Σύστημα Eva: Η Ελλάδα και μια σπάνια επιτυχία της τεχνητής νοημοσύνης μέσα στην πανδημία

του Jeremy Kahn

Για όσους πιστεύουν ότι η τεχνητή νοημοσύνη είναι από τις πιο μετασχηματιστικές τεχνολογίες του περασμένου αιώνα, χιλιετίας ή ακόμη και εποχής, ο ρόλος της στην αντιμετώπιση της πανδημίας ήταν απογοητευτικός. Εκεί που έχει μεγαλύτερη σημασία – στην ανάπτυξη διαγνωστικών, εμβολίων ή θεραπειών, ή ακόμη και στη διαχείριση της διανομής των εμβολίων – ο αντίκτυπος της τεχνητής νοημοσύνης ήταν οριακός.

Για τους σκεπτικιστές της τεχνητής νοημοσύνης, αυτό είναι μια ακόμη απόδειξη ότι η τεχνολογία είναι υπερτιμημένη: Η τεχνητή νοημοσύνη δεν έχει κάνει μεγάλη διαφορά επειδή απλώς δεν είναι τόσο μετασχηματιστική όσο ισχυρίζονται οι υποστηρικτές της. Οι τεχνο-αισιόδοξοι, εντωμεταξύ, τείνουν να λένε ότι η τεχνητή νοημοσύνη είναι απλά πολύ ανώριμη για να έχει κάνει μεγάλη διαφορά. Η τεχνητή νοημοσύνη θα είναι ο ήρωας της επόμενης πανδημίας, λένε αυτοί οι αισιόδοξοι.

Δεν ξέρω ποιο στρατόπεδο έχει δίκιο. Αξίζει όμως να επισημάνουμε τις περιπτώσεις όπου η τεχνητή νοημοσύνη έπαιξε καθοριστικό ρόλο, ειδικά όταν οι περιπτώσεις αυτές έχουν ευρύτερα διδάγματα για τις επιχειρήσεις. Την περασμένη εβδομάδα, το επιστημονικό περιοδικό Nature εξέτασε μια τέτοια περίπτωση: ένα σύστημα που αναπτύχθηκε από τις ελληνικές αρχές για να βρουν ποιοι από τους εισερχόμενους ταξιδιώτες πρέπει να εξεταστούν για τον κορονοϊό.

Αυτό ήταν ιδιαίτερα σημαντικό επειδή η κυβέρνηση διέθετε μόνο περιορισμένη δυνατότητα τεστ και έπρεπε να τα χρησιμοποιήσει αποτελεσματικά. Ο Eric Topol, ο καρδιολόγος που πιστεύει πολύ στη θετική επίδραση που θα μπορούσε να έχει η τεχνητή νοημοσύνη στην ιατρική και ταυτόχρονα είναι κορυφαίος επικριτής μεγάλου μέρους της σημερινής υπάρχουσας ιατρικής τεχνητής νοημοσύνης, δήλωσε στο Twitter ότι το ελληνικό σύστημα «μπορεί να αντιπροσωπεύει την πιο σημαντική επιτυχημένη εφαρμογή της τεχνητής νοημοσύνης στην πανδημία (μόνο λίγες είναι στη λίστα)».

Το σύστημα με την ονομασία Eva αναπτύχθηκε σε 40 αεροδρόμια, λιμάνια και χερσαίες συνοριακές διαβάσεις από τον Αύγουστο έως τον Νοέμβριο του 2020. Οι αφικνούμενοι επιβάτες ομαδοποιήθηκαν σε κατηγορίες ανάλογα με τη χώρα από την οποία έφταναν, την περιοχή της χώρας στην οποία είχαν βρεθεί, το φύλο και την ηλικία τους. Στη συνέχεια, με βάση το προηγούμενο μοτίβο των θετικών εξετάσεων για τον κορονοϊό για την εν λόγω κατηγορία επιβατών, το σύστημα αποφάσιζε αν θα έπρεπε να διενεργηθεί εξέταση, επιδιώκοντας την επίτευξη δύο στόχων:

• Μεγιστοποίηση του αριθμού των μολυσμένων ασυμπτωματικών ταξιδιωτών που εντοπίζονται.
• Κατανομή αρκετών τεστ σε κατηγορίες ταξιδιωτών για τις οποίες το σύστημα δεν είχε υψηλή εμπιστοσύνη στα δεδομένα του, προκειμένου να βελτιώσει τις εν λόγω εκτιμήσεις.

Η ενισχυτική μάθηση, κατά την οποία το λογισμικό εκπαιδεύεται από την εμπειρία του, χρησιμοποιήθηκε για να βελτιώσει την απόδοση του Eva με την πάροδο του χρόνου.

