كيف يمكن للذكاء الاصطناعي مساعدتنا في الاستعداد للموجة الثانية – قادة الفكر

بواسطة إريك باتيرنوستر، الرئيس التنفيذي لشركة إنفوسيس للخدمات العامة

حتى الآن، لم تقم نماذج العلوم الإحصائية الحالية بتقديم أفضل أداء في التنبؤ بسهولة انتقال كوفيد-19، ومدى تطوره، والتفشي في المناطق الساخنة الجديدة. تم تطوير العديد منها في عجلة، مع معلومات محدودة.

然而، يمكن أن يكون نموذج الذكاء الاصطناعي قابلًا للتكيف، مبنيًا على النطاق، وأوتوماتيكيًا، حيث يقوم بدمج البيانات الاجتماعية والاقتصادية والمتعلقة بکوفيد-19 لتمكين الاقتصادات من الإعادة فتح بنجاح في حالة حدوث موجة أخرى.

يجب أن تكون البيانات المستخدمة في هذا النموذج دقيقة وذات دلالة إحصائية. كما يجب أن تكون موثوقة. حتى الآن، كانت الأمور مثل قيم R، ومستويات المناعة الجماعية، ومعدلات الوفيات صعبة التخمين عبر الجغرافيا، خاصة في الأماكن التي لا توجد فيها استراتيجية اختبار وتعقب الاتصال المتماسكة. كان هناك مشكلة أخرى وهي أن حتى عندما تم إجراء الاختبارات الجيدة، كانت هناك اختلافات كبيرة في معدلات الحساسية والنوعية بسبب تباين أنواع الاختبارات المناعية وتقنيات جمع العينات.

ليس فقط البيانات رديئة، ولكن النماذج نفسها كانت معيبة. النموذج الذي استخدمته البيت الأبيض، الذي تم بناؤه بواسطة معهد معايير الصحة، فشل في أخذ الاختلافات في المعلمات الإقليمية الرئيسية في الاعتبار وافترض أن الفيروس سوف يؤثر على السكان بنفس الطريقة التي أثرت بها في الصين وإسبانيا وإيطاليا. بالطبع، الولايات المتحدة لديها خصائص سكانية مختلفة ومستويات من الحجر الصحي ومتوفرة للاختبار.

كانت نماذج أخرى، غالبًا ما تم تطويرها بواسطة جامعات رائدة حول العالم، أفضل قليلا. تم دمج تقديرات العدوى، جنبًا إلى جنب مع العوامل التي تزيد من خطر المرض الشديد أو الوفاة. ولكن حتى هذه كانت تستند إلى افتراضات غير دقيقة، مما أدى إلى أخطاء في النموذج العامل. على سبيل المثال، فشل النموذج الذي تم تطويره في البداية بواسطة كلية لندن الإمبراطورية في استنتاج التغيير الواضح في سلوك السكان الذي سيظل حتى في غياب التدخلات الحكومية المطلوبة. كما لم يكن لديه فهمًا لكيفية تغير رقم إعادة الإنتاج (R0) بسبب هذا السلوك.

ليس من المستغرب أن تكون قد نتجت عن ذلك الكثير من الارتباك، خاصة في الولايات المتحدة والمملكة المتحدة. كان التخفيف من القيود دون الاستعداد للعواقب قد كان مكلفًا، حتى عندما من المحتمل أن يعود المرض. يجب اتخاذ تدابير الآن لتعليم اتخاذ القرارات على مستوى أكثر تفصيلا. يجب تصنيف السكان لتحديد من يخرج من الإغلاق أولا. يجب تنفيذ استراتيجية لتمكين تعقب الاتصال على نطاق واسع وضمان كفاية الرعاية الصحية في المستقبل.

لمساعدته في ذلك، يجب استخدام شبكات العصبية الاصطناعية وتقنيات التعلم العميق، مما يضيف إلى نماذج الوبائيات الحالية وجعلها أكثر ديناميكية وتناسبية في الوقت الفعلي. سيستخدم نموذج الذكاء الاصطناعي التعلم شبه الإشرافي أو غير الإشرافي ويمكنه العمل حتى مع مدخلات محدودة من تقارير الاختبار على نطاق واسع. سيكون خودي وسيحتاج إلى كمية أقل من البيانات للتعلم والتنبؤ، مقارنة بالنماذج الحالية. من خلال تعديل معاملات الإدخال بشكل مستمر والتعلم المستمر، سيولد النموذج تنبؤات لن تعاني من تأخيرات التعديل الحتمية.

مع التعلم العميق، يمكن للذكاء الاصطناعي اكتشاف أنماط معقدة والتعلم الذاتي والتعافي الذاتي تلقائيًا. يمكنه أيضًا كشف الشذوذ وسيتمكن أيضًا من تقييم دقة المتغيرات، مما ينتج عنه نتائج أكثر موثوقية من نماذج العلوم الإحصائية الحالية لكوفيد-19.

الPARAMETERS الرئيسية في نموذج الذكاء الاصطناعي ستستمد من تقارير الاختبارات السريرية وبيانات تعقب الاتصال ومجموعات البيانات الإقليمية الكبيرة، وتشمل خصائص السكان الإقليميين والوضع الاجتماعي والاقتصادي وعوامل الخطر مثل التدخين والإدمان والسرطان. سيتم دمج عدد الأفراد المصابين الذين تم عزلهم ويمكنهم عدم نشر العدوى في النموذج.

هذا سيعطي قادة فرق العمل رؤى 필요ة للسيطرة على هذا المرض الخطير بطريقة استباقية، مما يسمح لهم باتخاذ قرارات عقلانية في الوقت الفعلي تقريبًا، وتوفير استراتيجية خروج قوية ومستنيرة للاقتصادات العالمية.