Πώς το AI Μπορεί να Μας Βοηθήσει να Προετοιμαστούμε για τη Δεύτερη Κύμα – Ηγετικά Πρόσωπα

Từ Ερικ Πατερνόστερ, Διευθύνων Σύμβουλος της Infosys Public Services

Μέχρι τώρα, τα υπάρχοντα μοντέλα της επιστήμης των δεδομένων δεν έχουν κάνει τη καλύτερη δουλειά στην πρόβλεψη της ευκολίας μετάδοσης του COVID-19, του βαθμού της ανάπτυξής του και των εξεγέρσεων σε νέες ζώνες. Πολλά από αυτά αναπτύχθηκαν βιαστικά, με περιορισμένες πληροφορίες.

Ένα μοντέλο AI, ωστόσο, θα ήταν προσαρμόσιμο, κατασκευασμένο για να κλιμακωθεί και αυτοματοποιημένο, συντρίβοντας μαζί κοινωνιολογικά, οικονομικά και δεδομένα υγείας που σχετίζονται με το COVID για να επιτρέψει στις οικονομίες να ανοίξουν με επιτυχία σε περίπτωση που xảyρει μια άλλη κύμα.

Τα δεδομένα που χρησιμοποιούνται σε αυτό το μοντέλο πρέπει να είναι ακριβή και στατιστικά σημαντικά. Πρέπει επίσης να είναι αξιόπιστα. Μέχρι τώρα, πράγματα όπως οι τιμές R, τα επίπεδα ανοσίας του κοπαδιού και οι ποσοστά θνησιμότητας έχουν sido πολύ δύσκολο να εκτιμηθούν σε διαφορετικές γεωγραφικές περιοχές, ιδιαίτερα σε μέρη χωρίς συνεκτική στρατηγική δοκιμής και επιτήρησης. Ένα άλλο πρόβλημα ήταν ότι, ακόμη και όταν πραγματοποιήθηκαν καλές δοκιμές, υπήρχαν άγριες διαφορές στις ταχύτητες ευαισθησίας και ειδικότητας, προκαλούμενες από διακύμανση στους τύπους των ανοσοδιαγνωστικών δοκιμών και τις τεχνικές συλλογής δειγμάτων.

Δεν μόνο τα δεδομένα είναι κατώτερα, αλλά και τα ίδια τα μοντέλα έχουν sido ελαττωματικά. Το μοντέλο που χρησιμοποιήθηκε από το Λευκό Οίκο, κατασκευασμένο από το Ινστιτούτο για την Αξιολόγηση των Υγείας και των Μετρίων, απέτυχε να λάβει υπόψη τις διαφορές στα κλειδιά περιφερειακά παραμέτρους και υποθέτει ότι το ιό θα επηρεάσει τον πληθυσμό με τον ίδιο τρόπο που έπραξε στην Κίνα, την Ισπανία και την Ιταλία. Φυσικά, οι Ηνωμένες Πολιτείες έχουν πολύ διαφορετικά χαρακτηριστικά πληθυσμού, επίπεδα καραντίνας και διαθεσιμότητα δοκιμών.

Άλλα μοντέλα, συχνά αναπτυγμένα από κορυφαία πανεπιστήμια σε όλο τον κόσμο, έκαναν λίγο καλύτερα. Ενσωμάτωσαν εκτιμήσεις της μόλυνσης, μαζί με παράγοντες που αυξάνουν τον κίνδυνο σοβαρής ασθένειας ή θανάτου. Αλλά ακόμη και αυτά βασίζονταν σε ανακριβείς υποθέσεις, οδηγώντας σε λάθη στο λειτουργικό μοντέλο. Για παράδειγμα, το μοντέλο που αρχικά αναπτύχθηκε από το Ιμπεριαλ Κολέγιο του Λονδίνου απέτυχε να συναγάγει την προφανή αλλαγή στη συμπεριφορά του πληθυσμού που θα συνέβαινε ακόμη και στην απουσία κυβερνητικών επεμβάσεων. Επίσης, έλλειψε κατανόηση σχετικά με το πώς ο αριθμός αναπαραγωγής του ιού (R0) θα άλλαζε λόγω αυτής της συμπεριφοράς.

