پیشرفت‌های هوش مصنوعی با تمرکز بر درک زبان نوشتاری، دری را برای پیش‌بینی رویدادهای زندگی باز کرده است. یک تلاش مشترک تحقیقاتی شامل DTU، دانشگاه کپنهاگ، ITU، و دانشگاه شمال شرقی در ایالات متحده نشان می‌دهد که استفاده از مجموعه داده‌های گسترده در زندگی افراد برای آموزش مدل‌های ترانسفورماتور مانند ChatGPT می‌تواند اطلاعاتی را برای پیش‌بینی رویدادهای آینده، از جمله تخمین زمان‌بندی رویدادهای زندگی، سازماندهی کند.
پیش بینی زمان مرگ توسط هوش مصنوعی
در یک نشریه علمی اخیر با عنوان «استفاده از توالی رویدادهای زندگی برای پیش‌بینی زندگی انسان» در علوم محاسباتی طبیعت، این مطالعه داده‌های سلامت و مشارکت بازار کار شش میلیون دانمارکی را با استفاده از مدلی به نام life2vec بررسی می‌کند. پس از اینکه مدل در مرحله آموزش اولیه خود الگوهای موجود در داده ها را یاد گرفت، ثابت کرد که عملکرد بهتری از شبکه های عصبی پیشرفته دارد. قابل ذکر است که این مدل به طور دقیق نتایجی مانند ویژگی های شخصیتی و زمان مرگ را پیش بینی می کند.
نویسنده اصلی و استاد DTU، بر هیجان علمی تحقیق نه تنها در پیش‌بینی‌ها، بلکه در درک جنبه‌های داده‌ای که مدل را قادر می‌سازد تا پاسخ‌های دقیق ارائه کند، تأکید می‌کند.
با توجه به پیش‌بینی‌های مربوط به زمان مرگ، پاسخ‌های Life2vec به سؤالات عمومی مانند «مرگ در عرض چهار سال» با یافته‌های علوم اجتماعی موجود مطابقت دارد. به عنوان مثال، افرادی که در نقش های رهبری هستند یا دارای سطوح درآمد بالاتری هستند، بیشتر احتمال دارد زنده بمانند، در حالی که عواملی مانند مرد بودن، ماهر بودن یا داشتن تشخیص ذهنی با خطر مرگ و میر بالاتری همراه است. Life2vec داده ها را در یک سیستم جامع از بردارها رمزگذاری می کند، یک ساختار ریاضی که نقاط داده مختلف را سازماندهی می کند، تصمیم می گیرد که اطلاعات مربوط به تولد، تحصیل، تحصیل، حقوق، مسکن و سلامت را در کجا قرار دهد.
Sune Lehmann بر تازگی در نظر گرفتن زندگی انسان به عنوان یک توالی از رویدادها تأکید می کند، شبیه به اینکه چگونه یک جمله در زبان مجموعه ای از کلمات را تشکیل می دهد. در حالی که مدل‌های ترانسفورماتور در هوش مصنوعی به طور سنتی برای کارهای مرتبط با زبان استفاده می‌شوند، محققان آنها را برای تجزیه و تحلیل توالی‌های زندگی – رویدادهایی که در زندگی انسان‌ها آشکار می‌شوند، به کار می‌گیرند.
طرح سوالات اخلاقی پیش بینی رویداد های زندگی توسط هوش مصنوعی
ملاحظات اخلاقی پیرامون مدل life2vec، مانند حفاظت از داده‌ها، حریم خصوصی و سوگیری‌های احتمالی، توسط محققان تایید شده است. پرداختن به این چالش ها قبل از به کارگیری مدلی برای ارزیابی خطرات مربوط به بیماری ها یا سایر رویدادهای قابل پیشگیری حیاتی تلقی می شود.
پیامدهای این مدل، چه مثبت و چه منفی، نیاز به بحث های سیاسی را برمی انگیزد. فناوری‌های مشابه در حال حاضر توسط شرکت‌های فناوری برای پیش‌بینی رفتار انسان بر اساس ردیابی شبکه‌های اجتماعی مورد استفاده قرار می‌گیرند، که نگرانی‌هایی را ایجاد می‌کند که شامل شدن در گفتگوهای دموکراتیک درباره مسیر پیشرفت‌های فناوری را ضروری می‌کند.
با نگاهی به آینده، محققان پیشنهاد می‌کنند که انواع اطلاعات اضافی مانند متن، تصاویر یا ارتباطات اجتماعی را در مدل life2vec بگنجانند. این رویکرد تلاقی جدیدی بین علوم اجتماعی و بهداشت ایجاد می کند و دامنه استفاده از داده ها را گسترش می دهد.
پروژه تحقیقاتی مدل های هوش مصنوعی
تحقیق با عنوان “استفاده از توالی رویدادهای زندگی برای پیش بینی زندگی انسان” بر داده های بازار کار و همچنین اطلاعات ثبت ملی بیماران (LPR) و آمار دانمارک متکی است. مجموعه داده گسترده تمام شش میلیون فرد دانمارکی را در بر می گیرد و جزئیاتی مانند درآمد، حقوق، حقوق، نوع شغل، وابستگی های صنعتی و مزایای اجتماعی را در بر می گیرد. مجموعه داده‌های مرتبط با سلامت شامل اطلاعات بازدید از متخصصان مراقبت‌های بهداشتی یا بیمارستان‌ها، تشخیص‌ها، انواع بیمار و سطح فوریت است. در حالی که مجموعه داده از سال ۲۰۰۸ تا ۲۰۲۰ را در بر می گیرد، تجزیه و تحلیل های خاص بر دوره ۲۰۰۸ تا ۲۰۱۶ متمرکز است و بر زیرمجموعه ای از افراد با محدودیت سنی تمرکز دارد.
مدل ترانسفورماتور هوش مصنوعی
در این تحقیق، یک مؤلفه اساسی، مدل ترانسفورماتور، هوش مصنوعی پیشرفته و معماری یادگیری عمیق است که برای کسب دانش در مورد زبان و انجام وظایف مختلف طراحی شده است. این مدل ها می توانند برای درک و تولید زبان آموزش ببینند. مدل ترانسفورماتور که به دلیل سرعت و کارایی خود در مقایسه با مدل‌های قبلی مشهور است، اغلب برای آموزش مدل‌های زبان گسترده در مجموعه داده‌های گسترده مورد استفاده قرار می‌گیرد.
شبکه های عصبی برای پیش بینی
یک شبکه عصبی با الهام از مغز و سیستم عصبی انسان و حیوان نیز نقش مهمی در این مطالعه ایفا می کند. شبکه های عصبی، از جمله مدل های ترانسفورماتور، از نورون های مصنوعی تشکیل شده اند که برای انتقال سیگنال ها به هم متصل هستند. هر نورون ورودی را از دیگران دریافت می کند، این اطلاعات را پردازش می کند و خروجی تولید می کند که به نورون های بعدی منتقل می شود. این شبکه‌ها یاد می‌گیرند که با گذراندن آموزش در مورد مجموعه داده‌های قابل توجه، کارها را حل کنند و دقت آنها را در طول زمان افزایش دهند. هنگامی که این الگوریتم های یادگیری به خوبی تنظیم شوند، شبکه های عصبی به ابزار قدرتمندی در علوم کامپیوتر و هوش مصنوعی تبدیل می شوند که قادر به طبقه بندی و گروه بندی سریع داده ها هستند. قابل ذکر است که یکی از معروف ترین نمونه های شبکه عصبی، الگوریتم جستجوی گوگل است.
منابع
