|
ИИ может предсказать продолжительность жизни человека
|
|
|
|
Исследователи создали инструмент искусственного интеллекта, который использует последовательность жизненных событий, таких как история здоровья, образование, работа и доход, чтобы предсказать все, от личности человека до его смертности. Созданный с использованием моделей-трансформеров, которые поддерживают большие языковые модели (LLM), такие как ChatGPT, новый инструмент life2vec обучается на наборе данных, полученном от всего населения Дании — 6 миллионов человек. Набор данных был предоставлен правительством Дании только исследователям. Инструмент, созданный исследователями на основе этого сложного набора данных, способен предсказывать будущее, включая продолжительность жизни людей, с точностью, превосходящей самые современные модели. Но, несмотря на его предсказательную силу, команда, стоящая за исследованием, утверждает, что его лучше всего использовать в качестве основы для будущей работы, а не как самоцель.
|
|
|
|
«Несмотря на то, что мы используем прогнозирование, чтобы оценить, насколько хороши эти модели, этот инструмент не следует использовать для прогнозирования реальных людей», — говорит Тина Элиасси-Рад, профессор компьютерных наук и первый президент Джозеф Э. Аун, профессор Университета. Северо-Восточный университет. «Это модель прогнозирования, основанная на конкретном наборе данных о конкретной популяции». Элиасси-Рад привнесла в проект свой опыт в области этики искусственного интеллекта. «Эти инструменты позволяют вам взглянуть на свое общество по-другому: на вашу политику, правила и положения», — говорит она. «Вы можете думать об этом как о сканировании того, что происходит на земле». Привлекая ученых-социологов к процессу создания этого инструмента, команда надеется, что он принесет человеко-ориентированный подход к разработке ИИ, который не упускает из виду людей среди огромного набора данных, на котором был обучен их инструмент.
|
|
|
«Эта модель предлагает гораздо более полное отражение мира, в котором живут люди, чем многие другие модели», — говорит Суне Леманн, автор статьи, которая недавно была опубликована в журнале Nature Computational Science. Исследовательский брифинг по этой теме представлен в том же номере журнала. В основе life2vec лежит огромный набор данных, который исследователи использовали для обучения своей модели. Данные хранятся Статистическим управлением Дании, центральным органом датской статистики, и, хотя они строго регулируются, доступ к ним могут получить некоторые представители общественности, включая исследователей. Причина, по которой он так строго контролируется, заключается в том, что он включает подробный реестр каждого гражданина Дании.Множество событий и элементов, составляющих жизнь и отраженных в данных, от факторов здоровья и образования до доходов. Исследователи использовали эти данные для создания длинных шаблонов повторяющихся жизненных событий, которые затем вносились в их модель, приняв подход модели преобразователя, используемый для обучения LLM языку, и адаптировав его для человеческой жизни, представленной в виде последовательности событий.
|
|
|
|
«Всю историю человеческой жизни в каком-то смысле можно рассматривать как гигантское длинное предложение из множества вещей, которые могут случиться с человеком», — говорит Леманн, профессор сетей и наук о сложности в DTU Compute, Technical. Университет Дании, ранее работал научным сотрудником в Северо-Восточном университете. Модель использует информацию, полученную в результате наблюдения за миллионами последовательностей жизненных событий, для построения так называемых векторных представлений в пространствах внедрения, где она начинает классифицировать и устанавливать связи между жизненными событиями, такими как доход, образование или факторы здоровья. Эти пространства внедрения служат основой для прогнозов, которые в конечном итоге делает модель. Одним из жизненных событий, которое предсказали исследователи, была вероятность смертности человека. «Когда мы визуализируем пространство, которое модель использует для прогнозирования, оно выглядит как длинный цилиндр, который ведет от низкой вероятности смерти к высокой вероятности смерти», — говорит Леманн. «Тогда мы сможем показать, что в конце концов, когда существует высокая вероятность смерти, многие из этих людей действительно умерли, а в конце концов, когда вероятность смерти мала, причины смерти — это то, что мы не можем предсказать, например автомобиль несчастные случаи."
|
|
|
|
В статье также показано, как модель способна предсказывать индивидуальные ответы на стандартный личностный опросник, особенно когда речь идет об экстраверсии. Элиасси-Рад и Леманн отмечают, что, хотя модель дает очень точные прогнозы, они основаны на корреляциях, весьма специфических культурных и социальных контекстах и видах предубеждений, которые существуют в каждом наборе данных. «Такой инструмент подобен обсерватории общества – и не всех обществ», – говорит Элиасси-Рад. «Это исследование было проведено в Дании, а Дания имеет свою собственную культуру, свои законы и свои социальные правила. Можно ли это сделать в Америке – это другая история». Учитывая все эти оговорки, Элиасси-Рад и Леманн рассматривают свою прогностическую модель не как конечный продукт, а скорее как начало разговора. Леманн говорит, что крупные технологические компании, вероятно, годами создавали такого рода алгоритмы прогнозирования в запертых комнатах. Он надеется, что эта работа может начать формировать более открытое и общественное понимание того, как эти инструменты работают, на что они способны и как их следует и не следует использовать.
|
|
|
|
Источник
|