Δεν είναι λοιπόν περίεργο που τόσοι πολλοί συγχυμένοι έχουν προκύψει, ιδιαίτερα στις Ηνωμένες Πολιτείες και το Ηνωμένο Βασίλειο. Η χαλάρωση των ελέγχων χωρίς προετοιμασία για τις επιπτώσεις έχει sido κοστοβόρο, ακόμη και όταν η ασθένεια πιθανό να επιστρέψει. Μέτρα πρέπει να λαμβάνονται τώρα για να ενημερώσουν την λήψη αποφάσεων σε ένα πιο λεπτομερή επίπεδο. Οι πληθυσμοί πρέπει να στρατηγούν για να καθορίσουν ποιος βγαίνει πρώτος από την καραντίνα. Μια στρατηγική πρέπει να εφαρμοστεί για να επιτρέψει την επιτήρηση των επαφών σε κλίμακα και να διασφαλίσει ότι η φροντίδα υγείας είναι επαρκής στο μέλλον.

Για να βοηθήσουν σε αυτό, τα τεχνητά νευρωνικά δίκτυα και οι τεχνικές του βαθιά μάθησης πρέπει να χρησιμοποιηθούν, ενισχύοντας τα υπάρχοντα επιδημιολογικά μοντέλα και κάνωντας τα πιο δυναμικά και ανταποκρινόμενα σε πραγματικό χρόνο. Αυτό το μοντέλο AI θα χρησιμοποιούσε ημι-εποπτευόμενη ή αεποπτευόμενη μάθηση και θα μπορούσε να λειτουργήσει ακόμη και με περιορισμένες εισροές από εκθέσεις μεγάλης κλίμακας δοκιμών. Θα ήταν αυτοσυντηρούμενο και θα απαιτούσε μια μειωμένη ποσότητα δεδομένων για να μάθει και να προβλέψει, σε σύγκριση με τα τρέχοντα μοντέλα. Με τη συνεχή προσαρμογή των εισροών παραμέτρων και τη συνεχή μάθηση, το μοντέλο θα παρήγαγε προβλέψεις που δεν θα έπασχαν από αναπόφευκτες καθυστερήσεις προσαρμογής.

Με τη βαθιά μάθηση, το AI θα μπορούσε να ανακαλύψει σύνθετα μοτίβα, να μάθει και να αυτοθεραπευτεί αυτόματα. Μπορούσε να ανιχνεύσει ανωμαλίες και θα ήταν επίσης σε θέση να κρίνει την ακρίβεια των متαβλητών, παράγοντας πολύ πιο αξιόπιστα αποτελέσματα από τα υπάρχοντα μοντέλα της επιστήμης των δεδομένων του COVID.

Κλειδιά παραμέτρους σε αυτό το μοντέλο AI θα αντλήσουν από κλινικές αναφορές δοκιμών, δεδομένα επιτήρησης επαφών και μεγάλες περιφερειακές συνόλους δεδομένων, και θα περιλαμβάνουν περιφερειακά χαρακτηριστικά πληθυσμού, κοινωνικοοικονομικό статус και παράγοντες κινδύνου όπως το κάπνισμα, οι εθισμοί και η παχυσαρκία. Ο αριθμός των μολυσμένων ατόμων που καραντίνα και δεν μπορούσαν πλέον να διαδώσουν την μόλυνση θα ήταν ενσωματωμένος στο μοντέλο.

Αυτό θα έδινε στους ηγέτες των ομάδων εργασίας τις γνώσεις που χρειάζονται για να ελέγξουν αυτή τη nguyνηρή ασθένεια με προληπτικό τρόπο, επιτρέποντάς τους να λάβουν ρητές αποφάσεις σε σχεδόν πραγματικό χρόνο, παρέχοντας στις παγκόσμιες οικονομίες μια ροβούστα και ενημερωμένη στρατηγική έξοδου.