Selon l'OMS, il y a environ 1,1 milliard de fumeurs dans le monde. La Russie occupe le cinquième rang pour le nombre de fumeurs - plus de 45 millions de personnes. Pour lutter contre les tristes statistiques, les scientifiques ont proposé un moyen de lutter contre le tabagisme basé sur l'intelligence artificielle.
Environ 400 000 Russes meurent chaque année de maladies liées au tabagisme. Et tandis que l'État prend des mesures pour limiter la consommation de tabac au niveau législatif, les chercheurs développent des méthodes efficaces basées sur les technologies d'intelligence artificielle (IA). Andrey Polyakov, chercheur au Philips Research Lab Rus, a expliqué comment les réseaux de neurones et l'apprentissage automatique peuvent aider à lutter contre le tabagisme.
Que peut-on dire en général de l'étude: comment est née l'idée, pourquoi l'intelligence artificielle devrait-elle aider les gens à arrêter de fumer?
- Une des stratégies de renoncement au tabac les plus efficaces est le conseil médical. Lors des consultations, le spécialiste apporte un soutien psychologique à la personne qui arrête de fumer, pour ne pas la laisser tomber en panne. Mais les consultations en face-à-face sont un plaisir assez coûteux pour le système de santé, et les patients n'ont pas toujours la possibilité de consulter un médecin souvent en raison de l'éloignement des cliniques spécialisées.
Les employés des laboratoires russe et néerlandais Philips Research ont pensé à résoudre ces problèmes. Les scientifiques se sont fixé pour objectif d'étendre les séances de consultation à un large public de fumeurs disposant de smartphones avec accès à Internet. Les résultats de l'étude ont été présentés à l'été 2018 à Stockholm lors de la conférence IJCAI-2018. L'idée est d'automatiser une intervention thérapeutique et de fournir une assistance à distance à une personne pour arrêter de fumer en utilisant les capacités de l'intelligence artificielle.
Nous parlons d'un agent conversationnel sur un smartphone capable de sélectionner et d'appliquer l'une des stratégies d'accompagnement des patients. Il peut reconnaître la coloration émotionnelle du discours ou des messages texte du patient, y répondre de manière appropriée et aider la personne à se débarrasser de la mauvaise habitude.
Quels principes de l'IA sont à la base de la méthode?
- Ces principes reposent sur la modélisation de la méthodologie de sevrage tabagique à l'aide de la thérapie cognitivo-comportementale et des entretiens motivationnels, qui sont généralement menés par un médecin à l'accueil. Naturellement, dans une conversation en direct, une personne peut comprendre l'humeur et l'état de l'interlocuteur grâce à divers signaux verbaux et non verbaux: il s'agit notamment de la parole, de la voix, des expressions faciales, des gestes.
Vidéo promotionelle:
Dans nos recherches, nous nous sommes intéressés à la langue dans laquelle nous communiquons dans les messageries instantanées et les réseaux sociaux. Pour que l'intelligence artificielle remplace un psychothérapeute, elle doit être capable de reconnaître le discours parlé et écrit d'une personne, sa coloration émotionnelle, ainsi que de maintenir une conversation et de répondre aux changements de l'état du patient.
Comment l'intelligence artificielle apprend-elle à analyser la parole?
- Les méthodes d'apprentissage profond, en particulier les réseaux de neurones récurrents, associées à la disponibilité d'outils informatiques et de données accumulées, ont permis de faire une percée dans de nombreux domaines de l'intelligence artificielle, dont la reconnaissance et le traitement de la parole. A l'aide de ces technologies, plusieurs entreprises de haute technologie ont pu créer des assistants vocaux avec lesquels vous pouvez communiquer et définir des tâches: Siri d'Apple, Google Assistant de Google, Alice de Yandex.
Bien que les réseaux de neurones récurrents soient un outil de reconnaissance de texte populaire, ils nécessitent une grande quantité de données étiquetées qui sont difficiles à collecter. De plus, le processus de communication est un exemple d'apprentissage de l'IA dans un environnement non stationnaire, car notre discours change considérablement à la fois dans le temps et sous l'influence des caractéristiques nationales de différentes cultures.