Οι ερευνητές συνέκριναν τα αποτελέσματα του Eva με δύο αντιφατικά σενάρια: ένα στο οποίο οι επιβάτες απλώς εξετάζονταν τυχαία και ένα στο οποίο η εξέταση βασιζόταν σε επιδημιολογικές μετρήσεις σε επίπεδο χώρας (όπως το ποσοστό κρουσμάτων, το ποσοστό θανάτων ή το ποσοστό θετικότητας των εξετάσεων μιας χώρας). Διαπιστώθηκε ότι κατά τη διάρκεια της τουριστικής περιόδου αιχμής, τα τυχαία τεστ θα είχαν πιάσει μόνο το 54% περίπου των κρουσμάτων που κατάφερε να βρει το Eva. Για να εξισωθεί η απόδοση του Eva με την τυχαία δειγματοληψία, η Ελλάδα θα έπρεπε να είχε αυξήσει την ικανότητα εξέτασης κατά 85% σε κάθε συνοριακή διάβαση. Σε σύγκριση με τις επιδημιολογικές μετρήσεις, οι ερευνητές διαπίστωσαν ότι το Eva εντόπισε 25% έως 45% περισσότερες λοιμώξεις κατά τη διάρκεια της τουριστικής περιόδου αιχμής, ενώ χρησιμοποίησε ισοδύναμα δεδομένα και οικονομικούς πόρους.

Η εμπειρία της Ελλάδας με το Eva εμπεριέχει προφανή διδάγματα για άλλες χώρες που προσπαθούν να εφαρμόσουν ένα καθεστώς τεστ. Αλλά η ίδια μεθοδολογία θα μπορούσε επίσης να χρησιμοποιηθεί για άλλες αξιολογήσεις βάσει κινδύνου, όπου υπάρχουν σημαντικές αμφιβολίες για το πόσο καλά λειτουργούν τα τρέχοντα, χονδροειδή κριτήρια μοντελοποίησης κινδύνου (σκεφτείτε για παράδειγμα τον έλεγχο των αποσκευών των επιβατών για τελωνειακές παραβάσεις ή τον έλεγχο ποιότητας σε προϊόντα που προέρχονται από διαφορετικούς προμηθευτές).

Tι έδειξαν τα αποτελέσματα

Το «έξυπνο» σύστημα τεχνητής νοημοσύνης Eva που εφάρμοσε σε όλα τα σύνορα της η Ελλάδα – πιθανότατα η μόνη στην Ευρώπη που έκανε κάτι τέτοιο – για τον έλεγχο Covid-19 των εισερχόμενων ταξιδιωτών το καλοκαίρι του 2020, υπήρξε πολύ πιο αποτελεσματικό από ό,τι αν τα τεστ είχαν γίνει στην τύχη. Αυτό βοήθησε τη χώρα μας να διατηρήσει ανοικτά τα σύνορα της με μεγαλύτερη ασφάλεια και, επιπλέον, της επέτρεψε να αποτελέσει ένα πρωτοποριακό παράδειγμα διεθνώς

Τα παραπάνω προκύπτουν από την αξιολόγηση του συστήματος και του αντίστοιχου αλγόριθμου ενισχυτικής μάθησης, που έγινε σε νέα δημοσίευση στο περιοδικό “Nature” και την οποία συνυπογράφουν, μεταξύ άλλων, ο βασικός δημιουργός της Eva Κίμων Δρακόπουλος (Πανεπιστήμιο Νότιας Καλιφόρνιας-Λος ‘Αντζελες) και οι καθηγητές Σωτήρης Τσιόδρας, Γκίκας Μαγιορκίνης, Δημήτρης Παρασκευής, Παγώνα Λάγιου και Χρήστος Χατζηχριστοδούλου (της Ιατρικής Σχολής του Πανεπιστημίου Αθηνών οι τέσσερις πρώτοι και της Ιατρικής του Πανεπιστημίου Θεσσαλίας ο τελευταίος).

Οι ερευνητές αναφέρουν ότι το Eva – που επέτρεψε πιο στοχευμένους ελέγχους με βάση συγκεκριμένα κριτήρια – εντόπισε σχεδόν διπλάσιους ασυμπτωματικούς ταξιδιώτες μολυσμένους με κορονοϊό (1,85 φορές περισσότερους) από ό,τι αν οι έλεγχοι στα σύνορα είχαν γίνει τελείως στην τύχη. Αν οι έλεγχοι είχαν γίνει τυχαία, εκτιμάται ότι θα είχε εντοπιστεί περίπου το 54% των κρουσμάτων που το “έξυπνο” σύστημα ανίχνευσε.

Ακόμη, το Eva εντόπισε 1,25 έως 1,45 φορές περισσότερους ασυμπτωματικούς μολυσμένους ταξιδιώτες από όσους θα είχαν βρεθεί αν η πολιτική των τεστ είχε βασιστεί σε επιδημιολογικά μόνο κριτήρια, όπως έκαναν οι άλλες χώρες. Μάλιστα στην αποκορύφωση της τουριστικής περιόδου εντόπισε δύο έως τέσσερις φορές περισσότερους ασυμπτωματικούς του αναμενομένου.