Системы предсказания будущего
(с)
Лучшие нейронные сети, обыгрывающие человека в покер, Го, шахматы и «Доту», обладают одной общей чертой — они умеют предсказывать ближайшее будущее.
Способность машин прогнозировать поведение может значительно превзойти возможности человека. В пространстве различных вероятностей алгоритмы оказываются лучше человека, подверженного влиянию эмоций.
Что могут предсказать нейросети? Перед нами бескрайнее поле возможностей: биржа, преступления, погода, здоровье, транспорт — везде способность просчитывать на несколько шагов вперед окажется полезной. Уже сегодня некоторые алгоритмы превосходят экспертов-людей. Рассвет завтрашнего нейродня не оставит никакого следа от «тумана неизвестности».
Исследователи из компании DeepMind опубликовали научную работу, в которой представили новый метод обучения нейросети с подкреплением. Оказалось, что если в процессе самообучения нейросеть начинает «фантазировать» о различных вариантах будущего, то обучается гораздо быстрее. «Фантазия» нейросети заключается в том, что по трем последним известным кадрам нейросеть должна предсказать вознаграждение, которое она получит на четвертом неизвестном временном интервале. ИИ использует свою память и применяет новые стратегии как бы в своем воображении.
Чем эффективнее становятся системы, тем лучше они строят прогнозы. Сейчас мы можем не только предсказывать погоду (на краткосрочном промежутке). Мы можем даже «видеть» будущее макроэкономических ситуаций в различных районах города, замеряя потребление воды, электричества, транспортный поток (сколько пассажиров в общественном транспорте и сколько в своих машинах), увеличение/уменьшение потребления ресурсов.
Уже трудно представить сферу, в которой мы могли бы обойтись без предсказаний. Да и стоит ли от них отказываться, если алгоритмы дают возможность выбирать правильную стратегию поведения?
Поведение на дорогах
Исследователи из Массачусетского технологического института построили систему, способную предсказать огромное количество событий реального мира. Сначала программу обучили на выборе из 2 миллионов онлайн-видео. Каждый ролик программа проанализировала, классифицировав все предметы и действия в сюжетах.
Затем нейросети показывали статичное изображение. Программа, в свою очередь, генерировала 1,5-секундные видеоклипы, демонстрировавшие видение ближайшего будущего.
Очевидно, что подобное решение можно использовать не только для создания гифок. Алгоритмы в принципе позволяют «заглядывать» в будущее сложных систем, что найдет применение в автономных автомобилях, анализирующих постоянно меняющуюся ситуацию на дороге.
Компьютер сможет понять, что он видит нечто необычное — например, животное выбежало на дорогу. Даже если машина никогда не попадала в эту ситуацию раньше, она «поймет», что происходит нечто странное — следует либо остановиться, либо передать управление водителю.
Здоровье человека
(с)
Ученые из Стэнфордского университета разработали систему искусственного интеллекта, способную предсказать вероятность смерти тяжелобольного пациента в течение года с точностью до 90%.
Исследователи проанализировали записи 160 000 пациентов, чтобы собрать данные о прошлых диагнозах, назначенных процедурах и сделанных врачами прогнозах.
После обработки датасета был составлен алгоритм для глубокого обучения нейросети. Затем сетка сделала прогнозы смертности от всех причин на срок от 3 до 12 месяцев в отношении 40 000 пациентов.
Спустя год исследователи подвели итоги: в 90% случаев нейросеть верно предсказала состояние больного (вне зависимости от того, ждала ли его смерть или выздоровление). Этот показатель значительно превосходит возможности даже группы врачей-экспертов.
Бренд «Терафлю» разработал систему, прогнозирующую вероятность подхватить простуду на территории ряда стран, включая Россию. Ежедневно система анализирует посты в соцсетях, запросы в поисковиках, данные «НИИ гриппа», а также данные спроса в аптеках на средства, специфические для борьбы с симптомами простуды. В итоге получается график «простудной опасности» в том или ином регионе с прогнозом на несколько дней. Впрочем, подобные платформы находят и более ценное применение: в системе «Виртуальный Сингапур» уже сейчас можно в реальном времени просматривать и анализировать жизнь страны и предсказывать, например, распространение опасных инфекций или реакцию больших масс людей на взрыв в торговом центре.
