هوش مصنوعی رویدادهای زندگی افراد را پیش بینی میکند

هوش مصنوعی رویدادهای زندگی افراد را پیش بینی میکند -هوش مصنوعی می تواند داده های رجیستری را در مورد محل سکونت، تحصیل، درآمد، سلامت و شرایط کاری افراد تجزیه و تحلیل کند و با دقت بالا، رویدادهای زندگی را پیش بینی کند.

هوش مصنوعی توسعه یافته برای مدل سازی زبان نوشتاری می تواند برای پیش بینی رویدادهای زندگی افراد مورد استفاده قرار گیرد.

 یک پروژه تحقیقاتی از DTU، دانشگاه کپنهاگ، ITU، و دانشگاه نورث ایسترن در ایالات متحده نشان می دهد که اگر از مقادیر زیادی داده در مورد زندگی افراد استفاده کنید و به اصطلاح “مدل های ترانسفورماتور” را آموزش دهید، که (مانند ChatGPT) برای پردازش زبان استفاده می شود.

آنها می توانند به طور سیستماتیک داده ها را سازماندهی کنند و پیش بینی کنند که در زندگی یک فرد چه اتفاقی می افتد و حتی زمان مرگ را تخمین بزنند.

در یک مقاله علمی جدید، “استفاده از توالی رویدادهای زندگی برای پیش بینی زندگی انسان”، که در Nature Computational Science منتشر شده است، محققان داده های سلامت و دلبستگی به بازار کار 6 میلیون دانمارکی را در مدلی به نام life2vec تجزیه و تحلیل کرده اند.

 پس از اینکه مدل در مرحله اولیه آموزش دید، یعنی الگوهای موجود در داده ها را آموخت، نشان داده شده است که از دیگر شبکه های عصبی پیشرفته برتری 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 پرداختن به این سوال اساسی استفاده کردیم: تا چه حد می‌توانیم رویدادهای آینده شما را بر اساس شرایط و رویدادهای گذشته‌تان پیش‌بینی کنیم؟

از نظر علمی، آنچه برای ما هیجان‌انگیز است، خود پیش‌بینی نیست، بلکه جنبه‌های داده‌هاست. Sune Lehmann، استاد دانشگاه DTU و اولین نویسنده مقاله، می‌گوید که مدل را قادر می‌سازد تا چنین پاسخ‌های دقیقی را ارائه دهد.

پیش بینی زمان مرگ

پیش‌بینی‌های Life2vec پاسخی است به سؤالات کلی مانند: “مرگ در چهار سال”؟ هنگامی که محققان پاسخ های مدل را تجزیه و تحلیل می کنند، نتایج با یافته های موجود در علوم اجتماعی سازگار است.

 برای مثال، اگر همه چیز برابر باشد، افرادی که در یک موقعیت رهبری هستند یا دارای درآمد بالا هستند، احتمال بیشتری برای زنده ماندن دارند، در حالی که مرد بودن، ماهر بودن یا داشتن تشخیص ذهنی با خطر بالاتر مرگ 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، تحصیل، تحصیل، حقوق، مسکن و سلامت را در کجا قرار دهد.

“آنچه هیجان انگیز است این است که زندگی انسان را به عنوان یک توالی طولانی از رویدادها در نظر بگیریم، شبیه به اینکه چگونه یک جمله در یک زبان از مجموعه ای از کلمات تشکیل شده است.

این معمولاً نوعی کار است که مدل های ترانسفورماتور در هوش مصنوعی برای آن استفاده می شود، اما در آزمایش های ما از آنها برای تجزیه و تحلیل آنچه که توالی زندگی می نامیم، یعنی رویدادهایی که در زندگی انسان رخ داده است، استفاده می کنیم.

طرح سوالات اخلاقی

محققان پشت این مقاله اشاره می کنند که سوالات اخلاقی مدل life2vec را احاطه کرده است، مانند محافظت از داده های حساس، حریم خصوصی و نقش سوگیری در داده ها.

 این چالش ها باید قبل از استفاده از این مدل، به عنوان مثال، برای ارزیابی خطر ابتلا به بیماری یا سایر رویدادهای قابل پیشگیری زندگی، عمیق تر درک شوند.

“این مدل دیدگاه‌های مثبت و منفی مهمی را برای بحث و بررسی سیاسی باز می‌کند.

فناوری‌های مشابهی برای پیش‌بینی رویدادهای زندگی و رفتار انسانی امروزه در شرکت‌های فناوری استفاده می‌شوند که، برای مثال، رفتار ما را در شبکه‌های اجتماعی ردیابی می‌کنند، ما را با دقت بسیار بالا معرفی می‌کنند، و از این پروفایل ها برای پیش بینی رفتار و تأثیرگذاری بر ما استفاده کنید.

این بحث باید بخشی از گفتگوهای دموکراتیک باشد تا در نظر بگیریم که فناوری ما را به کجا می برد و آیا این توسعه ای است که ما می خواهیم یا خیر.

به گفته محققان، گام بعدی ترکیب انواع دیگری از اطلاعات، مانند متن و تصاویر یا اطلاعات مربوط به ارتباطات اجتماعی ما خواهد بود.

 این استفاده از داده ها یک تعامل کاملاً جدید بین علوم اجتماعی و بهداشت را باز می کند.

پروژه تحقیقاتی

پروژه تحقیقاتی “استفاده از توالی رویدادهای زندگی برای پیش بینی زندگی 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 سلامت شامل سوابق بازدید از متخصصان مراقبت های بهداشتی یا بیمارستان ها، تشخیص، نوع بیمار و درجه فوریت است.

 این مجموعه داده از سال 2008 تا 2020 را در بر می گیرد، اما در چندین تجزیه و تحلیل، محققان بر دوره 2008-2016 و زیر مجموعه افراد دارای محدودیت سنی تمرکز می کنند.

مدل ترانسفورماتور

مدل ترانسفورماتور یک معماری داده با 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 گونه ای طراحی شده است که سریعتر و کارآمدتر از مدل های قبلی باشد و اغلب برای آموزش مدل های زبان بزرگ در مجموعه داده های بزرگ استفاده می شود.

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 ارسال شده به نورون های دیگر را محاسبه می کند.

 یک شبکه عصبی می تواند با آموزش بر روی مقادیر زیادی داده، حل وظایف را بیاموزد.

 شبکه های عصبی برای یادگیری و بهبود دقت خود در طول زمان به داده های آموزشی متکی هستند.

 اما هنگامی که این الگوریتم‌های یادگیری برای دقت تنظیم شوند، ابزارهای قدرتمندی در علوم کامپیوتر و هوش مصنوعی هستند که به ما اجازه می‌دهند داده‌ها را با سرعت بالا طبقه‌بندی و گروه‌بندی کنیم.

 یکی از شناخته شده ترین شبکه های عصبی، الگوریتم جستجوی گوگل است.

هوش مصنوعی رویدادهای زندگی افراد را پیش بینی میکند

مهندس حمید تدینی: نویسنده و وبلاگ نویس مشهور، متخصص در زبان برنامه نویسی و هوش مصنوعی و ساکن آلمان است. مقالات روشنگر او به پیچیدگی های این زمینه ها می پردازد و به خوانندگان درک عمیقی از مفاهیم پیچیده فناوری ارائه می دهد. کار او به دلیل وضوح و دقت مشهور است.