Ως μέρος της έρευνας, Δανοί ερευνητές ανέπτυξαν ένα μοντέλο μηχανικής μάθησης που ονομάζεται life2vec, το οποίο μπορεί να προβλέψει τις λεπτομέρειες της ζωής των ανθρώπων, συμπεριλαμβανομένου του θανάτου, των κινήσεων και των χαρακτηριστικών της προσωπικότητας.

Το μοντέλο χρησιμοποιεί δεδομένα από εκατομμύρια κατοίκους, όπως ημερομηνίες γέννησης, φύλο, απασχόληση, τοποθεσία και χρήση του καθολικού συστήματος υγειονομικής περίθαλψης της χώρας.

Σε διάστημα τεσσάρων ετών, το μοντέλο βρέθηκε να είναι πάνω από 78% ακριβές στην πρόβλεψη της θνησιμότητας, ξεπερνώντας τις άλλες προγνωστικές μεθόδους, όπως αναλογιστικούς πίνακες και εργαλεία μηχανικής μάθησης.

Το Life2vec έδειξε πολλά υποσχόμενα πρώιμα σημάδια σύνδεσης των χαρακτηριστικών της προσωπικότητας με τα γεγονότα της ζωής, με ποσοστό ακρίβειας 73% στην πρόβλεψη της μετακίνησης των ανθρώπων από τη Δανία και τις απαντήσεις που ανέφεραν οι ίδιοι σε ένα ερωτηματολόγιο προσωπικότητας σε ένα ξεχωριστό τεστ.

Η μελέτη καταδεικνύει μια συναρπαστική νέα προσέγγιση για την πρόβλεψη και την ανάλυση της τροχιάς της ζωής των ανθρώπων, λέει ο Μάθιου Σάλγκανικ, καθηγητής κοινωνιολογίας στο Πανεπιστήμιο Πρίνστον, ο οποίος ερευνά την υπολογιστική κοινωνική επιστήμη.

Οι προγραμματιστές του life2vec “χρησιμοποιούν ένα πολύ διαφορετικό στυλ που, από όσο ξέρω, κανείς δεν έχει χρησιμοποιήσει στο παρελθόν”, λέει.

Ο Lehmann και η ομάδα του ανέπτυξαν ένα εργαλείο επεξεργασίας γλώσσας που ονομάζεται life2vec, το οποίο μπορεί να προβλέψει το μέλλον των ανθρώπων επεξεργάζοντας τα δεδομένα των ατόμων σε μοναδικά χρονοδιαγράμματα γεγονότων όπως αλλαγές μισθών και νοσηλεία.

Η ευέλικτη αρχιτεκτονική του μοντέλου επιτρέπει την εύκολη προσαρμογή και τη λεπτομερή ρύθμιση, προσφέροντας προβλέψεις για πολλές ανεξερεύνητες πτυχές της ανθρώπινης ζωής, καθιστώντας το life2vec ένα πολλά υποσχόμενο εργαλείο για μελλοντικές προβλέψεις.

Ο Lehmann λέει ότι οι επαγγελματίες του ιατρικού τομέα έχουν ήδη έρθει σε επαφή μαζί του για να του ζητήσουν βοήθεια για την ανάπτυξη εκδόσεων του life2vec που σχετίζονται με την υγεία – συμπεριλαμβανομένης μιας που θα μπορούσε να βοηθήσει να μάθουν περισσότερα για παράγοντες κινδύνου σε επίπεδο πληθυσμού για σπάνιες ασθένειες, για παράδειγμα.

Σχεδιάζει να χρησιμοποιήσει ένα εργαλείο για να αποκαλύψει κρυφές κοινωνικές προκαταλήψεις, όπως απροσδόκητες συνδέσεις μεταξύ επαγγελματικής εξέλιξης και ηλικίας ή χώρας προέλευσης, και να διερευνήσει τον αντίκτυπο των σχέσεων στην ποιότητα ζωής και τον μισθό.

(photo: pixabay)