Microsoft и Adaptive Biotechnologies планируют создать систему, которая на основе анализа крови сможет выявлять заболевания на ранних стадиях. Анализируя генетический код в триллионах рецепторов Т-лимфоцитов, система будет выявлять болезни, с которыми сталкивался организм еще на бессимптомной стадии. Предполагается, что тест будет способен определять широкий спектр болезней единовременно, включая болезни, которые обычно диагностируются на очень поздних стадиях.
Исследовательская группа из Института молекулярной биологии РАН, Российского геронтологического научно-клинического центра, МФТИ и других научных центров, представила метод предсказания биологического возраста человека (который отличается от паспортного) на основе данных УЗИ сонной артерии человека и тонометрии. С помощью машинного обучения была получена сложная формула, способная предсказывать возраст у здоровых людей с точностью в 6,9 года для мужчин и 5,9 года для женщин, что является очень высоким показателем по сравнению с другими известными методами.
Датские ученые разработали нейронную сеть Corti Signal, которая отслеживает звуковые сообщения для диагностики сердечного приступа. В первую очередь система должна помочь людям, которые позвонили в «скорую помощь». Оператор не всегда способен выявить сердечный приступ у человека на другом конце провода (справляется в 73% случаев), а вот нейросеть решает эту задачу с точностью 95%! ИИ не только слушает разговор, но также собирает невербальные сигналы, такие как паттерны дыхания.
По всей видимости, в будущем системы на основе нейросетей (и других методов) позволят предсказывать болезни намного раньше — в некоторых случаях за десятки лет до наступления самого заболевания.
Умные вещи знают, что с ними случится
Представьте себе здание, которое может еще до аварии сказать, что, например, отопление скоро откажет. Некоторые компании используют машинное обучение именно для этого. Такая процедура называется прогнозирующим обслуживанием.
Компания CGnal, расположенная в Милане, Италия, недавно проанализировала данные за год от отопительных и вентиляционных систем в итальянской больнице. От датчиков были получены данные о температуре, влажности, использовании электричества. Алгоритм обучили на выборке за полгода, затем исследователи проверили его по данным со второй половины года. Система предсказала 76 из 124 реальных неисправностей, в том числе 41 из 44, где температура прибора повысилась выше допустимых уровней.
Другие компании также используют схожий подход к данным. Финский стартап Leanheat помещает беспроводной датчик температуры, влажности и давления для дистанционного управления отоплением и контроля работоспособности устройства. Вместо того чтобы регулировать отопление просто по температуре наружного воздуха, модели Leanheat учитывают изменения погоды: температура упала до нуля с 10 градусов или поднялась от -10.
В США компания Augury разработала «Shazam для машин», устанавливая акустические датчики в машины для прослушивания слышимых изменений и выявления потенциально неизбежных сбоев. Впрочем, гаджет может работать с разными устройствами: клиенты могут подключить датчик к коммерческим холодильникам или промышленным нагревателям. Гаджет Augury записывает вибрации и ультразвуки, загружает их в облачный сервис, где данные анализируются для составления прогноза о работоспособности контролируемой машины.
Аудио и данные анализируются и сохраняются так, что звук устройства одного клиента можно сравнить со звуком всех остальных. Идея заключается в том, что Augury не требуется настраивать программное обеспечение для каждого типа устройств. Вместо этого можно просто установить датчики и прослушать устройство, чтобы создать представление о том, как оно звучит, когда функционирует нормально. Со временем база данных звуков позволит узнать, какие конкретные звуки предшествуют конкретным типам сбоев.
Прогноз погоды
Прогнозирование погоды остается сложной задачей для науки. Мы уже наловчились использовать для этого сверточные нейронные сети, но прогресс не стоит на месте. В списке Top-500 самых мощных вычислительных систем мира, по состоянию на ноябрь 2016 года, прогнозированием погоды занимались 23 суперкомпьютера.
