qui (comme ChatGPT) sont utilisés pour traiter le langage, ils peuvent organiser systématiquement les données et prédire ce qui se passera dans la vie d’une personne et même estimer l’heure du décès.
Dans un nouvel write-up scientifique intitulé « Using Sequences of Everyday living-situations to Forecast Human Lives », publié dans Character Computational Science, des chercheurs ont analysé les données de santé et l’attachement au marché du travail de 6 thousands and thousands de Danois dans un modèle baptisé lifestyle2vec. Une fois que le modèle a été entraîné dans une stage initiale, c’est-à-dire après avoir appris les modèles des données, il a été démontré qu’il surpasse les autres réseaux neuronaux avancés (voir l’encadré) et prédit des résultats tels que la personnalité et l’heure du décès avec une grande précision.
« Nous avons utilisé le modèle pour répondre à la issue fondamentale : dans quelle mesure pouvons-nous prédire des événements dans votre avenir en fonction des conditions et des événements de votre passé ? Scientifiquement, ce qui nous passionne n’est pas tant la prédiction elle-même, mais les elements des données. qui permettent au modèle de fournir des réponses aussi précises », déclare Sune Lehmann, professeur au DTU et premier auteur de l’article.
Prédictions de l’heure du décès
Les prédictions de Existence2vec sont des réponses à des inquiries générales telles que : « la mort dans les quatre ans » ? Lorsque les chercheurs analysent les réponses du modèle, les résultats sont cohérents avec les découvertes existantes dans les sciences sociales par exemple, toutes choses étant égales par ailleurs, les individus occupant un poste de path ou ayant un revenu élevé ont in addition de likelihood de survivre, tandis qu’être un homme, compétent ou avoir un diagnostic mental est associé à un risque moreover élevé de mourir. Life2vec encode les données dans un vaste système de vecteurs, une framework mathématique qui organise les différentes données. Le modèle décide où placer les données sur l’heure de naissance, la scolarité, l’éducation, le salaire, le logement et la santé.
« Ce qui est passionnant, c’est de considérer la vie humaine comme une longue séquence d’événements, de la même manière qu’une phrase dans une langue est constituée d’une série de mots. C’est généralement le variety de tâche pour laquelle les modèles de transformateurs en IA sont utilisés, mais dans nos expériences nous les utilisons pour analyser ce que nous appelons des séquences de vie, c’est-à-dire des événements qui se sont produits dans la vie humaine », explique Sune Lehmann.
Soulever des issues éthiques
Les chercheurs à l’origine de l’article soulignent que des questions éthiques entourent le modèle daily life2vec, telles que la defense des données sensibles, la confidentialité et le rôle des biais dans les données. Ces défis doivent être compris additionally en profondeur avant que le modèle puisse être utilisé, par exemple, pour évaluer le risque d’un individu de contracter une maladie ou d’autres événements de vie évitables.
« Le modèle ouvre d’importantes perspectives positives et négatives à discuter et à aborder politiquement. Des technologies similaires pour prédire les événements de la vie et le comportement humain sont déjà utilisées aujourd’hui au sein des entreprises technologiques qui, par exemple, suivent notre comportement sur les réseaux sociaux, nous établissent un profil extrêmement précis et « Nous utilisons ces profils pour prédire notre comportement et nous influencer. Cette dialogue doit faire partie du dialogue démocratique afin que nous puissions réfléchir à la course que prend la technologie et à la dilemma de savoir si c’est une évolution que nous souhaitons », déclare Sune Lehmann.
Selon les chercheurs, la prochaine étape serait d’incorporer d’autres kinds d’informations, comme du texte et des pictures ou des informations sur nos liens sociaux. Cette utilisation des données ouvre une toute nouvelle interaction entre les sciences sociales et de la santé.
Le projet de recherche
Le projet de recherche « Utiliser des séquences d’événements de la vie pour prédire des vies humaines » est basé sur les données du marché du travail et les données du Registre national des people (LPR) et de Studies Denmark. L’ensemble de données comprend les 6 tens of millions de Danois et contient des informations sur les revenus, les salaires, les allocations, le style d’emploi, le secteur d’activité, les avantages sociaux, etcetera. L’ensemble de données sur la santé comprend les enregistrements des visites aux professionnels de la santé ou aux hôpitaux, les diagnostics, le form de affected person et le degré d’urgence. L’ensemble de données s’étend de 2008 à 2020, mais dans plusieurs analyses, les chercheurs se concentrent sur la période 2008-2016 et sur un sous-ensemble d’individus limité par l’âge.
Modèle de transformateur
Un modèle de transformateur est une architecture de données d’IA et d’apprentissage en profondeur utilisée pour en apprendre davantage sur le langage et d’autres tâches. Les modèles peuvent être formés pour comprendre et générer du langage. Le modèle de transformateur est conçu pour être in addition rapide et as well as efficace que les modèles précédents et est souvent utilisé pour entraîner de grands modèles de langage sur de grands ensembles de données.
Les réseaux de neurones
Un réseau de neurones est un modèle informatique inspiré du cerveau et du système nerveux des humains et des animaux. Il existe de nombreux types différents de réseaux de neurones (par exemple les modèles de transformateur). Comme le cerveau, un réseau neuronal est constitué de neurones artificiels. Ces neurones sont connectés et peuvent s’envoyer des signaux. Chaque neurone reçoit des informations d’autres neurones et calcule ensuite une sortie transmise aux autres neurones. Un réseau de neurones peut apprendre à résoudre des tâches en s’entraînant sur de grandes quantités de données. Les réseaux de neurones s’appuient sur les données d’entraînement pour apprendre et améliorer leur précision au fil du temps. Mais une fois que ces algorithmes d’apprentissage sont affinés pour moreover de précision, ils deviennent de puissants outils en informatique et en intelligence artificielle qui nous permettent de classer et de regrouper des données à grande vitesse. L’un des réseaux neuronaux les as well as connus est l’algorithme de recherche de Google.