Ces facteurs nécessitent une configuration locale et une maintenance du classifieur (dans notre cas, un réseau neuronal récurrent d'apprentissage profond) déjà au niveau d'un utilisateur individuel. L’apprentissage actif est l’une des approches populaires de l’amélioration continue d’un classificateur. L'idée principale de ces méthodes est de ne marquer qu'une partie des données reçues qui présente un intérêt pour une application ultérieure.
En règle générale, les méthodes d'apprentissage actives de l'IA actuelles fonctionnent bien pour les tâches traditionnelles. Ce faisant, ils peuvent entraîner une instabilité technologique, ce qui est courant dans les architectures de réseaux neuronaux d'apprentissage en profondeur.
Notre méthode est un nouvel algorithme d'apprentissage actif des réseaux de neurones, qui repose sur les principes suivants: apprentissage semi-supervisé, réseaux de neurones récurrents, apprentissage en profondeur et traitement du langage naturel.
Le mécanisme de travail est le suivant: l'algorithme reçoit un message texte, comme cela se produit lors de la communication dans les messageries instantanées. La tâche de l'algorithme est de reconnaître sa coloration émotionnelle par rapport au thème du tabagisme. Cela peut être positif («Personnellement, je quitte, je ne fume pas, je suis joyeux et plein d’énergie»), négatif («Je fume à nouveau») ou neutre («Moscou est la capitale de la Russie»).
Messages Twitter traités par les réseaux de neurones pendant la recherche / Service de presse Philips Research.
En fonction de la coloration émotionnelle, l'algorithme applique des stratégies comportementales appropriées: changer le sujet de la conversation dans le cas d'une coloration positive, soutenir la conversation avec une coloration négative, et réagir de manière neutre dans le cas d'un message neutre.
Comment l'étude de l'efficacité de cette méthode a-t-elle été menée, quels ont été ses résultats?
- Le but de notre étude était de développer une nouvelle méthode de recherche et de sélection de données présentant un intérêt particulier. Pour montrer le type de données qui nous intéresse, considérons l'exemple suivant. Imaginez un jury qui prend une affaire au tribunal et décide à la majorité si une personne est coupable ou non. Dans ce cas, le jury peut toujours se tourner vers le magicien Merlin, qui sait avec certitude si l'accusé est coupable. Mais il exige le paiement de ses services.
Le jury veut faire son travail consciencieusement, mais a en même temps un budget limité et ne peut pas contacter Merlin pour chaque cas. Une affaire est considérée comme inintéressante si le jury vote presque à l'unanimité pour la culpabilité ou l'innocence, c'est une affaire simple. Mais si les voix du jury sont partagées, cela présente un intérêt.
Dans ce cas, le jury se tourne vers le magicien, reçoit une réponse et, lors de l'examen des prochains cas similaires, prendra des décisions plus coordonnées, ce qui à l'avenir simplifiera les cas similaires. Passant à la terminologie de l'algorithme, un jury signifie un classificateur (réseau de neurones), un jury signifie un comité de classificateurs, une affaire en justice signifie un message tweet, et Merlin signifie un expert qui balisent les messages.
Ainsi, plusieurs réseaux de neurones, basés sur l'expérience accumulée, décident de la couleur émotionnelle d'un tweet particulier. Par exemple, s'ils donnent presque à l'unanimité à un tweet une connotation émotionnelle positive, alors il est classé comme positif. Si les réseaux de neurones «se confondent dans les lectures», alors le tweet est marqué comme intéressant.
En outre, tous les cas intéressants sont collectés, classés en fonction du degré de confiance dans les prédictions des classificateurs, après quoi ces cas sont envoyés à l'expert pour notation. En outre, le spécialiste effectue une formation supplémentaire des réseaux de neurones en fonction des cas analysés.
