Algoritmo da Vida: Prever o Futuro e os Desafios da Era da Inteligência Artificial

As nossas vidas, tal como histórias, seguem arcos narrativos. Cada uma desdobra-se de forma única em capítulos com títulos familiares: escola, carreira, mudança de casa, lesões, doenças. Cada linha de história, ou vida, tem um início, um meio e um fim imprevisível.

Agora, segundo os cientistas, cada história de vida é a crónica de uma morte anunciada.

Utilizando os dados do registo da Dinamarca, que contém uma riqueza de informações do dia-a-dia sobre educação, salário, emprego, horas de trabalho, habitação e visitas ao médico, os académicos desenvolveram um algoritmo que pode prever o percurso de vida de uma pessoa, incluindo a morte prematura, de uma forma muito semelhante às grandes modelos de linguagem (LLMs) como o ChatGPT podem prever frases. O algoritmo superou outros modelos de previsão, incluindo tabelas atuariais usadas pela indústria de seguros.

O facto de as nossas existências complexas poderem ser analisadas como fragmentos de texto é simultaneamente entusiasmante e perturbador. Embora saibamos que um rendimento generoso está correlacionado com uma maior expectativa de vida, a ligação de vastas quantidades de dados diferentes poderia revelar outras formas como os fatores sociais afetam a saúde. Isso poderia informar os decisores políticos que procuram melhorar as nossas probabilidades de viver vidas mais longas e saudáveis.

Por outro lado, há algo quase absurdamente redutor na ideia de um DeathGPT. Cada pérola no colar da vida - frequentar uma aula, um aumento de salário, perder um pai - parece demasiado pessoal para alimentar um conjunto de dados previsível. Mas, numa era de big data e IA para o explorar, teremos de aceitar que essas experiências qualitativas profundamente sentidas podem ser capturadas quantitativamente de maneiras que, dentro das margens de erro, delineiam o destino individual.

Mas mais emocionante do que os resultados, os investigadores enfatizam, é que o life2vec é geral em vez de específico da tarefa. Nos modelos de previsão existentes, os investigadores devem pré-especificar variáveis que importam, como idade, género e rendimento. Em contraste, esta abordagem absorve todos os dados e pode identificar independentemente os factores relevantes (notou que o rendimento conta positivamente para a sobrevivência, por exemplo, e que um diagnóstico de saúde mental conta negativamente). Isso poderia apontar os investigadores para influências sobre a saúde anteriormente não exploradas - e pode descobrir novas ligações entre padrões de comportamento aparentemente não relacionados.


Uma das crescentes preocupações de Lehmann é a privacidade; ele aponta que empresas como a Google estão a montar máquinas de previsão musculosas, usando uma abundância de dados pessoais recolhidos da Internet.

Esta é uma era de previsibilidade sem precedentes na vida humana - e uma era de poder sem precedentes para aqueles que podem ler as nossas histórias antes de as vivermos.

Sune Lehmann, da Universidade Técnica da Dinamarca, que liderou a pesquisa publicada no mês passado na Nature Computational Science, não acha a ideia desconcertante. "Acho que a semelhança entre texto e vidas é profunda e multifacetada", disse-me por e-mail. "Para mim, faz sentido que o nosso algoritmo possa prever o próximo passo nas vidas humanas."

Tanto a linguagem como a vida são sequências. Os investigadores, provenientes da Universidade de Copenhaga e da Universidade do Nordeste em Boston, exploraram essa semelhança. Primeiro, compilaram um "vocabulário" de eventos de vida, criando uma espécie de linguagem sintética, e usaram-na para construir "frases". Uma frase de exemplo poderia ser: "Durante o terceiro ano no internato secundário, a Hermione frequentou cinco disciplinas eletivas."

Assim como os LLMs exploram texto para descobrir as relações entre as palavras, o algoritmo life2vec, alimentado com as histórias de vida reconstituídas dos 6 milhões de habitantes da Dinamarca entre 2008 e 2015, explorou esses resumos em busca de relações semelhantes.

Depois chegou o momento da verdade: quão bem poderia aplicar esse extenso treino para fazer previsões de 2016 a 2020? Entre as execuções de teste do algoritmo, os investigadores estudaram uma amostra de 100.000 pessoas com idades entre 35 e 65 anos, metade das quais se sabe ter sobrevivido e metade das quais morreu durante esse período. Quando solicitado a adivinhar quais morreram, o life2vec acertou 79 por cento das vezes (o palpite aleatório dá uma taxa de acerto de 50 por cento). Superou os próximos melhores modelos de previsão, disse Lehmann, em 11 por cento.

Embora o artigo afirme que "previsões individuais precisas são de facto possíveis", o algoritmo fornece uma probabilidade de morte ao longo de um certo período, em vez de uma data exata. Há ressalvas: o que se aplica na Dinamarca pode não se aplicar noutros lugares, e o algoritmo codifica preconceitos nos dados de treino. Mesmo assim, dado o seu potencial para ajustar finamente a previsão de riscos, o impacto na indústria de seguros valerá a pena observar. Por sua vez, os investigadores não querem que o seu trabalho seja usado pelas seguradoras e mantêm o algoritmo e os dados em segredo por agora.