"Καθημερινά, οι άνθρωποι λαμβάνουν αμέτρητες αποφάσεις σε ατομικό και ομαδικό επίπεδο με βάση την πιθανότητα μελλοντικών γεγονότων", δήλωσε ο κ. Gruen. "Αυτό το υβριδικό μοντέλο είναι ένας τρόπος για 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.
Δημόσια Υγεία: Οι ερευνητές και οι επιστήμονες δεδομένων στο The Florey βρήκαν έναν τρόπο να αξιοποιήσουν την τεχνητή νοημοσύνη (AI) για να βελτιώσουν την ακρίβεια των ανθρώπων στην πρόβλεψη μελλοντικών γεγονότων. Η ομάδα χρησιμοποίησε την τεχνητή νοημοσύνη για να βελτιώσει 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 την COVID-19.
Η επικεφαλής συγγραφέας της εργασίας, καθηγήτρια Anne-Louise Ponsonby, δήλωσε 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 COVID-19 ανέδειξε ότι όχι μόνον η πρόβλεψη είναι μια δύσκολη δραστηριότητα, αλλά η πρόβλεψη που σχετίζεται με τα αποτελέσματα της δημόσιας υγείας είναι ιδιαίτερα δύσκολη”. Ο καθηγητής Ponsonby δήλωσε ότι 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 την COVID-19 που τέθηκαν στην πλατφόρμα πρόβλεψης Almanis που διαχειρίζεται η Dysrupt Labs. “Χρησιμοποιήσαμε τεχνητή νοημοσύνη για να εντοπίσουμε 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”, δήλωσε ο καθηγητής Ponsonby. 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). Ο επικεφαλής συγγραφέας, Alex Gruen, επιστήμονας δεδομένων της Florey, δήλωσε 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”, δήλωσε ο κ. Gruen. “Αυτό το υβριδικό μοντέλο είναι ένας τρόπος για 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.
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
