Keuntungan Menggunakan ML untuk Analisis Perilaku dalam Perawatan Kesehatan, Keamanan TI, dan Lainnya – Menuju AI – Teknologi, Sains, dan Teknik Terbaik

Penulis: Gaugarin Oliver

Pembelajaran mesin

Pada 2019, Yan et al.. menerbitkan sebuah studi yang mengeksplorasi kesesuaian pembelajaran mesin untuk menganalisis perilaku pembelajaran online untuk memprediksi kinerja siswa.

Waktu yang tepat untuk studi semacam itu, kata penulis, berkat ledakan information terkait pembelajaran baru-baru ini untuk memperoleh wawasan. Peningkatan info sebagian disebabkan oleh popularitas MOOC dan stage serupa (memang, peningkatan popularitas pembelajaran online karena pandemi tidak diragukan lagi akan mendorong studi lebih lanjut dalam hal ini).

Penulis penelitian menjalankan info yang diambil dari 192 catatan siswa di stage pembelajaran online melalui jaringan saraf tiruan (JST). Penulis memasukkan poin information seperti usia siswa, jenis kelamin, waktu koneksi, jumlah struck, dan hari akses. Dari sini, para peneliti selanjutnya dapat membantu master memprediksi secara kasar kinerja dengan menganalisis perilaku siswa secara online, menemukan bahwa hari-hari akses berkorelasi paling dekat dengan kinerja siswa.

Analisis Perilaku

Meskipun menggunakan kumpulan info yang relatif kecil – kecil penulis sendiri menggambarkannya sebagai”terbatas” – mereka juga dapat memberikan saran dunia nyata untuk guru berdasarkan analisis perilaku ini. “Jika guru menemukan bahwa beberapa siswa memiliki jumlah hari akses dan jumlah hit yang jauh lebih rendah daripada jumlah rata-rata pada stage pembelajaran,” tulis mereka,”dia dapat memberikan perhatian yang tepat kepada mereka dan memberi mereka dukungan belajar yang efektif untuk mencegah mereka gagal dalam ujian.”

Eksperimen di atas hanyalah contoh lain tentang bagaimana pembelajaran mesin (ML) dan bentuk lain dari kecerdasan buatan (AI) menganalisis dan membantu memecahkan masalah di semua aspek kehidupan kita. Dari otoritas kota yang menggunakan version ML untuk merancang kota yang lebih cerdas hingga profesional perawatan kesehatan yang menganalisis information besar untuk mempersonalisasi perawatan kesehatan, hingga peneliti yang menggunakan pemrosesan bahasa alami untuk menemukan obat baru, ML tiba-tiba ada di mana-mana.

Salah satu bidang tersebut adalah analisis perilaku (dan bahkan modifikasi perilaku melalui analisis tersebut). Namun sebelum kita menjelajahi bagaimana ML dapat mencapai hal ini, ada baiknya kita melihat terlebih dahulu apa perilaku itu.

Apa sebenarnya perilaku itu? )

Perilaku adalah sekumpulan tindakan atau tingkah laku yang dilakukan oleh hewan dan manusia terkait lingkungan mereka dan diri mereka sendiri – apakah itu stres yang berkeringat sebelum wawancara kerja, atau melompat setelah menerima ketakutan. Perilaku juga dapat diterapkan pada sistem dan jaringan buatan. Perilaku dapat bersifat sukarela atau tidak disengaja (dan, dengan perluasan, sadar atau tidak sadar) dan pada dasarnya merupakan respons suatu organisme terhadap sejumlah rangsangan.

Karena tingkah laku terdiri dari”setiap gerakan nyata yang dapat diamati dari organisme yang umumnya dianggap mencakup tingkah laku verbal dan juga gerakan fisik”, pada dasarnya ini adalah aktivitas fisik yang dapat diamati.

