web analytics
11:11 Dubbele getallen
Wetenschap & Ontwikkeling

Kunstmatige intelligentie kan gebeurtenissen in het leven van mensen voorspellen

Kunstmatige intelligentie die is ontwikkeld om geschreven taal te modelleren, kan worden gebruikt om gebeurtenissen in de levens van mensen te voorspellen. Uit een onderzoeksproject van DTU, Universiteit van Kopenhagen, ITU en Northeastern University in de VS blijkt dat als je grote hoeveelheden gegevens over de levens van mensen gebruikt en zogenaamde ‘transformatormodellen’ traint, die (net als ChatGPT) worden gebruikt om taal te verwerken kunnen ze de gegevens systematisch ordenen en voorspellen wat er in iemands leven zal gebeuren en zelfs het tijdstip van overlijden schatten.

In een nieuw wetenschappelijk artikel, ‘Using Sequences of Life-events to Predict Human Lives’, gepubliceerd in Nature Computational Science , hebben onderzoekers gezondheidsgegevens en gehechtheid aan de arbeidsmarkt van 6 miljoen Denen geanalyseerd in een model genaamd life2vec.

Nadat het model in een eerste fase is getraind, dwz de patronen in de gegevens heeft geleerd, is aangetoond dat het beter presteert dan andere geavanceerde neurale netwerken (zie het feitenkader) en uitkomsten zoals persoonlijkheid en tijdstip van overlijden met hoge nauwkeurigheid kan voorspellen.

“We hebben het model gebruikt om de fundamentele vraag te beantwoorden: in hoeverre kunnen we gebeurtenissen in jouw toekomst voorspellen op basis van omstandigheden en gebeurtenissen uit je verleden? Wetenschappelijk gezien is wat voor ons spannend is niet zozeer de voorspelling zelf, maar de aspecten van data die het model in staat stellen zulke nauwkeurige antwoorden te geven”, zegt Sune Lehmann, professor aan de DTU en eerste auteur van het artikel.

Lees ook eens:  Kamille

Voorspellingen van het tijdstip van overlijden

De voorspellingen van Life2vec zijn antwoorden op algemene vragen als: ‘dood binnen vier jaar’?

Wanneer de onderzoekers de reacties van het model analyseren, komen de resultaten overeen met bestaande bevindingen binnen de sociale wetenschappen; Als alles gelijk blijft, hebben individuen in een leiderschapspositie of met een hoog inkomen bijvoorbeeld een grotere kans om te overleven, terwijl het feit dat ze mannelijk zijn, bekwaam zijn of een mentale diagnose hebben, in verband worden gebracht met een hoger risico om te overlijden.

Life2vec codeert de gegevens in een groot systeem van vectoren, een wiskundige structuur die de verschillende gegevens organiseert.

Het model beslist waar gegevens over geboortetijd, scholing, opleiding, salaris, huisvesting en gezondheid worden geplaatst.

“Wat spannend is, is om het menselijk leven te beschouwen als een lange reeks gebeurtenissen, vergelijkbaar met hoe een zin in een taal uit een reeks woorden bestaat. Dit is meestal het soort taak waarvoor transformatormodellen in AI worden gebruikt, maar in onze experimenten we gebruiken ze om te analyseren wat we levenssequenties noemen, dat wil zeggen gebeurtenissen die in het menselijk leven zijn gebeurd’, zegt Sune Lehmann.

Ethische vragen oproepen

De onderzoekers achter het artikel wijzen erop dat ethische vragen het life2vec-model omringen, zoals de bescherming van gevoelige gegevens, privacy en de rol van vooringenomenheid in gegevens.

Deze uitdagingen moeten dieper worden begrepen voordat het model bijvoorbeeld kan worden gebruikt om het risico van een individu op het oplopen van een ziekte of andere vermijdbare levensgebeurtenissen te beoordelen.

“Het model opent belangrijke positieve en negatieve perspectieven om politiek te bespreken en aan te pakken. Soortgelijke technologieën voor het voorspellen van levensgebeurtenissen en menselijk gedrag worden tegenwoordig al gebruikt binnen technologiebedrijven die bijvoorbeeld ons gedrag op sociale netwerken volgen, ons uiterst nauwkeurig profileren en gebruiken deze profielen om ons gedrag te voorspellen en ons te beïnvloeden. Deze discussie moet deel uitmaken van het democratische gesprek, zodat we nadenken over waar de technologie ons naartoe brengt en of dit een ontwikkeling is die we willen”, zegt Sune Lehmann.

Volgens de onderzoekers zou de volgende stap het opnemen van andere soorten informatie zijn, zoals tekst en afbeeldingen of informatie over onze sociale connecties.

Lees ook eens:  Orgaantransplantatie en verandering van het karakter ontvanger

Dit gebruik van data opent een geheel nieuwe interactie tussen sociale en gezondheidswetenschappen.

Het onderzoeksproject

Het onderzoeksproject ‘Using Sequences of Life-events to Predict Human Lives’ is gebaseerd op arbeidsmarktgegevens en gegevens van de National Patient Registry (LPR) en Statistics Denmark.

De dataset omvat alle 6 miljoen Denen en bevat informatie over inkomen, salaris, stipendium, soort baan, bedrijfstak, sociale voorzieningen, enz.

De gezondheidsdataset bevat gegevens over bezoeken aan gezondheidszorgprofessionals of ziekenhuizen, de diagnose, het type patiënt en de mate van urgentie.

De dataset bestrijkt de periode 2008 tot 2020, maar in verschillende analyses concentreren onderzoekers zich op de periode 2008-2016 en op een leeftijdsgebonden subset van individuen.

Transformator-model

Een transformatormodel is een AI, deep learning data-architectuur die wordt gebruikt om te leren over taal en andere taken.

De modellen kunnen worden getraind om taal te begrijpen en te genereren.

Het transformatormodel is ontworpen om sneller en efficiënter te zijn dan eerdere modellen en wordt vaak gebruikt om grote taalmodellen te trainen op grote datasets.

Neurale netwerken

Een neuraal netwerk is een computermodel geïnspireerd op de hersenen en het zenuwstelsel van mens en dier. Er zijn veel verschillende soorten neurale netwerken (bijvoorbeeld transformatormodellen). Net als de hersenen bestaat een neuraal netwerk uit kunstmatige neuronen. Deze neuronen zijn met elkaar verbonden en kunnen signalen naar elkaar sturen. Elk neuron ontvangt input van andere neuronen en berekent vervolgens de output die wordt doorgegeven aan andere neuronen. Een neuraal netwerk kan taken leren oplossen door te trainen op grote hoeveelheden gegevens. Neurale netwerken vertrouwen op trainingsgegevens om te leren en hun nauwkeurigheid in de loop van de tijd te verbeteren. Maar zodra deze leeralgoritmen op nauwkeurigheid zijn afgestemd, zijn het krachtige hulpmiddelen in de informatica en kunstmatige intelligentie waarmee we gegevens met hoge snelheid kunnen classificeren en groeperen. Een van de bekendste neurale netwerken is het zoekalgoritme van Google. 

Lees ook eens:  De impact van satelliet EMF-straling op het klimaat

Bron

Laat meer zien

Gerelateerde artikelen

Back to top button

Een Adblocker gedecteerd

AngelWings.nl wordt mede mogelijk gemaakt door advertenties ♥Support ons door je ad blocker uit te schakelen♥