doi.org/10.1038/s43588-023-00573-5
Credibilidade: 989
#Inteligência Artificial
Investigadores criaram uma ferramenta de inteligência artificial que utiliza sequências de eventos de vida – como histórico de saúde, educação, emprego e rendimento – para prever tudo, desde a personalidade de uma pessoa até à sua mortalidade.
Construída usando modelos transformadores, que alimentam modelos de linguagem de grande porte (LLMs), como ChatGPT, a nova ferramenta, life2vec, é treinada em um conjunto de dados extraído de toda a população da Dinamarca – 6 milhões de pessoas. O conjunto de dados foi disponibilizado apenas aos investigadores pelo governo dinamarquês.
A ferramenta que os investigadores construíram com base neste complexo conjunto de dados é capaz de prever o futuro, incluindo o tempo de vida dos indivíduos, com uma precisão que excede os modelos de última geração. Mas, apesar do seu poder preditivo, a equipe responsável pela investigação afirma que é melhor utilizá-lo como base para trabalhos futuros, e não como um fim em si mesmo.
“Mesmo que estejamos usando a previsão para avaliar quão bons são esses modelos, a ferramenta não deve ser usada para fazer previsões em pessoas reais”, diz Tina Eliassi-Rad, professora de ciência da computação e presidente inaugural Joseph E. Aoun Professor da Universidade do Nordeste. “É um modelo de previsão baseado em um conjunto específico de dados de uma população específica”.
Eliassi-Rad trouxe sua experiência em ética em IA para o projeto. “Essas ferramentas permitem que você veja a sua sociedade de uma maneira diferente: as políticas que você tem, as regras e regulamentos que você tem”, diz ela. “Você pode pensar nisso como uma varredura do que está acontecendo no terreno.”
Ao envolver cientistas sociais no processo de construção desta ferramenta, a equipe espera que ela traga uma abordagem centrada no ser humano para o desenvolvimento de IA que não perca de vista os humanos em meio ao enorme conjunto de dados em que sua ferramenta foi treinada.
“Este modelo oferece uma reflexão muito mais abrangente do mundo vivido pelos seres humanos do que muitos outros modelos”, diz Sune Lehmann, autora do artigo, que foi publicado recentemente na Nature Computational Science. Um Research Briefing sobre o tema é apresentado na mesma edição da revista.
No centro do life2vec está o enorme conjunto de dados que os pesquisadores usaram para treinar seu modelo. Os dados são mantidos pela Statistics Denmark, a autoridade central em estatísticas dinamarquesas, e, embora rigorosamente regulamentados, podem ser acedidos por alguns membros do público, incluindo investigadores. A razão pela qual é tão rigorosamente controlado é que inclui um registo detalhado de cada cidadão dinamarquês.
Os muitos acontecimentos e elementos que constituem uma vida e estão explicitados nos dados, desde fatores de saúde e educação até ao rendimento. Os pesquisadores usaram esses dados para criar longos padrões de eventos de vida recorrentes para alimentar seu modelo, adotando a abordagem do modelo transformador usada para treinar LLMs em linguagem e adaptando-a para uma vida humana representada como uma sequência de eventos.
“Toda a história de uma vida humana, de certa forma, também pode ser pensada como uma longa frase gigante de muitas coisas que podem acontecer a uma pessoa”, diz Lehmann, professor de redes e ciência da complexidade na DTU Compute, Technical Universidade da Dinamarca e anteriormente pós-doutorado na Northeastern.
O modelo utiliza as informações que aprende ao observar milhões de sequências de eventos de vida para construir o que é chamado de representações vetoriais em espaços incorporados, onde começa a categorizar e traçar conexões entre eventos de vida como fatores de renda, educação ou saúde. Esses espaços de incorporação servem de base para as previsões que o modelo acaba fazendo.
Um dos eventos de vida que os pesquisadores previram foi a probabilidade de mortalidade de uma pessoa.
“Quando visualizamos o espaço que o modelo usa para fazer previsões, parece um longo cilindro que leva você da baixa probabilidade de morte à alta probabilidade de morte”, diz Lehmann. “Então podemos mostrar que, no final, onde há alta probabilidade de morte, muitas dessas pessoas realmente morreram, e no final, onde há baixa probabilidade de morrer, as causas da morte são algo que não poderíamos prever, como carro acidentes.”
O artigo também ilustra como o modelo é capaz de prever respostas individuais a um questionário padrão de personalidade, especificamente quando se trata de extroversão.
Eliassi-Rad e Lehmann observam que, embora o modelo faça previsões altamente precisas, elas são baseadas em correlações, contextos culturais e sociais altamente específicos e nos tipos de preconceitos que existem em cada conjunto de dados.
“Este tipo de ferramenta é como um observatório da sociedade – e não de todas as sociedades”, diz Eliassi-Rad. “Este estudo foi feito na Dinamarca, e a Dinamarca tem a sua própria cultura, as suas próprias leis e as suas próprias regras sociais. Se isto pode ser feito na América é uma história diferente.”
Tendo em conta todas estas advertências, Eliassi-Rad e Lehmann vêem o seu modelo preditivo menos como um produto final e mais como o início de uma conversa. Lehmann diz que as principais empresas de tecnologia provavelmente vêm criando esse tipo de algoritmo preditivo há anos em salas trancadas. Ele espera que este trabalho possa começar a criar uma compreensão pública mais aberta de como essas ferramentas funcionam, do que são capazes e como devem ou não ser usadas.
Publicado em 24/12/2023 12h55
Artigo original:
Estudo original: