Machine learning fra dansk startup kan spotte hjertestop i 112-opkald

Analyse af 112-opkald i realtid kan understøtte livsvigtige telefonsamtaler, mener startup bag nyt AI-system.

Der bliver postet enorme summer i udviklingen af intelligente assistenter som Siri, Cortana og Google Assistent.

Fælles for dem er dog, at de har til formål at understøtte et simpelt brugsscenarie: Hvor er den nærmeste bager, hvad tid går toget og ring venligst hjem.

Når det kommer til mere krævende samtaler, er den kunstige intelligens så godt som fraværende, fortæller Andreas Cleve, der er CEO og medstifter af det danske startup Corti.

Læs også: Machine learning sorterer agurker i Japan

»Overalt ser vi at svære samtaler foregår uden nogen som helst form for teknologisk understøttelse,« forklarer han ved dette års TechBBQ.

»Vi vil bruge vores AI-teknologi, hvor det er kritisk og svært,« understreger Andreas Cleve.

I et pilotprojekt med Københavns alarmcentral har nystartede Corti undersøgt, hvordan talegenkendelse, machine learning og neurale netværk kan understøtte en af de mest kritiske og svære samtaler, der eksisterer.

Genkende et hjertestop

Tanken er at lade et AI-baseret system analysere på 112-samtalerne i realtid, fortæller Cortis teknikchef og medstifter Michael Reibel Boesen

»Én måde at implementere det på, kunne være, at personen ved telefonen får en pop-up-besked, når systemet vurderer, at der er tale om noget kritisk som et hjertestop,« forklarer han til Version2.

Den præcise implementering vil Corti imidlertid lade alarmcentralerne om. I stedet fokuserer den ni måneder gamle virksomhed på at lære en computer at genkende et hjertestop, når det bliver beskrevet i en telefonsamtale.

Læs også: Open Source-direktør advarer: It-giganter monopoliserer viden om machine learning

»Overordnet tager vi en bunke lyd og bruger talegenkendelse til at omsætte lyden til tekst, som vi behandler med vores machine learning modeller,« indleder Michael Reibel Boesen.

»Det som modellerne så kan, er at finde strukturer i ustruktureret data,« fortsætter han.

Ingen læger - kun mønstre

Metoden kaldes semi-supervised learning. Hvis systemet for eksempel fodres med 2.000 opkald til alarmcentralen, kan modellen segmentere data i nogle grupperinger - eller clusters - som minder om hinanden - uden at være forudindstillet med hårdtkodede parametre fra en sundhedsguide.

»Du antager ikke noget om data, så maskinen finder selv frem til mønstrene. Men ved at tilføje data og tagge samtaler med for eksempel et hjertestop, kan maskinen lære, hvad et hjertestop er,« siger Michael Reibel Boesen.

Derefter kan clusters brydes op i mindre dele - for eksempel ved at skelne mellem om det er borgeren eller alarmcentralen, der taler. På den måde kan maskinen forbedre sin analyse på baggrund en række variabler.

Maskinen lærer altså selv at finde ud af, hvad der er de vigtige parametre for at identificere, at et 112-opkald handler om et hjertestop.

Læs også: Mit første forsøg med maskinlæring: Kan algoritmer finde emneord til Version2-artikler?

»Det er ikke os eller nogle læger, der dikterer, hvad den skal lede efter. Vi laver ikke nogle regler, som fortæller, hvordan den skal tolke, at en person er blå i hovedet,« fortæller Michael Reibel Boesen.

»Det er udelukkende mønstergenkendelse - det er det, som neurale netværk er rigtig gode til,« tilføjer han.

På den baggrund lærer maskinen, at der tales om vejrtrækning, bevidstløshed eller smerter i armen, når det handler om hjertestop. Og lærer at skelne det fra samtaler, som handler om en brækket arm.

Neurale niveauer

Teknisk bliver hvert ord i teksten i systemet repræsenteret med et tal. Herfra er systemet selv ansvarligt for at opdage, hvad det betyder, når ord 45 optræder sammen med 82 og i hvilken rækkefølge ordene kommer.

En måde at forklare, hvordan systemet arbejder på er, hvordan et neuralt netværk kan analysere et billede af en hund, forklarer Michael Reibel Boesen.

Læs også: Fysikere forklarer dybe neurale netværk med fysikkens love

»Netværket er opbygget i forskellige niveauer, som alle er afhængige af det foregående niveau. I tilfældet med billedet af en hund, kunne det første niveau for eksempel lære at identificere formen på en hund. Det næste lag lærer måske at genkende farven på baggrunden af formen,« siger han og fortsætter:

»Gradvist lærer netværket at komme frem til et bud på, om der er en hund på det billede. Det er det samme, vores system gør med tekst. Det lærer at se sammenhænge over tid mellem ord, der bliver sagt,« siger Michael Reibel Boesen

Cort arbejder nu på, at udvikle backend-teknologien bag systemet, så det kan bruges generisk i andre sammenhænge, fortæller CTO’en.

»Det kan være alt fra politiet til en virksomhed med callcenter.«

Alarmcentralen oplyser gennem Corti, at man ikke ønsker at udtale sig om projektet, før næste test af systemet er gennemført.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Følg forløbet
Kommentarer (0)
sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først
Log ind eller Opret konto for at kommentere