Qu'as-tu réussi à créer au final?
- À la suite de la recherche, un nouvel algorithme d'apprentissage actif Query by Embedded Commettee (QBEC) a été créé, qui diffère de ceux existants en termes de précision et de vitesse. Au cours de l'expérience, nous avons appliqué un nouvel algorithme pour classer les messages texte courts de Twitter à l'aide de réseaux de neurones récurrents.
Tout d'abord, une base de données de formation pour l'IA a été collectée et étiquetée manuellement à partir de plus de 2300 publications Twitter en anglais publiées d'octobre 2017 à janvier 2018. Les messages d'octobre étaient liés à la campagne européenne de sevrage tabagique Stoptober. Dans le cadre de cette campagne, les gens arrêtent de fumer et publient des tweets pendant un mois au cours desquels ils partagent leurs impressions sur l'arrêt de la cigarette.
Les messages de décembre ont été rédigés par des personnes qui allaient arrêter de fumer avant le Nouvel An. De plus, une base de test a été collectée et annotée manuellement. Le système de classification de texte appliqué était basé sur des architectures modernes de réseaux de neurones récurrents d'apprentissage profond. Elle a été formée sur la base de formation sur les tweets.
La précision du classificateur appris avec son aide était très faible et dépassait à peine 50%. Ensuite, nous avons mené une autre expérience dans laquelle nous avons appliqué systématiquement le mécanisme d'apprentissage actif: chaque jour, le classificateur a reçu une nouvelle portion de messages ciblés (environ 3000 par jour) et a donné 30 des cas les plus intéressants pour le marquage.
Ces messages ont été étiquetés manuellement et ajoutés à la base de données de formation, qui a été utilisée pour créer le modèle de classificateur suivant. L'étude a montré que cette méthode d'enseignement de l'intelligence artificielle permettait une amélioration qualitative de l'algorithme. Les expériences informatiques et les calculs théoriques démontrent une vitesse beaucoup plus élevée de l'algorithme QBEC.
Cette circonstance permet d'exécuter l'algorithme d'apprentissage actif QBEC même sur un appareil utilisateur, tel qu'un smartphone. Cela signifie que nous avons une chance de créer un assistant vocal efficace qui peut jouer le rôle d'un médecin et aider les personnes qui essaient d'arrêter de fumer.
Quelles prédictions peuvent être faites sur la base de ces résultats, quelle sera l'efficacité de l'IA pour aider les gens à arrêter de fumer à l'avenir?
- Les résultats de la recherche montrent que l'intelligence artificielle est capable de reconnaître les émotions du patient à partir du texte du message, tandis que les algorithmes d'apprentissage actif peuvent améliorer en permanence la précision de la classification des données. Notre défi aujourd'hui est de faire en sorte qu'à l'avenir, le pourcentage de personnes qui cessent de fumer à l'aide de la technologie de l'IA ne soit pas inférieur au pourcentage de personnes qui arrêtent de fumer lors de consultations en face à face.
L'introduction de l'IA dans la médecine peut réduire le fardeau financier du système de santé et toucher beaucoup plus de patients qui veulent arrêter de fumer et mener une vie saine.
On peut supposer qu'à l'avenir, cette approche sera appliquée, entre autres, pour aider les patients souffrant de toxicomanie ou d'alcoolisme. De plus, les médecins pourront se tourner plus souvent vers les capacités de l'IA pour identifier les troubles mentaux.
Par exemple, récemment, des scientifiques de l'Université de Pennsylvanie ont développé un réseau neuronal qui analyse les publications des utilisateurs sur Facebook et détermine si les personnes sont déprimées. Le diagnostic de cette maladie n'est pas toujours sans ambiguïté, par conséquent, la précision de l'algorithme lors de l'étude dans 70% des cas était comparable aux résultats des dépistages médicaux.
De tels exemples prouvent que les possibilités d'utilisation de l'intelligence artificielle en médecine sont infinies et peuvent aider les médecins à résoudre de nombreux problèmes sociaux.