento de tweet.
A precisão do classificador aprendido com sua ajuda era muito baixa e mal ultrapassava 50%. Em seguida, conduzimos outro experimento no qual aplicamos consistentemente o mecanismo de aprendizado ativo: a cada dia o classificador recebia uma nova porção de mensagens direcionadas (cerca de 3.000 por dia) e dava 30 dos casos mais interessantes para marcação.
Essas mensagens foram marcadas manualmente e adicionadas ao banco de dados de treinamento, que foi usado para construir o próximo modelo de classificador. O estudo mostrou que este método de ensino de inteligência artificial permitiu uma melhoria qualitativa no algoritmo. Experimentos computacionais e cálculos teóricos demonstram uma velocidade muito maior do algoritmo QBEC.
Essa circunstância torna possível executar o algoritmo de aprendizado ativo QBEC mesmo em um dispositivo de usuário, como um smartphone. Isso significa que temos a chance de criar um assistente de voz eficaz que pode assumir a função de um médico e ajudar as pessoas que estão tentando parar de fumar.
Quais previsões podem ser feitas com base nesses resultados, quão eficaz será a IA em ajudar as pessoas a parar de fumar no futuro?
- Os resultados da pesquisa mostram que a inteligência artificial é capaz de reconhecer as emoções do paciente a partir do texto da mensagem, enquanto os algoritmos de aprendizagem ativa podem melhorar continuamente a precisão da classificação dos dados. Nosso desafio hoje é garantir que, no futuro, a porcentagem de pessoas que param de fumar com a ajuda da tecnologia de IA não seja menor do que a porcentagem de pessoas que param de fumar por meio de consultas cara a cara.
A introdução da IA na medicina pode reduzir os encargos financeiros do sistema de saúde e atingir muito mais pacientes que desejam parar de fumar e levar um estilo de vida saudável.
Pode-se presumir que, no futuro, essa abordagem será aplicada, entre outras coisas, para ajudar pacientes com dependência de álcool ou drogas. Além disso, os médicos serão capazes de recorrer com mais frequência às capacidades da IA para identificar transtornos mentais.
Por exemplo, recentemente, cientistas da Universidade da Pensilvânia desenvolveram uma rede neural que analisa as postagens dos usuários no Facebook e determina se as pessoas estão deprimidas. O diagnóstico desta doença nem sempre é inequívoco, portanto, a precisão do algoritmo durante o estudo em 70% dos casos foi comparável aos resultados de exames médicos.
Esses exemplos comprovam que as possibilidades de uso da inteligência artificial na medicina são infinitas e podem ajudar os médicos a resolver muitos problemas sociais.
