هوش مصنوعی می تواند رویدادهای زندگی افراد را پیش بینی کند

در یک مقاله علمی جدید با عنوان “استفاده از توالی رویدادهای زندگی برای پیش بینی زندگی انسان” منتشر شده در علوم محاسباتی طبیعتمحققان داده های سلامت و دلبستگی به بازار کار را برای 6 میلیون دانمارکی در مدلی به نام life2vec تجزیه و تحلیل کردند. پس از اینکه مدل در مرحله اولیه آموزش داده شد، یعنی. الگوهای موجود در داده ها را یاد گرفته است، نشان داده شده است که عملکرد بهتری از دیگر شبکه های عصبی پیشرفته دارد (به کادر واقعیت مراجعه کنید)، و نتایجی مانند شخصیت و زمان مرگ را با دقت بالا پیش بینی می کند.

ما از این مدل برای پاسخ به این سوال اساسی استفاده کردیم: تا چه حد می توانیم رویدادهای آینده شما را بر اساس شرایط و رویدادهای گذشته پیش بینی کنیم؟ سون لمان، استاد دانشگاه DTU و اولین نویسنده مقاله می‌گوید: از دیدگاه علمی، آنچه برای ما هیجان‌انگیز است، خود پیش‌بینی نیست، بلکه جنبه‌هایی از داده‌هایی است که به مدل اجازه می‌دهد چنین پاسخ‌های دقیقی ارائه دهد. .

پیش بینی زمان مرگ

پیش‌بینی‌های Life2vec پاسخی به سؤالات رایجی مانند: “مرگ در چهار سال” است؟ هنگامی که محققان پاسخ های مدل را تجزیه و تحلیل کردند، نتایج با یافته های موجود در علوم اجتماعی مطابقت داشت. برای مثال، اگر همه چیز برابر باشد، کسانی که در موقعیت رهبری هستند یا دارای درآمد بالا هستند، بیشتر احتمال دارد زنده بمانند، در حالی که مرد بودن، ماهر بودن یا داشتن تشخیص ذهنی با خطر مرگ بیشتر همراه است. Life2vec داده ها را در یک سیستم بزرگ از بردارها رمزگذاری می کند، یک ساختار ریاضی که داده های مختلف را سازماندهی می کند. این مدل تصمیم می‌گیرد که داده‌های مربوط به زمان تولد، مدرسه، تحصیل، حقوق، مسکن و سلامت را در کجا قرار دهد.

«آنچه هیجان‌انگیز است این است که زندگی انسان را مجموعه‌ای طولانی از رویدادها در نظر بگیریم، شبیه به اینکه چگونه یک جمله در یک زبان از مجموعه‌ای از کلمات تشکیل شده است. این معمولاً همان کاری است که مدل‌های ترانسفورماتور در هوش مصنوعی برای آن استفاده می‌شوند، اما در آزمایش‌هایمان از آنها برای تجزیه و تحلیل آنچه که توالی زندگی می‌نامیم، استفاده می‌کنیم. سونه لمان می‌گوید: رویدادهایی که در زندگی انسان رخ داده است.

طرح مسائل اخلاقی

محققان پشت این مقاله اشاره می کنند که مسائل اخلاقی مدل life2vec را احاطه کرده است، مانند محافظت از داده های حساس، حریم خصوصی و نقش سوگیری در داده ها. این چالش ها قبل از اینکه بتوان از این مدل برای مثال برای تخمین خطر ابتلا به بیماری یا سایر رویدادهای زندگی قابل پیشگیری استفاده کرد، باید به طور کامل درک شود.

«این مدل دیدگاه‌های مثبت و منفی مهمی را برای بحث و بررسی سیاسی باز می‌کند. فناوری‌های مشابهی برای پیش‌بینی رویدادهای زندگی و رفتار انسان، امروزه در شرکت‌های فناوری استفاده می‌شود، که به عنوان مثال رفتار ما را در شبکه‌های اجتماعی ردیابی می‌کنند، ما را با دقت بسیار بالا نشان می‌دهند و از این پروفایل‌ها برای پیش‌بینی رفتار و تأثیرگذاری بر ما استفاده می‌کنند. این بحث باید بخشی از گفتگوی دموکراتیک باشد تا ارزیابی کنیم که فناوری ما را به کجا می‌برد و آیا این توسعه‌ای است که ما می‌خواهیم یا خیر.»

به گفته محققان، گام بعدی شامل انواع دیگری از اطلاعات، مانند متن و تصویر یا اطلاعات مربوط به ارتباطات اجتماعی ما خواهد بود. این استفاده از داده ها یک تعامل کاملاً جدید بین علوم اجتماعی و بهداشتی را باز می کند.

پروژه تحقیقاتی

پروژه تحقیقاتی “استفاده از توالی رویدادهای زندگی برای پیش بینی طول عمر انسان” بر اساس داده های بازار کار و داده های ثبت ملی بیماران (LPR) و آمار دانمارک است. مجموعه داده شامل تمام 6 میلیون دانمارکی است و حاوی اطلاعاتی در مورد درآمد، حقوق، دستمزد، نوع شغل، صنعت، مزایای اجتماعی و غیره است. مجموعه داده های بهداشتی شامل سوابق بازدید از متخصصان بهداشت یا بیمارستان ها، تشخیص، نوع بیمار و سطح فوریت می باشد. مجموعه داده ها دوره 2008 تا 2020 را پوشش می دهد، اما در چندین تجزیه و تحلیل، محققان بر دوره 2008-2016 و زیر مجموعه افراد دارای محدودیت سنی تمرکز کردند.

ترانسفورماتور مدل

مدل ترانسفورماتور یک معماری داده یادگیری عمیق هوش مصنوعی است که برای یادگیری زبان و سایر وظایف استفاده می شود. مدل ها را می توان برای درک و تولید زبان آموزش داد. مدل ترانسفورماتور به گونه‌ای طراحی شده است که سریع‌تر و کارآمدتر از مدل‌های قبلی باشد و اغلب برای آموزش مدل‌های زبان بزرگ در مجموعه داده‌های بزرگ استفاده می‌شود.

شبکه های عصبی

شبکه عصبی یک مدل کامپیوتری است که از مغز و سیستم عصبی انسان و حیوانات الهام گرفته شده است. انواع مختلفی از شبکه های عصبی وجود دارد (مثلاً مدل های ترانسفورماتور). مانند مغز، یک شبکه عصبی از نورون های مصنوعی تشکیل شده است. این نورون ها به هم متصل هستند و می توانند سیگنال هایی را به یکدیگر ارسال کنند. هر نورون ورودی از نورون های دیگر دریافت می کند و سپس خروجی را محاسبه می کند که به نورون های دیگر منتقل می شود. یک شبکه عصبی می تواند حل مسائل را با آموزش بر روی مقادیر زیاد داده یاد بگیرد. شبکه های عصبی برای یادگیری و بهبود دقت خود در طول زمان به داده های آموزشی متکی هستند. اما هنگامی که این الگوریتم های یادگیری برای دقت تنظیم شوند، ابزار قدرتمندی در علوم کامپیوتر و هوش مصنوعی هستند که به ما اجازه می دهند داده ها را با سرعت بالا طبقه بندی و گروه بندی کنیم. یکی از معروف ترین شبکه های عصبی، الگوریتم جستجوی گوگل است.