Компания ClimaCell использует подход, не связанный с нейросетями и суперсложными алгоритмами: в качестве датчиков предсказания погоды выступают беспроводные сети связи — все это делается в рамках концепции наукастинг (nowcasting), при которой cверхкраткосрочный прогноз явлений погоды делается в пределах 0–6 ч от срока наблюдения.
ClimaCell объединяет несколько уровней данных от беспроводных сетей, спутников, погодных радаров и других датчиков для создания карт высокой четкости. Используя данные примерно 5000 станций, эксплуатируемых несколькими телекоммуникационными фирмами, компания создает очень точные и достоверные погодные карты.
Опасные алгоритмы
Не тот компас, но близкий по смыслу
Различные системы предсказания преступлений уже несколько лет тестируются в США. Одна из первых систем подобного типа — COMPAS — была создана в 1998 году. COMPAS анализирует 137 параметров биографии осужденного человека, включая тяжесть предыдущих преступлений, уровень образования и доходов, семейный статус и наличие зависимостей. Также программа учитывает результаты психологических тестов, в том числе темперамент, готовность к риску, степень нарциссизма и склонности к чувству вины. На основе этих данных COMPAS прогнозирует, какова вероятность преступного рецидива в следующие два года.
Однако в Дартмутском колледже провели тщательное исследование COMPAS и сделали вывод, что алгоритм на самом деле не более точен, чем любой среднестатистический человек. Программа смогла выявить преступников-рецидивистов в 65% случаев. Люди без специального образования и опыта вынесения приговоров справлялись с этой задачей в 67% случаев, зная лишь возраст, пол и историю преступлений обвиняемого. Более того, оказалось, что точность COMPAS можно повысить, если оставить в нем всего два параметра: возраст человека и сведения о предыдущих судимостях.
Алгоритмы могут принимать решения и строить прогнозы намного эффективнее человека. Люди принимают во внимание несущественные факторы и игнорируют действительно важные, поддаются эмоциям, а также позволяют себе принимать решения в соответствии с внутренним «чутьем», интуицией или вообще безо всякой логики.
Однако это вовсе не означает, что мы полностью должны довериться машинам, ведь они тоже не обладают 100% точностью.
Сможет ли искусственный интеллект предсказать смерть?
Валлийский поэт Дилан Томас страстно призывал к борьбе против неизбежности смерти. Ведущие футурологи современности эхом вторят его призывам. Разница лишь в сентиментальности поэта и прозаичности реальности. Все мы когда-нибудь умрем. Вопрос лишь в том, когда и как.
В настоящее время ученые пытаются заставить искусственный интеллект, машинное обучение и компьютерное зрение, предсказать смерть человека. Конечная цель состоит, конечно, не в том, чтобы сделать из ИИ мрачного жнеца, а вовремя предупреждать хронические заболеваний и другие болезни.
Новейшие исследования этого применения ИИ в области медицины использовали последние модели машинного обучения для анализа КТ-сканирования 48 грудных клеток. Компьютер смог предсказать, какой из пациентов умрет в течение пяти лет с 69-процентной точностью. Примерно так же, как предсказал бы любой врач.
Результаты были опубликованы в научных докладах журнала Nature под авторством команды из Университета Аделаиды. Ведущий автор работы доктор Люк Оукден-Райнер, радиолог и аспирант, говорит, что одним из очевидных преимуществ использования ИИ в точной медицине является заблаговременное выявление рисков для здоровья и потенциальное вмешательство.
Менее очевидным будет обещание ускорить исследования долговечности.
«В настоящее время большинство исследований хронических заболеваний и долголетия требуют длительных периодов наблюдения, которые позволят выявить разницу между пациентами с лечением и без, потому что эти болезни медленно прогрессируют», объясняет он. «Если бы мы могли количественно оценить изменения раньше, мы не только смогли бы выявить болезнь, но и осуществить более эффективное вмешательство, а также смогли бы намного раньше среагировать».
