Αν και οι περισσότεροι άνθρωποι δεν πολυβιάζονται να μάθουν πότε θα δουν τα… ραδίκια ανάποδα, ένα νέο σύστημα τεχνητής νοημοσύνης που χρησιμοποιεί τεχνολογία τύπου ChatGPT υπόσχεται ότι μπορεί να προβλέψει τον χρόνο του θανάτου και μάλιστα με μεγάλη ακρίβεια.
Αναλυτικότερα, σύμφωνα με μελέτη που δημοσιεύθηκε στο Nature Computational Science, το πρωτοποριακό νέο σύστημα τεχνητής νοημοσύνης «life2vec», εκπαιδευμένο με τις ιστορίες ζωής περισσότερων από ένα εκατομμύριο ανθρώπων, είναι πολύ ακριβές στην πρόβλεψη του προσδόκιμου ζωής καθώς και του κινδύνου πρόωρου θανάτου τους (78% επιτυχία).
Το μοντέλο AI εκπαιδεύτηκε στα προσωπικά δεδομένα του πληθυσμού της Δανίας και αποδείχθηκε ότι προβλέπει τις πιθανότητες θανάτου των ανθρώπων με μεγαλύτερη ακρίβεια από οποιοδήποτε υπάρχον σύστημα, δήλωσαν επιστήμονες από το Τεχνικό Πανεπιστήμιο της Δανίας (DTU).
Στη μελέτη, οι ερευνητές ανέλυσαν τα δεδομένα υγείας και αγοράς εργασίας για 6 εκατομμύρια Δανούς που συλλέχθηκαν από το 2008 έως το 2020, συμπεριλαμβανομένων πληροφοριών για την εκπαίδευση των ατόμων, τις επισκέψεις σε γιατρούς και τα νοσοκομεία, τις προκύπτουσες διαγνώσεις, το εισόδημα και το επάγγελμα. Οι επιστήμονες μετέτρεψαν το σύνολο δεδομένων σε λέξεις για να εκπαιδεύσουν ένα μεγάλο μοντέλο γλώσσας που ονομάζεται «life2vec» παρόμοιο με την τεχνολογία πίσω από εφαρμογές τεχνητής νοημοσύνης όπως το ChatGPT.
«Χρησιμοποιούμε την τεχνολογία πίσω από το ChatGPT (κάτι που ονομάζεται μοντέλα μετασχηματιστών) για να αναλύσουμε τις ανθρώπινες ζωές αναπαριστάνοντας κάθε άτομο ως τη σειρά των γεγονότων που συμβαίνουν στη ζωή του», είπε η Sune Lehmann, επικεφαλής συγγραφέας της μελέτης στη New York Post.
Οι ερευνητές πήραν τα δεδομένα μιας ομάδας ατόμων από το σύνολο ηλικίας 35 έως 65 ετών -οι μισοί από τους οποίους πέθαναν μεταξύ 2016 και 2020- και ζήτησαν από το σύστημα τεχνητής νοημοσύνης να προβλέψει ποιος θα ζήσει και ποιος θα πεθάνει. Διαπίστωσαν ότι οι προβλέψεις του ήταν κατά 11% ακριβέστερες από εκείνες οποιουδήποτε άλλου υπάρχοντος μοντέλου τεχνητής νοημοσύνης ή από τη μέθοδο που χρησιμοποιούν οι ασφαλιστικές εταιρείες ζωής για την τιμολόγηση των συμβολαίων.
Χρησιμοποιώντας το μοντέλο, οι ερευνητές αναζήτησαν απαντήσεις σε γενικά ερωτήματα, όπως οι πιθανότητες να πεθάνει ένας άνθρωπος μέσα σε 4 χρόνια. Διαπίστωσαν ότι οι απαντήσεις του μοντέλου συνάδουν με τα υπάρχοντα ευρήματα, όπως ότι όταν λαμβάνονται υπόψη όλοι οι άλλοι παράγοντες, τα άτομα σε ηγετική θέση ή με υψηλό εισόδημα έχουν περισσότερες πιθανότητες να επιβιώσουν, ενώ το να είναι κανείς άνδρας ή να έχει ψυχική διάγνωση συνδέεται με υψηλότερο κίνδυνο θανάτου.
«Χρησιμοποιήσαμε το μοντέλο για να απαντήσουμε στο θεμελιώδες ερώτημα: Σε ποιο βαθμό μπορούμε να προβλέψουμε γεγονότα στο μέλλον σας με βάση τις συνθήκες και τα γεγονότα στο παρελθόν σας;» είπε η Lehmann. «Επιστημονικά, αυτό που μας συναρπάζει δεν είναι τόσο η ίδια η πρόβλεψη, όσο οι πτυχές των δεδομένων που επιτρέπουν στο μοντέλο να παρέχει τόσο ακριβείς απαντήσεις» πρόσθεσε.
