مجله خبری و آموزشی هوش مصنوعی

پیش‌بینی زمان مرگ افراد، با هوش مصنوعی محقق شد

توسط کامران روزبه
منتشر شده: آخرین بروز رسانی در تاریخ ۰ اظهار نظر

هر چه جلوتر می‌رویم اتفاقات رخ داده در حوزه هوش مصنوعی هر چه بیشتر به ماجراهای فیلم‌های علمی تخیلی که در گذشته دیده‌ایم نزدیک‌تر می‌شوند. حالا شاید شما هم مثل من – اگر اهل سینما باشید – با خواندن این گزارش به یاد فیلم گزارش اقلیت ساخته استیون اسپیلبرگ بیفتید:

اگر بتوانید چند صفحه از داستان زندگی خود را زودتر ببینید، آیا نگاهی به آن‌ها می‌اندازید؟ طبق مطالعه‌ی جدیدی که در مجله‌ی Nature Computational Science منتشر شده است، هوش مصنوعی ممکن است بتواند نسخه‌ای از این انتخاب ارائه دهد. نویسندگان مقاله می‌گویند الگوریتم پیشگو به کمک داده‌های زندگی میلیون‌ها نفر، می‌تواند نتایج زندگی مانند درآمد در طول عمر یا احتمال رویارویی با مرگ زودهنگام فرد را با دقت بالایی پیش‌بینی کند.

متیو سالگانیک، جامعه‌شناس دانشگاه پرینستون که در پژوهش جدید مشارکتی نداشت، می‌گوید اگر بتوان نشان داد این رویکرد در جوامع مختلف کارآمد است، ابزار جدیدی در اختیار دانشمندان علوم اجتماعی قرار می‌گیرد تا چگونگی تاثیر ویژگی‌ها و رویدادها بر سرنوشت افراد را بررسی کنند.

پیش‌ازاین، سالگانیک و همکارانش همراه با بیش از ۱۰۰ تیم دیگر تلاش کرده بودند مدل‌های یادگیری ماشین را برای پیش‌بینی پیامدهای زندگی با استفاده از اطلاعات مربوط به سلامتی، روابط خانوادگی و تحصیلات حدود ۵۰۰۰ کودک بالای ۱۵ سال توسعه دهند. اگرچه هیچ‌یک از مدل‌های آن‌ها پیش‌بینی دقیقی حاصل نکرد.

پژوهشگران در مطالعه جدید خود از مدل‌های زبانی بزرگ (که چت جی‌پی‌تی هم از این نوع است) استفاده کردند. این الگوریتم‌ها ابتدا حجم عظیمی از متون را تجزیه‌وتحلیل می‌کنند و در رشته‌های کلمات و جملات به دنبال الگو می‌گردند. سپس مدل‌ها از آنچه آموخته‌اند برای پیش‌بینی کلمات بعدی یک جمله استفاده می‌کنند.

سونه لمان، دانشمند شبکه و پیچیدگی در دانشگاه فنی دانمارک و همکارانش دراین‌باره کنجکاو بودند که آیا مدل‌های زبانی بزرگ می‌توانند در توالی‌های دیگری مانند آن‌هایی که داستان زندگی ما را می‌سازند، معنایی پیدا کنند یا خیر. او می‌گوید: «درست مانند زبان، ترتیب وقایع زندگی اهمیت دارد. برای مثال، تشخیص سرطان بلافاصله پس از پیدا کردن شغلی با مزیت‌های سلامتی، احتمالا نسبت به حالت معکوس آن تاثیر متفاوتی خواهد داشت.»

 

دانشمندان هشدار می‌دهند الگوهای مشاهده‌شده ممکن است به جمعیت‌های غیردانمارکی قابل تعمیم نباشد

پژوهشگران از اطلاعات سوابق کار و سوابق سلامتی حدود شش میلیون شهروند کشور دانمارک استفاده کردند. آن‌ها جزئیاتی مانند حقوق، مزایای اجتماعی، عنوان شغلی و مراجعه به بیمارستان و تشخیص را به زبانی مصنوعی ترجمه کردند که در آن وقایع زندگی به جملات تبدیل شدند. برای مثال، این جمله که «اگنس در آگوست ۲۰۱۰ به‌عنوان ماما در بیمارستانی در کپنهاگ ۳۰ هزار کرون دانمارک به دست آورد.» با قرار دادن این رویدادها در جدول زمانی، مدل دانشمندان داستان دیجیتالی از زندگی فرد را بازسازی کرد.

پژوهشگران مدل خود را که life2vec نامیده بودند، بین سال‌های ۲۰۰۸ تا ۲۰۱۶ روی داستان زندگی هر فرد آموزش دادند و مدل الگوهای داستان‌ها را پیدا کرد. سپس آن‌ها از الگوریتم برای پیش‌بینی این موضوع استفاده کردند که کدام‌یک از افراد تا سال ۲۰۲۰ از دنیا می‌رود و با استفاده از اطلاعات اداره ثبت احوال دانمارک دقت آن را مشخص کردند.

به‌گزارش ساینس، پیش‌بینی‌های مدل در ۷۸ درصد موارد دقیق بود. مدل چندین فاکتور ازجمله داشتن درآمد پایین، داشتن تشخیص مشکل سلامت روان و مرد بودن را شناسایی کرد که موجب افزایش خطر مرگ زودرس می‌شد. خطاهای مدل معمولا ناشی از حوادث یا حملات قلبی بود که پیش‌بینی آن‌ها دشوار است.

اگرچه نتایج جالب است، برخی دانشمندان هشدار می‌دهند این الگوها ممکن است به جمعیت‌های غیردانمارکی قابل تعمیم نباشد. یویو وو، روانشناس کالج دانشگاهی لندن می‌گوید مشاهده این موضوع جالب است که مدل روی داده‌های کشورهای دیگر نیز کارآمد باشد، اما این مسئله را نیز باید درنظر داشت که سوگیری در داده‌ها نیز می‌تواند پیش‌بینی‌ها را تحت‌تاثیر قرار دهد. برای مثال، تشخیص افراطی اسکیزوفرنی در میان افراد سیاه‌پوست می‌تواند موجب شود الگوریتم به اشتباه آن‌ها را درمعرض خطر مرگ زودهنگام بالاتر درنظر بگیرد. این امر می‌تواند پیامدهایی ازنظر مسائلی مانند حق بیمه یا تصمیمات استخدامی داشته باشد.

 

لمان و همکارانش همچنین دریافتند که مدل آن‌ها سایر جنبه‌های زندگی افراد مثلا این موضوع را که آیا آن‌ها بیشتر برون‌گرا هستند، با دقت پیش‌بینی می‌کند. البته ساندرا ماتز، دانشمند علوم اجتماعی محاسباتی در مدرسه کسب‌وکار کلمبیا می‌گوید: «این موضوع چندان تعجب‌آور نیست. حتی الگوریتم‌های ساده‌تر نیز می‌توانند مشاغل خاصی (مثلا آرایشگری) را با برون‌گرایی مرتبط کنند. دراین‌باره تردید دارم که این مدل بتواند همه نوع رفتاری را پیش‌‌بینی کند.»

لمان براین باور است که مدل آن‌ها ممکن است روزی درزمینه‌ی شناسایی افراد درمعرض خطر بیماری مفید باشد و به آن‌ها کمک کند، دست به اقداماتی بزنند که برای حفظ سلامتیشان لازم است.

لینک منبع

این مطالب هم پیشنهاد می‌شود

پیام بگذارید