مدل جدید هوش مصنوعی می تواند طول عمر انسان را پیش بینی کند.
مدل جدید هوش مصنوعی می تواند طول عمر انسان را پیش بینی کند. آنها می‌خواهند مطمئن شوند که به خوبی از آن استفاده می‌شود.
محققان یک ابزار هوش مصنوعی ایجاد کرده‌اند که از توالی رویدادهای زندگی – مانند تاریخچه سلامت، تحصیلات، شغل و درآمد – برای پیش‌بینی همه چیز از شخصیت افراد گرفته تا مرگ و میر آنها استفاده می‌کند.
ابزار جدید life2vec که با استفاده از مدل‌های ترانسفورماتور، قدرت مدل‌های زبان بزرگ (LLM) مانند ChatGPT را تامین می‌کند، بر روی مجموعه‌ای از داده‌های جمع‌آوری شده از کل جمعیت دانمارک – 6 میلیون نفر – آموزش داده شده است.
مجموعه داده‌ها تنها توسط دولت دانمارک در اختیار محققان قرار گرفت.
ابزاری که محققان بر اساس این مجموعه پیچیده از داده ها ساخته اند، قادر است آینده، از جمله طول عمر افراد را با دقتی فراتر از مدل های پیشرفته پیش بینی کند.
اما علیرغم قدرت پیش‌بینی آن، تیم تحقیقاتی می‌گوید بهترین کار این است که از آن به عنوان پایه‌ای برای کارهای آینده استفاده شود، نه به خودی خود.
تینا الیاسی راد، استاد علوم کامپیوتر و پروفسور جوزف ای. عون، رئیس جمهور افتتاحیه، می‌گوید: «اگرچه ما از پیش‌بینی برای ارزیابی خوب بودن این مدل‌ها استفاده می‌کنیم، اما این ابزار نباید برای پیش‌بینی افراد واقعی استفاده شود.
دانشگاه شمال شرقی “این یک مدل پیش بینی است که بر اساس مجموعه داده های خاص یک جمعیت خاص است.”
الیاسی راد تخصص اخلاقی هوش مصنوعی خود را به پروژه آورد.
او می‌گوید: «این ابزارها به شما امکان می‌دهند جامعه خود را به شیوه‌ای متفاوت ببینید: سیاست‌هایی که دارید، قوانین و مقرراتی که دارید.
شما می توانید آن را به عنوان یک اسکن از آنچه روی زمین اتفاق می افتد در نظر بگیرید.
با مشارکت دادن دانشمندان علوم اجتماعی در فرآیند ساخت این ابزار، این تیم امیدوار است که رویکردی انسان محور را برای توسعه هوش مصنوعی به ارمغان بیاورد که در میان مجموعه داده های عظیمی که ابزارشان بر روی آن آموزش دیده است، چشم انسان را از دست ندهد.
Sune Lehmann، نویسنده این مقاله که اخیراً در Nature Computational Science منتشر شده است، می‌گوید: «این مدل بازتاب بسیار جامع‌تری از جهان را که انسان‌ها در آن زندگی می‌کنند، نسبت به بسیاری از مدل‌های دیگر ارائه می‌دهد .
خلاصه پژوهشی در مورد موضوع در همان شماره مجله ارائه شده است.
در قلب life2vec مجموعه داده های عظیمی قرار دارد که محققان برای آموزش مدل خود از آن استفاده کردند.
این داده ها توسط اداره آمار دانمارک، مرجع مرکزی آمار دانمارک نگهداری می شود، و اگرچه به شدت تنظیم شده است، اما می تواند توسط برخی از اعضای عمومی، از جمله محققان، قابل دسترسی باشد.
دلیل کنترل شدید آن این است که شامل یک ثبت نام دقیق از هر شهروند دانمارکی است.
رویدادها و عناصر بسیاری که یک زندگی را تشکیل می‌دهند و در داده‌ها مشخص شده‌اند، از عوامل سلامتی و تحصیلات گرفته تا درآمد.
محققان از این داده‌ها برای ایجاد الگوهای طولانی از رویدادهای زندگی مکرر استفاده کردند تا به مدل خود وارد شوند، با استفاده از رویکرد مدل ترانسفورماتور مورد استفاده برای آموزش زبان‌های LLM و تطبیق آن برای زندگی انسانی که به‌عنوان توالی رویدادها نمایش داده می‌شود.
Lehmann، استاد شبکه ها و علوم پیچیدگی در DTU Compute, Technical می گوید: «کل داستان زندگی یک انسان، به نوعی، می تواند به عنوان یک جمله طولانی غول پیکر از بسیاری از چیزهایی که ممکن است برای یک فرد اتفاق بیفتد، در نظر گرفته شود.
دانشگاه دانمارک و قبلاً یک دانشجوی فوق دکترا در شمال شرقی.
این مدل از اطلاعاتی استفاده می‌کند که از مشاهده میلیون‌ها توالی رویدادهای زندگی می‌آموزد تا آنچه را که بازنمایی‌های برداری نامیده می‌شود در فضاهای جاسازی شده بسازد، جایی که شروع به طبقه‌بندی و ایجاد ارتباط بین رویدادهای زندگی مانند درآمد، تحصیلات یا عوامل سلامتی می‌کند.
این فضاهای تعبیه شده به عنوان پایه ای برای پیش بینی هایی است که مدل در نهایت انجام می دهد.
یکی از وقایع زندگی که محققان پیش‌بینی کردند، احتمال مرگ و میر یک فرد بود.
Lehmann می‌گوید: «وقتی فضایی را که مدل برای پیش‌بینی استفاده می‌کند تجسم می‌کنیم، شبیه استوانه‌ای بلند به نظر می‌رسد که شما را از احتمال کم مرگ به احتمال زیاد مرگ میبرد.
سپس می‌توانیم نشان دهیم که در نهایت در جایی که احتمال مرگ زیاد است، بسیاری از آن افراد واقعاً مرده‌اند، و در نهایت در جایی که احتمال مرگ کم است، علل مرگ چیزی است که ما نمی‌توانیم آنها را پیش‌بینی کنیم، مانند ماشین. تصادفات.”
این مقاله همچنین نشان می‌دهد که چگونه این مدل قادر به پیش‌بینی پاسخ‌های فردی به یک پرسش‌نامه شخصیتی استاندارد است، به‌ویژه در مورد برون‌گرایی.
الیاسی راد و لمان خاطرنشان می کنند که اگرچه این مدل پیش بینی های بسیار دقیقی انجام می دهد، اما بر اساس همبستگی ها، زمینه های فرهنگی و اجتماعی بسیار خاص و انواع سوگیری هایی است که در هر مجموعه داده وجود دارد.
الیاسی راد می‌گوید: «این نوع ابزار مانند رصدخانه جامعه است و نه همه جوامع. این مطالعه در دانمارک انجام شد و دانمارک فرهنگ، قوانین و قوانین اجتماعی خاص خود را دارد.
با توجه به تمام آن اخطارها، الیاسی راد و لمان مدل پیش‌بینی خود را کمتر شبیه یک محصول نهایی و بیشتر شبیه به آغاز یک مکالمه می‌دانند.
Lehmann می‌گوید که شرکت‌های بزرگ فناوری احتمالاً سال‌ها این نوع الگوریتم‌های پیش‌بینی را در اتاق‌های قفل شده ایجاد کرده‌اند.
او امیدوار است که این کار بتواند درکی بازتر و عمومی از نحوه کارکرد این ابزارها، توانایی آنها و نحوه استفاده از آنها ایجاد کند.