Bagaimana ML menganalisis (dan bahkan membantu mengubah) perilaku? )

Pembelajaran mesin melibatkan analisis otomatis info terkait perilaku – dalam banyak kasus, info dan terlalu banyak atau terlalu kompleks untuk dianalisis menggunakan metode tradisional – dan mengambil banyak bentuk, termasuk pembelajaran yang diawasi, pembelajaran tanpa pengawasan, dan pembelajaran penguatan. Model ML belajar dari information (dan meningkatkan keefektifannya dari pelatihan menggunakan kumpulan info yang relevan). Setelah dilatih ke tingkat yang memadai, dapat melihat pola atau membuat keputusan secara mandiri – seringkali dengan tingkat akurasi yang setara dengan manusia.

Peneliti ekonomi perilaku dan psikologi konsumen Ahmad Tanehkar mengutip ucapan Daniel Kahneman,”Kami (manusia) adalah pencari pola,” dan hal yang sama berlaku untuk version ML. Model ML secara otomatis mengidentifikasi pola dalam info, kemudian menggunakan pola tersebut untuk memprediksi tindakan atau perilaku di masa mendatang.

Model ML untuk kasus penggunaan tertentu dilatih menggunakan berbagai jenis kumpulan info, termasuk info kesehatan, information keuangan, information websites sosial, atau data yang diambil oleh perangkat net of items (IoT) dan detector lainnya.

Pentingnya detector untuk analisis perilaku

Agar version ML dapat mengamati dan menganalisis perilaku fisik organisme seperti manusia atau hewan, mereka memerlukan alat yang tepat, kata Enrique Garcia-Ceja, peneliti di SINTEF Digital yang berbasis di Norwegia. Manusia dan hewan memiliki indra untuk melakukan ini untuk mereka. Model pembelajaran mesin, kekurangan mata, telinga, dan hidung, harus mengandalkan detector buatan seperti mikrofon, kamera termal dan RGB, sensor suhu, detector penglihatan dan pencitraan, atau detector getaran.

Beruntung bagi para peneliti ML, kemajuan teknologi detector telah menghasilkan berbagai teknologi wearable yang dilengkapi dengan detector. Jam tangan pintar dan pelacak kebugaran adalah salah satu contohnya, tetapi perkembangan dalam elektronik fleksibel dan hibrida juga menghasilkan berbagai jenis perangkat yang dapat dikenakan lainnya, termasuk kemeja pengukur tanda key dan jaket pintar yang dapat menghangatkan diri.

Semua jenis produk ini adalah mata dan telinga baru version ML yang digunakan untuk analisis perilaku.

Penerapan ML untuk analisis perilaku

Kami memulai site ini berbicara tentang penggunaan ML untuk menganalisis dan menarik kesimpulan dari info pembelajaran online, tetapi itu bukan satu-satunya aplikasi analisis perilaku yang ditingkatkan melalui version ML.

Perawatan kesehatan, kesehatan fisik, dan obat-obatan yang dipersonalisasi

Teknologi wearable yang kami sebutkan sebelumnya digunakan setiap hari oleh individu untuk menganalisis perilaku mereka – dan, jika perlu, membuat perubahan yang bermanfaat bagi kesehatan mereka. Handel dkk. Katakanlah perangkat yang dapat dikenakan – termasuk segala sesuatu mulai dari pelacak kebugaran cerdas, celana yoga yang dilengkapi detector, hingga helm pintar – dapat digunakan oleh individu untuk”memahami dan membuat rencana pribadi untuk mengubah perilaku kesehatan mereka (misalnya, olahraga, makan, tidur).”

Penerapan algoritme AI dan ML ke info perangkat yang dapat dikenakan, pada gilirannya, memberikan wawasan waktu nyata untuk memahami semua information tersebut dan membantu meningkatkan kesehatan dan kebugaran pengguna.

ML memberikan manfaat analisis perilaku yang serupa di bidang perawatan kesehatan. Para profesional perawatan kesehatan semakin mengandalkan perangkat yang dapat dikenakan tingkat medis seperti track EKG, track tekanan darah, dan biosensor – yang semuanya membantu praktisi memantau kesehatan pasien dan menetapkan garis dasar dari jarak jauh, bonus besar selama pandemi Covid-19.