Το μοντέλο θα μπορούσε επίσης να προβλέψει με ακρίβεια τα αποτελέσματα ενός τεστ προσωπικότητας σε ένα τμήμα του πληθυσμού καλύτερα από τα υπάρχοντα συστήματα τεχνητής νοημοσύνης.
«Το πλαίσιό μας επιτρέπει στους ερευνητές να εντοπίσουν νέους πιθανούς μηχανισμούς που επηρεάζουν τα αποτελέσματα της ζωής και τις σχετικές δυνατότητες για εξατομικευμένες παρεμβάσεις» έγραψαν οι ερευνητές στη μελέτη.
Θεωρώντας κάθε μέρος της ζωής σας σαν να ήταν λέξεις σε μια πρόταση, το life2vec προβλέπει πού θα καταλήξει η ιστορία με βάση όσα έχουν γραφτεί μέχρι στιγμής.
Ακριβώς όπως οι χρήστες του ChatGPT ζητούν να γράψει ένα τραγούδι, ποίημα ή δοκίμιο, οι επιστήμονες μπορούν να θέσουν στο life2vec απλές ερωτήσεις, όπως «θάνατος εντός τεσσάρων ετών;» για ένα συγκεκριμένο άτομο. Με βάση τα πληθυσμιακά δεδομένα, προέβλεψε σωστά ποιος θα είχε πεθάνει μέχρι το 2020 σε περισσότερα από τα 3/4 των περιπτώσεων.
Με τον ίδιο τρόπο που το ChatGPT και άλλα μεγάλα γλωσσικά μοντέλα εκπαιδεύτηκαν με βάση σωρεία υπαρχόντων γραπτών έργων, το life2vec διδάχθηκε με δεδομένα από τη ζωή των ανθρώπων, που γράφτηκαν ως μια σειρά από προτάσεις πλούσιες σε δεδομένα.
Αυτές περιλαμβάνουν προτάσεις όπως «Τον Σεπτέμβριο του 2012, ο Φρανσίσκο έλαβε είκοσι χιλιάδες δανικές κορώνες ως φύλακας σε ένα κάστρο στην Ελσινόρη» ή «Κατά τη διάρκεια του τρίτου έτους της στο γυμνάσιο, η Ερμιόνη παρακολούθησε πέντε μαθήματα επιλογής».
Η Lehmann και η ομάδα της ανέθεσαν διαφορετικά σημεία σε κάθε πληροφορία και όλα αυτά τα δεδομένα χαρτογραφήθηκαν σε σχέση μεταξύ τους.
Οι κατηγορίες στις ιστορίες ζωής των ανθρώπων καλύπτουν όλο το φάσμα των ανθρώπινων εμπειριών: ένα κάταγμα στο αντιβράχιο αντιπροσωπεύεται ως S52, η εργασία σε καπνοπωλείο κωδικοποιείται ως IND4726, το εισόδημα αντιπροσωπεύεται από 100 διαφορετικά ψηφιακά σημεία και η «αιμορραγία κατά τον τοκετό» είναι O72.
Πολλές από αυτές τις σχέσεις είναι διαισθητικές, όπως το επάγγελμα και το εισόδημα - ορισμένες εργασίες αποφέρουν περισσότερα χρήματα.
Αλλά αυτό που κάνει το life2vec είναι να χαρτογραφεί τον τεράστιο αστερισμό των παραγόντων που συνθέτουν τη ζωή ενός ατόμου, επιτρέποντας σε κάποιον να του ζητήσει να κάνει μια πρόβλεψη με βάση εκατομμύρια άλλους ανθρώπους και πολλούς πολλούς παράγοντες.
Μπορεί επίσης να κάνει προβλέψεις για την προσωπικότητα των ανθρώπων. Για να γίνει αυτό, ο Λέχμαν και η ομάδα του εκπαίδευσαν το μοντέλο να προβλέπει τις απαντήσεις των ανθρώπων σε ερωτήσεις ενός τεστ προσωπικότητας.
Το τεστ ζητά από τους ερωτηθέντες να βαθμολογήσουν 10 στοιχεία με βάση το πόσο συμφωνούν, στοιχεία όπως «Το πρώτο πράγμα που κάνω πάντα σε ένα νέο μέρος είναι να κάνω φίλους» ή «Σπάνια εκφράζω τις απόψεις μου σε ομαδικές συναντήσεις».
Ωστόσο, οι επιστήμονες προειδοποιούν ότι το μοντέλο δεν πρέπει να χρησιμοποιείται από ασφαλιστικές εταιρείες ζωής για λόγους ηθικής.
