Νέο μοντέλο τεχνητής νοημοσύνης μπορεί να προβλέψει τη διάρκεια ζωής του ανθρώπου, σύμφωνα με ερευνητές

 01/03/2024    06 : 54 : 42
ai
72 / 100

Οι ερευνητές δημιούργησαν ένα εργαλείο τεχνητής νοημοσύνης που χρησιμοποιεί αλληλουχίες γεγονότων μιας ζωής, όπως το ιστορικό υγείας, η εκπαίδευση, η εργασία και το εισόδημα για να προβλέψει τα πάντα. Από την προσωπικότητα ενός ατόμου μέχρι τη θνησιμότητα του.

Κατασκευασμένο με τη χρήση μοντέλων μετασχηματιστών, που τροφοδοτούν μοντέλα γλωσσών AI, όπως το ChatGPT, το νέο εργαλείο, life2vec, εκπαιδεύεται σε ένα σύνολο δεδομένων που προέρχεται από ολόκληρο τον πληθυσμό της Δανίας. Το σύνολο δεδομένων διατέθηκε μόνο στους ερευνητές από τη δανική κυβέρνηση.

Το εργαλείο που κατασκεύασαν οι ερευνητές με βάση αυτό το πολύπλοκο σύνολο δεδομένων είναι ικανό να προβλέψει το μέλλον, συμπεριλαμβανομένης της διάρκειας ζωής των ατόμων, με ακρίβεια που υπερβαίνει τα μοντέλα αιχμής. Όμως, παρά την προγνωστική του δύναμη, η ομάδα πίσω από την έρευνα λέει ότι χρησιμοποιείται καλύτερα ως βάση για μελλοντική εργασία διαφορετικού ενδιαφέροντος, όχι ως αυτοσκοπός.

“Πρέπει να χρησιμοποιηθεί για καλό”
«Αν και χρησιμοποιούμε την πρόβλεψη για να αξιολογήσουμε πόσο καλά είναι αυτά τα μοντέλα, το εργαλείο δεν πρέπει να χρησιμοποιείται για προβλέψεις σε πραγματικούς ανθρώπους», λέει η Tina Eliassi-Rad, καθηγήτρια επιστήμης υπολογιστών και ο εναρκτήριος Πρόεδρος Joseph E. Aoun Professor στο Northeastern University.«Είναι ένα μοντέλο πρόβλεψης που βασίζεται σε ένα συγκεκριμένο σύνολο δεδομένων ενός συγκεκριμένου πληθυσμού».

Μια μερίδα επιστημόνων βρίσκεται ήδη στη διαδικασία κατασκευής αυτού του εργαλείου. Η ομάδα ελπίζει να φέρει μια ανθρωποκεντρική προσέγγιση στην ανάπτυξη της τεχνητής νοημοσύνης που δεν παραβλέπει τους ανθρώπους εν μέσω του τεράστιου συνόλου δεδομένων στο οποίο έχει εκπαιδευτεί το εργαλείο τους.

«Αυτό το μοντέλο προσφέρει μια πολύ πιο ολοκληρωμένη αντανάκλαση του κόσμου όπως τον ζουν οι άνθρωποι από πολλά άλλα μοντέλα», ανέφερε η Sune Lehmann, συγγραφέας στην εργασία, η οποία δημοσιεύτηκε πρόσφατα στο Nature Computational Science.

Στην καρδιά του life2vec βρίσκεται ένα τεράστιο σύνολο δεδομένων που χρησιμοποίησαν οι ερευνητές για να εκπαιδεύσουν το μοντέλο τους. Τα δεδομένα διατηρούνται από τη Στατιστική Υπηρεσία της Δανίας, την κεντρική αρχή για τις στατιστικές της Δανίας, και αν και υπόκεινται σε αυστηρές ρυθμίσεις μπορούν να έχουν πρόσβαση σε ορισμένα μέλη του κοινού, συμπεριλαμβανομένων των ερευνητών. Ο λόγος που ελέγχεται τόσο αυστηρά είναι ότι περιλαμβάνει ένα λεπτομερές μητρώο κάθε Δανού πολίτη.

Οι ερευνητές χρησιμοποίησαν αυτά τα δεδομένα για να δημιουργήσουν μακροχρόνια μοτίβα επαναλαμβανόμενων γεγονότων ζωής για να τροφοδοτήσουν το μοντέλο τους, ακολουθώντας την προσέγγιση του μοντέλου μετασχηματιστή που χρησιμοποιείται για την εκπαίδευση των LLM στη γλώσσα και προσαρμόζοντάς την για μια ανθρώπινη ζωή που αναπαρίσταται ως μια ακολουθία γεγονότων.

Η Eliassi-Rad έφερε την τεχνογνωσία της στον τομέα της τεχνητής νοημοσύνης στο έργο. «Αυτά τα εργαλεία σάς επιτρέπουν να δείτε την κοινωνία σας με διαφορετικό τρόπο: τις πολιτικές που έχετε, τους κανόνες και τους κανονισμούς που έχετε», λέει. «Μπορείτε να το σκεφτείτε ως μια σάρωση του τι συμβαίνει».

«Όλη η ιστορία μιας ανθρώπινης ζωής, κατά κάποιο τρόπο, μπορεί επίσης να θεωρηθεί ως μια τεράστια φράση με τα πολλά πράγματα που μπορεί να συμβούν σε έναν άνθρωπο», λέει η Lehmann, καθηγήτρια δικτύων και επιστήμης πολυπλοκότητας στο DTU Compute, Technica στο Πανεπιστήμιο της Δανίας και μεταδιδακτορική υπότροφος στο Northeastern.

