Jak může umělá inteligence pomoci připravit se na druhou vlnu – Thought Leaders

Od Erica Paternostera, CEO společnosti Infosys Public Services

Dosud stávající modely datové vědy nezvládly dobře předpovědět snadnost přenosu COVID-19, rozsah jeho vývoje a výskyty v nových ohniscích. Mnoho z nich bylo vytvořeno v rozrušení, s omezenými informacemi.

Model založený na umělém inteligenci by však byl adaptivní, postavený na škálovatelnosti a automatizaci, zpracovávající sociologické, ekonomické a zdravotnické údaje související s COVID-19, aby umožnil ekonomikám úspěšně znovu otevřít se, pokud dojde k další vlně.

Data použité v tomto modelu by měly být jak přesné, tak statisticky významné. Musí být také spolehlivé. Dosud byly věci jako R-hodnoty, úroveň stádní imunity a úmrtnost velmi obtížné odhadnout napříč geografickými oblastmi, zejména v místech bez koherentní strategie testování a trasování kontaktů. Další problém spočíval v tom, že i když bylo provedeno dobré testování, existovaly velké rozdíly v citlivosti a specificitě, způsobené variací v typech imunodiagnostických testů a technikách odběru vzorků.

Nejenže jsou data nedostačující, ale i samotné modely jsou vadné. Model používaný Bílým domem, vytvořený Institutem pro hodnocení zdravotnických ukazatelů a hodnocení, nezohledňoval rozdíly v klíčových regionálních parametrech a předpokládal, že virus bude ovlivňovat populaci stejným způsobem jako v Číně, Španělsku a Itálii. Samozřejmě, že Spojené státy mají velmi odlišné charakteristiky populace, úrovně karantény a dostupnost testování.

Jiné modely, často vyvinuté předními univerzitami po celém světě, fungovaly o něco lépe. Zahrnovaly odhady nakažlivosti, spolu s faktory, které zvyšují riziko vážného onemocnění nebo smrti. Ale i tyto modely byly založeny na nesprávných předpokladech, což vedlo k chybám v pracovním modelu. Například model původně vyvinutý Imperial College London nedokázal odhadnout zjevnou změnu v chování populace, ke které by došlo i bez vládních zásahů. Také postrádal pochopení, jak se bude měnit reprodukční číslo (R0) v důsledku tohoto chování.

Není divu, že z toho vyplynula taková zmatečnost, zejména ve Spojených státech a ve Spojeném království. Uvolňování kontrol bez přípravy na následky bylo nákladné, i když je pravděpodobné, že se nemoc vrátí. Musí být přijata opatření, aby se informovala rozhodování na více podrobné úrovni. Populace musí být stratifikovány, aby se určilo, kdo bude první, kdo vyjde z karantény. Musí být implementována strategie pro trasování kontaktů ve velkém měřítku a zajištěno, aby zdravotní péče byla v budoucnu dostatečná.

Na pomoc by měly být použity umělá neuronová síť a techniky hlubokého učení, které by doplňovaly stávající epidemiologické modely a dělaly je více dynamickými a reaktivními v reálném čase. Tento model založený na umělém inteligenci by používal polořízené nebo neřízené učení a mohl by fungovat i s omezenými vstupy z velkých testovacích zpráv. Byl by soběstačný a vyžadoval by menší množství dat pro učení a předpověď ve srovnání se současnými modely. Kontinuální úpravou vstupních parametrů a kontinuálním učením by model generoval předpovědi, které by netrpěly nevyhnutelnými prodlevami úprav.

S hlubokým učením může umělá inteligence objevovat komplexní vzorce, samoučit se a samoopravit automaticky. Může také automaticky detekovat anomálie a bude schopna posoudit přesnost proměnných, což povede k mnohem spolehlivějším výsledkům než stávající modely datové vědy pro COVID-19.

Klíčové parametry v tomto modelu založeném na umělém inteligenci by čerpaly z klinických testovacích zpráv, dat trasování kontaktů a velkých regionálních datových sad, a zahrnovaly by regionální charakteristiky populace, socioekonomický status a rizikové faktory, jako je kouření, závislost na drogách a obezita. Počet infikovaných jedinců, kteří byli v karanténě a již nemohli šířit infekci, by byl začleněn do modelu.

To by poskytlo vedoucím pracovníkům úkolu potřebné poznatky, aby zastavili toto nebezpečné onemocnění proaktivním způsobem, umožnilo jim učinit racionální rozhodnutí v téměř reálném čase a poskytlo světovým ekonomikám robustní a dobře informovanou strategii pro exit.