Aplikasi perawatan kesehatan juga menyertakan algoritme ML dalam pengobatan yang dipersonalisasi, menggunakan analitik prediktif untuk merancang sistem perawatan yang sangat disesuaikan berdasarkan information unik pasien. Sebagian besar version ML di place ini melibatkan pembelajaran yang diawasi dan dapat digunakan untuk menangani perilaku yang sangat merusak, seperti kecanduan, atau memantau perubahan kondisi yang berpotensi mengancam nyawa dalam dasar yang dipelajari mesin pada pasien dengan Covid-19.

Keamanan TI

ML juga dapat memberi dampak besar pada analisis perilaku potensi ancaman orang dalam (di antara karyawan, kontraktor, atau seller pihak ketiga) dalam sistem perusahaan organisasi. Ancaman orang dalam sangat berbahaya karena lebih sulit dideteksi menggunakan langkah-langkah keamanan tradisional seperti Encryption dan deteksi intrusi. Itulah alasan munculnya arsitektur Zero Trust, yang efektivitasnya telah dibantu secara eksponensial dengan menerapkan version ML ke postur keamanan organisasi.

Memang, memantau aktivitas pengguna untuk mengidentifikasi anomali perilaku melalui pemantauan aktivitas pengguna (UAM), analisis perilaku pengguna / entitas (UEBA), pencegahan kehilangan information (DLP), dan teknik lain telah menjadi lebih umum karena ancaman orang dalam telah berkembang. Teknik-teknik ini terutama diperlukan karena besarnya skala yang terlibat saat volume information tumbuh di dalam perusahaan. “Bahkan jika Anda tahu apa yang harus dicari, menemukan perilaku yang tidak wajar kemudian menghubungkan titik-titik untuk mengembangkan gambaran lengkap dari sejumlah besar aktivitas mungkin ternyata mustahil secara manusiawi,” kata Pusat Keamanan TI, “terutama jika Anda memiliki grup yang besar pengguna. ”

Ekonomi perilaku

Model ML juga membantu pemahaman ilmu perilaku di bidang ekonomi. Peneliti seperti Daniel Kahneman, yang kami sebutkan sebelumnya, dan Richard Thaler telah menunjukkan bahwa memahami konteks proses pengambilan keputusan seseorang dapat membantu version memahami motivasi manusia. Model ML dapat menggunakan analitik untuk mempelajari perilaku karyawan dan mengirimkan “dorongan” yang disebabkan oleh teknologi, yang pada dasarnya merupakan rangsangan tepat waktu yang dirancang untuk memacu individu ke kinerja yang lebih baik – aplikasi yang dikenal sebagai Manajemen Nudge yang dibantu ML.

“Interaksi antara pembelajaran mesin dan ekonomi perilaku dapat saling menguntungkan,” tulis peneliti ekonomi perilaku Tanehkar, yang disebutkan sebelumnya. “Di satu sisi, ML dapat digunakan untuk menambang sekumpulan info yang luas dan menemukan variabel tipe perilaku yang berkontribusi pada munculnya perilaku yang berbeda. Di sisi lain, algoritme ML yang disematkan untuk mengidentifikasi prejudice dan asumsi yang salah akan mencapai performa yang lebih tinggi.”

Bagaimana CapeStart dapat membantu

CapeStart menyediakan layanan anotasi info, kumpulan info terlatih, version ML yang dibuat sebelumnya, dan pengembangan version AI / ML untuk analisis perilaku di berbagai industri dan aplikasi, termasuk perawatan kesehatan, keamanan TI, keuangan, dan hukum. Tim ilmuwan information dan teknisi ML kami yang terintegrasi bekerja dengan organisasi besar setiap hari untuk meningkatkan dan menyempurnakan pemodelan dan efektivitas MLl, memfasilitasi efisiensi dan hasil bisnis yang lebih baik bagi klien kami.

The benefits of Utilizing ML for Behavioral Evaluation in medical care, IT Security, dan Much More awalnya diterbitkan di Limit AI on Moderate, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Towards AI