Το μοντέλο χρησιμοποιεί τις πληροφορίες που μαθαίνει από την παρατήρηση εκατομμυρίων ακολουθιών γεγονότων ζωής για να δημιουργήσει αυτό που λέγεται διανυσματικές αναπαραστάσεις σε χώρους ενσωμάτωσης, όπου αρχίζει να κατηγοριοποιεί και να δημιουργεί συνδέσεις μεταξύ γεγονότων ζωής όπως παράγοντες εισοδήματος, εκπαίδευσης ή υγείας. Αυτοί οι χώροι ενσωμάτωσης χρησιμεύουν ως βάση για τις προβλέψεις που καταλήγει να κάνει το μοντέλο.

Ένα από τα γεγονότα της ζωής που προέβλεψαν οι ερευνητές ήταν η πιθανότητα θνησιμότητας ενός ατόμου
«Όταν οραματιζόμαστε τον χώρο που χρησιμοποιεί το μοντέλο για να κάνει προβλέψεις, μας μοιάζει με έναν μακρύ κύλινδρο που σε μεταφέρει από τη χαμηλή πιθανότητα θανάτου στην υψηλή πιθανότητα θανάτου», λέει η Lehmann.«Τότε μπορούμε να δείξουμε ότι στο τέλος όπου υπάρχει μεγάλη πιθανότητα θανάτου, πολλοί από αυτούς τους ανθρώπους πέθαναν πράγματι, και στο τέλος όπου υπάρχει μικρή πιθανότητα θανάτου, οι αιτίες είναι κάτι που δεν μπορούσαμε να προβλέψουμε, όπως τa αυτοκινητιστικά ατυχήματα».

Η εργασία δείχνει επίσης πώς το μοντέλο είναι ικανό να προβλέψει μεμονωμένες απαντήσεις σε ένα τυπικό ερωτηματολόγιο προσωπικότητας, ειδικά όταν πρόκειται για εξωστρέφεια.

Οι Eliassi-Rad και Lehmann σημειώνουν ότι παρόλο που το μοντέλο κάνει πολύ ακριβείς προβλέψεις, αυτές βασίζονται σε συσχετισμούς, εξαιρετικά συγκεκριμένα πολιτισμικά και κοινωνικά πλαίσια και στα είδη των προκαταλήψεων που υπάρχουν σε κάθε σύνολο δεδομένων.

“Αυτό το είδος εργαλείου είναι σαν ένα παρατηρητήριο της κοινωνίας και όχι όλων των κοινωνιών“, λέει η Eliassi-Rad. “Αυτή η μελέτη έγινε στη Δανία και η Δανία έχει τη δική της κουλτούρα, τους δικούς της νόμους και τους δικούς της κοινωνικούς κανόνες. Το αν αυτό μπορεί να γίνει στην Αμερική είναι μια διαφορετική ιστορία.”

Δεδομένων όλων αυτών των προειδοποιήσεων, οι Eliassi-Rad και Lehmann βλέπουν το προγνωστικό τους μοντέλο λιγότερο σαν τελικό προϊόν και περισσότερο σαν την αρχή μιας συνομιλίας. Η Lehmann λέει ότι οι μεγάλες εταιρείες τεχνολογίας πιθανότατα δημιουργούν αυτού του είδους τους αλγορίθμους πρόβλεψης για χρόνια σε κλειδωμένα δωμάτια.

Ελπίζουν ότι αυτή η εργασία μπορεί να αρχίσει να δημιουργεί μια πιο ανοιχτή, δημόσια κατανόηση για το πώς λειτουργούν αυτά τα εργαλεία, τι είναι ικανά και πώς πρέπει και πώς δεν πρέπει να χρησιμοποιούνται.

ΠΗΓΗ

div#stuning-header .dfd-stuning-header-bg-container {background-color: #5dacee;background-size: initial;background-position: top center;background-attachment: initial;background-repeat: initial;}#stuning-header div.page-title-inner {min-height: 450px;}#main-content .dfd-content-wrap {margin: 0px;} #main-content .dfd-content-wrap > article {padding: 0px;}@media only screen and (min-width: 1101px) {#layout.dfd-portfolio-loop > .row.full-width > .blog-section.no-sidebars,#layout.dfd-gallery-loop > .row.full-width > .blog-section.no-sidebars {padding: 0 0px;}#layout.dfd-portfolio-loop > .row.full-width > .blog-section.no-sidebars > #main-content > .dfd-content-wrap:first-child,#layout.dfd-gallery-loop > .row.full-width > .blog-section.no-sidebars > #main-content > .dfd-content-wrap:first-child {border-top: 0px solid transparent; border-bottom: 0px solid transparent;}#layout.dfd-portfolio-loop > .row.full-width #right-sidebar,#layout.dfd-gallery-loop > .row.full-width #right-sidebar {padding-top: 0px;padding-bottom: 0px;}#layout.dfd-portfolio-loop > .row.full-width > .blog-section.no-sidebars .sort-panel,#layout.dfd-gallery-loop > .row.full-width > .blog-section.no-sidebars .sort-panel {margin-left: -0px;margin-right: -0px;}}#layout .dfd-content-wrap.layout-side-image,#layout > .row.full-width .dfd-content-wrap.layout-side-image {margin-left: 0;margin-right: 0;}