Это может привести к более быстрому и дешевому лечению. «Если бы мы могли скостить год или два времени, которое требуется на передачу лечебных средств из лаборатории пациенту, прогресс в этой области существенно ускорился бы».
ИИ с сердцем
В январе исследователи из Имперского колледжа в Лондоне опубликовали результаты, которые показали, что ИИ может предсказывать сердечную недостаточность и смерти лучше, чем человеческий врач. Исследование, опубликованное в журнале Radiology, включало создание виртуальных трехмерных сердец 250 пациентов, которые могут имитировать сердечную функцию. Затем алгоритмы ИИ занялись изучением того, какие функции будут служить в роли лучших прогнозистов. Эта система полагалась на МРТ, анализ крови и другие данные.
В конечном счете выяснилось, что машина была быстрее и лучше в определении риска легочной гипертензии — показала 73% точности против обычных 60%.
Ученые говорят, что эту технологию можно было бы использовать для прогнозирования исходов других сердечно-сосудистых заболеваний в будущем. «Мы хотели бы разработать технологию, которую можно было бы применять для самых разных сердечно-сосудистых заболеваний в помощь врачебной интерпретации результатов медицинских испытаний», говорит соавтор исследования Тим Дэйвс. «Цель — увидеть, смогут ли лучшие прогнозы способствовать правильному лечению и долголетию людей».
ИИ становится умнее
Такого рода применения ИИ в области точной медицины будут становиться только лучше по мере того, как машины будут обучаться, подобно студентам-медикам.
Оукден-Райнер говорит, что его команда продолжает создавать идеальный набор данных по мере движения вперед, но уже повысила прогностическую точность с 75 до 80 процентов, включив такую информацию, как возраст и пол.
«Думаю, существует верхний предел того, насколько точны мы можем быть, потому что всегда будет элемент случайности», говорит он, отвечая на вопрос, насколько хорошо ИИ будет определять смертность отдельного человека. «Но мы можем стать точнее, чем сейчас, если примем во внимание риски и силы отдельных людей. Модель, совмещающая все эти факторы, надеюсь, сможет уточнять риск краткосрочной смертности до 80 процентов».
Другие еще оптимистичнее смотрят на то, как быстро ИИ преобразует этот аспект области медицины.
«Прогнозирование оставшейся жизни для людей, на самом деле, одно из самых простых применений машинного обучения», говорят доктор Зияд Обермейер. «Оно требует уникального набор данных, который содержится в электронных записях, связанных с информацией о времени смерти человека. Как только мы соберем достаточно таких данных, мы сможем крайне точно предсказывать вероятность того, что отдельный человек будет жить месяц или, например, год».
ИИ все еще учится
Эксперты вроде Обермейера и Оукдена-Райнера сходятся в том, что прогресс грядет быстро, но впереди еще много работы, которую предстоит проделать.
С одной стороны, есть еще много данных, в которых можно покопаться, но они пока не упорядочены. Например, изображения, на которых машины обучаются, все еще приходится обрабатывать, делая их полезными. «Многие группы ученых по всему миру тратят миллионы долларов на эту задачу, потому что она остается бутылочным горлышком для успешного врачебного ИИ», говорт Оукден-Райнер.
В интервью STAT News Обермейер рассказал, что данные фрагментированы по всей системе здравоохранения, поэтому связывание информации и создание наборов данных потребует времени и денег. Он также отмечает, что хотя есть большой ажиотаж на тему использования ИИ в точной медицине, в клинических условиях эти алгоритмы практически не проверялись.
«Можно сказать, что все хорошо и алгоритм действительно хорош. Но теперь нужно вывести его в реальный мир и со всей ответственностью посмотреть, что будет», говорит он.
ИИ — не случайность
Предотвратить смертельную болезнь — это одно. Но можно ли предотвратить смертельный случай при помощи ИИ?
Именно это намеревались делать американские и индийские ученые, когда озаботились растущим числом смертей среди людей, делающих селфи. Группа определила 127 человек, которые погибли, позируя для фото, в течение двух лет.
