Ερευνητές και επιστήμονες δεδομένων του Πανεπιστημίου Florey βρήκαν έναν τρόπο να αξιοποιήσουν την τεχνητή νοημοσύνη (AI) για να βελτιώσουν την ακρίβεια των ανθρώπων στην πρόβλεψη μελλοντικών γεγονότων, όπως μιας νέα πανδημίας.
Η ομάδα χρησιμοποίησε την τεχνητή νοημοσύνη για να ενισχύσει την ακρίβεια των προβλέψεων που προέρχονται από το πλήθος σε μια πλατφόρμα αγοράς προβλέψεων. Το έγγραφο της ομάδας, που δημοσιεύθηκε στο eBioMedicine, αναφέρει ότι το προκύπτον υβριδικό μοντέλο ανθρώπου-μηχανής ήταν πιο ακριβές από τους ανθρώπους μόνο για την πρόβλεψη γεγονότων που σχετίζονται με το COVID-19.
Η επικεφαλής συγγραφέας της εργασίας, καθηγήτρια Anne-Louise Ponsonby, σημείωσε ότι η ποιοτική πρόβλεψη είναι το κλειδί για τη λήψη ορθών αποφάσεων.
«Το να έχουμε μια ακριβή εικόνα για το τι πρέπει να περιμένουμε στο μέλλον είναι σημαντικό είτε ανταποκρινόμαστε σε μια πανδημία, είτε στα αποτελέσματα των εκλογών, είτε στην οικονομία. Η πανδημία του κορωνοϊού ανέδειξε ότι όχι μόνο η πρόβλεψη είναι μια δύσκολη δραστηριότητα, αλλά η πρόβλεψη που σχετίζεται με τα αποτελέσματα της δημόσιας υγείας είναι ιδιαίτερα πολύπλοκη».
Τεχνητή νοημοσύνη, μοτίβα και προηγμένες προβλέψεις
Σύμφωνα με τους ερευνητές «οι αγορές προβλέψεων, οι οποίες χρησιμοποιούν τη σοφία του πλήθους για να προβλέψουν συγκεκριμένα αποτελέσματα, έχουν προηγουμένως ξεπεράσει σε ορισμένες μελέτες άλλες μεθόδους πρόβλεψης, όπως έρευνες, ομάδες εμπειρογνωμόνων και δημοσκοπήσεις». Η ομάδα ανέλυσε σε βάθος δεδομένα από μια βάση δεδομένων με ερωτήσεις σχετικά με το COVID-19 που τέθηκαν στην πλατφόρμα πρόβλεψης Almanis που διαχειρίζεται η Dysrupt Labs.
«Χρησιμοποιήσαμε τεχνητή νοημοσύνη για να ανιχνεύσουμε τα χαρακτηριστικά, τα μοτίβα και τις προηγούμενες επιδόσεις των προβλέψεων για να δημιουργήσουμε μια βαθμολογία σε πραγματικό χρόνο για την πιθανή ακρίβεια των προβλέψεων ή την 'ποιότητα των συναλλαγών' τους στην αγορά προβλέψεων. Δώσαμε επιπλέον βαρύτητα στις καλύτερες προβλέψεις, γεγονός που οδήγησε σε ακόμη πιο ακριβή αποτελέσματα», συμπλήρωσε η επιστημονική ομάδα.
Η μέθοδος αυτή είχε ως αποτέλεσμα τη βελτίωση της πρόβλεψης γεγονότων σε διάφορα ανεξάρτητα σύνολα δεδομένων, συμπεριλαμβανομένου του προγράμματος κοινωνικής επιστήμης επόμενης γενιάς.
Τα δύο συστήματα συνήθως συμφωνούσαν στις προβλέψεις τους, αλλά όταν διαφωνούσαν, το υβριδικό μοντέλο ήταν πιθανό να υπερτερεί έναντι του μοντέλου που χρησιμοποιούνταν μόνο από τον άνθρωπο.
Για παράδειγμα, όταν οι δύο προβλέψεις διαφωνούσαν κατά 5 ή περισσότερες ποσοστιαίες μονάδες ως προς την πιθανότητα συμβάντος, η βαθμολογία ακρίβειας Area Under the Curve (AUC) ήταν 0,90 για το υβριδικό μοντέλο σε σύγκριση με 0,77 για το μοντέλο μόνο για τον άνθρωπο (μια βαθμολογία 1 σε αυτή τη μετρική υποδηλώνει τέλεια πρόβλεψη, ενώ μια βαθμολογία 0,5 ισοδυναμεί με την τύχη).
Απαντήσεις στις αβεβαιότητες
Ο επικεφαλής συγγραφέας, Alex Gruen, επιστήμονας δεδομένων της Florey, δήλωσε με την ευκαιρία της μελέτης ότι η υβριδική προσέγγιση είναι πιθανό να είναι ιδιαίτερα χρήσιμη για την πρόβλεψη γεγονότων ή κινδύνων όπου δεν υπάρχουν καθιερωμένες πηγές δεδομένων ή υπάρχουν σημαντικές αβεβαιότητες σχετικά με την ανθρώπινη δράση.
«Καθημερινά, οι άνθρωποι λαμβάνουν αμέτρητες αποφάσεις σε ατομικό και ομαδικό επίπεδο με βάση την πιθανότητα μελλοντικών γεγονότων», επισήμανε ο κ. Gruen.
«Αυτό το υβριδικό μοντέλο είναι ένας τρόπος να βελτιωθεί η ακρίβεια των προβλέψεων και έχει τη δυνατότητα να βελτιώσει τις αντιδράσεις μας σε αναδυόμενους κινδύνους όπως οι πανδημίες ή η κλιματική αλλαγή», είπε.
