Трансформерные методы произвели революцию в том, как компьютеры обрабатывают человеческий язык. Используя структурное сходство между человеческими жизнями, рассматриваемыми как последовательности событий, и предложениями на естественном языке, метод преобразователя, получивший название life2vec, был использован для создания богатых векторных представлений человеческих жизней, на основе которых можно делать точные прогнозы.
В новой статье, опубликованной в журнале Nature Computational Science, исследователи из Датского технического университета (DTU) утверждают, что они разработали модель искусственного интеллекта, которая предположительно может предсказывать исход жизни людей, включая приблизительную дату, когда они собираются покинуть этот мир.
Мы использовали модель для решения фундаментального вопроса: в какой степени мы можем предсказать события вашего будущего на основе условий и событий вашего прошлого?
— Профессор DTU и автор статьи Суне Леманн.
Используя данные о состоянии здоровья и труда населения Дании, насчитывающего около шести миллионов человек, Леманн и ее команда создали «life2vec», так называемую модель-трансформер, которая может переводить одну форму входных данных в другую выходную информацию с помощью контекстных подсказок. В случае life2vec первоначальными входными данными являются такие вещи, как время и место рождения, образование, состояние здоровья, род занятий и зарплата, а выходные данные предположительно предсказывают все, от «тенденции к ранней смерти» до «личных нюансов», как поясняет исследование.
Что интересно, так это рассматривать человеческую жизнь как длинную последовательность событий, подобно тому, как предложение в языке состоит из ряда слов
— Суне Леманн.
Этические последствия
Хотя это странный способ описать алгоритмически судьбу человека, специалист по данным делает хорошее замечание: наша жизнь действительно имеет прогрессивное и линейное течение, которое, возможно, не отличается от предложения, с легко обнаруживаемыми началом, серединой и концом.
Наши разработки позволяют предсказывать различные результаты, начиная от ранней смертности и заканчивая личностными нюансами, значительно превосходя самые современные модели. Используя методы интерпретации моделей глубокого обучения, мы проверяем алгоритм, чтобы понять факторы, которые позволяют делать наши прогнозы. Наша система позволяет исследователям обнаруживать потенциальные механизмы, влияющие на жизненные результаты, а также связанные с ними возможности персонализированного вмешательства
— Суне Леманн.
Однако ситуация становится еще более странной, когда вы пытаетесь проанализировать, как именно можно проверить точность прогнозов смерти модели, о чем, похоже, не говорят ни заявление DTU, ни статья.
Леманн открыто обращается к этическим проблемам, которые могла бы поднять такая модель, если бы она была точной, и при этом подчеркивает, каким образом коммерческие организации уже участвуют в подобного рода мягких прогнозах, чтобы получить от нас прибыль.
Подобные технологии прогнозирования жизненных событий и поведения человека уже сегодня используются внутри технологических компаний, которые, например, отслеживают наше поведение в социальных сетях, чрезвычайно точно профилируют нас и используют эти профили для прогнозирования нашего поведения и влияния на нас
— Суне Леманн.
Понятно, что такая модель интеллекта вызывает много вопросов и требует дальнейшего исследования. Однако, если эта технология станет доступной в будущем, она может иметь потенциал помочь нам предупредить множество заболеваний и проблем, связанных со здоровьем.
Потребуется гораздо больше исследований, чтобы выяснить, сможет ли ИИ на самом деле прогнозировать информацию о человеческой смертности на основе входных данных. Но если это действительно осуществится, нам как виду, как предполагает Леманн, придется решить, куда эта технология нас приведет и хотим ли мы такого развития.