Основываясь на комбинации текста, снимков и местоположения, машина научилась идентифицировать селфи как потенциально опасное или же нет. Пробег по более 3000 подписанным селфи в Твиттере продемонстрировал 73-процентную точность.
«Комбинация функций на основе изображения и места показала лучшую точность», говорят ученые.
Что будет дальше? Появится система предупреждения для любителей селфи.
ИИ и будущее
Вся эта дискуссия породила вопрос: хотим ли мы на самом деле знать, когда умрем?
Согласно одной из работ, недавно опубликованных в Psychology Review, ответ: нет. 9 из 10 человек в Германии и Испании, когда их спросили, хотят ли они знать о своем будущем, включая смерть, предпочли остаться в неведении.
Обермейер смотрит на этот вопрос по-другому: через призму людей, которые живут с угрожающей жизни болезнью.
«Среди того, что пациенты очень хотят и чего не получают, это ответы от врачей на вопрос „сколько мне осталось?“. Врачи очень неохотно отвечают на эти вопросы, отчасти потому, что не хотят ошибаться в таких важных вещах. Отчасти потому, что пациенты и сами не хотят знать».
В США разработан искусственный интеллект, который может предсказать смерть всего по одному анализу
Искусственный интеллект (ИИ) может предсказать шансы человека умереть в течение года, взглянув на результаты электрокардиограммы, даже если она выглядит нормально для врачей. Как это происходит, остается загадкой. Об этом пишет New Scientist.
Брэндон Форнвальт из медицинского центра Geisinger в Пенсильвании, США и его коллеги поручили ИИ изучить 1,77 млн. результатов электрокардиограммы (ЭКГ) почти 400 000 человек, чтобы предсказать, кто из них подвержен риску смерти в течение года.
ЭКГ фиксирует электрическую активность сердца. Ее паттерн меняется при сердечных заболеваниях, включая сердечные приступы и мерцательную аритмию.
Команда сделала две версии ЭКГ для ИИ: в одной — алгоритму были даны только необработанные данные ЭКГ, которые измеряют вольтаж сердца. В другом случае вводили данные ЭКГ в сочетании с возрастом и полом пациента.
Они измерили эффективность ИИ с помощью показателя, известного как AUC, который измеряет, насколько хорошо модель различает две группы людей — в данном случае, пациентов, которые умерли в течение года, и тех, кто выжил. ИИ неизменно набирал выше 0,85, где идеальный балл равен 1, а балл 0,5 указывает на отсутствие различий между двумя группами.
«AUC для моделей оценки риска, используемых в настоящее время врачами, варьируется от 0,65 до 0,8,- говорит Форнвальт. — Независимо от того, что модель на основе вольтажа всегда была лучше, чем любая модель данных, измеряемых с помощью ЭКГ».
ИИ точно предсказал риск смерти даже у людей, у которых кардиологи не нашли отклонений в ЭКГ. Три кардиолога, которые отдельно изучали ЭКГ, не смогли выявить структуры риска, обнаруженные ИИ.
«Это открытие предполагает, что ИИ видит вещи, которые люди, вероятно, не могут видеть, или, по крайней мере, мы просто игнорируем это и думаем, что это нормально, — говорит Форнвальт. — ИИ потенциально может научить нас вещам, которые мы, возможно, неправильно истолковывали десятилетиями».
До сих пор неясно, какие паттерны использует ИИ, из-за чего некоторые врачи неохотно используют такие алгоритмы.
Исследование было представлено на научных сессиях Американской кардиологической ассоциации в Далласе 16 ноября.
Источники:
http://hi-news.ru/research-development/smozhet-li-iskusstvennyj-intellekt-predskazat-smert.html
http://www.diasporanews.com/2019/11/18/v-ssha-razrabotan-iskusstvennyj-intellekt-kotoryj-mozhet-predskazat-smert-vsego-po-odnomu-analizu/
http://www.youtube.com/watch?v=OeOwSoZfYag