कैसे एआई हमें दूसरी लहर के लिए तैयार करने में मदद कर सकता है – विचार नेताओं

द्वारा एरिक पैटर्नोस्टर, इंफोसिस पब्लिक सर्विसेज के सीईओ

अब तक, मौजूदा डेटा साइंस मॉडल्स ने कोविड-19 के प्रसार की आसानी, इसके विकास की सीमा, और नए हॉटस्पॉट्स में इसके प्रकोप की भविष्यवाणी करने में अच्छा काम नहीं किया है। कई मॉडल्स को जल्दबाजी में विकसित किया गया था, सीमित जानकारी के साथ।

हालांकि, एक एआई मॉडल अनुकूलनीय, बड़े पैमाने पर निर्मित, और स्वचालित होगा, जो सामाजिक, आर्थिक, और कोविड से संबंधित स्वास्थ्य डेटा को एक साथ जोड़कर अर्थव्यवस्थाओं को सफलतापूर्वक फिर से खोलने में मदद करेगा, यदि दूसरी लहर आती है।

इस मॉडल में उपयोग किए जाने वाले डेटा को सटीक और सांख्यिकीय रूप से महत्वपूर्ण होना चाहिए। यह विश्वसनीय भी होना चाहिए। अब तक, आर-मान, हेर्ड इम्युनिटी स्तर, और मृत्यु दर जैसी चीजें भौगोलिक रूप से अनुमान लगाने में बहुत मुश्किल रही हैं, खासकर उन स्थानों पर जहां एक सुसंगत परीक्षण और संपर्क अनुसंधान रणनीति नहीं है। एक और समस्या यह है कि जब अच्छा परीक्षण किया गया है, तो इम्युनोडायग्नोस्टिक परीक्षण प्रकार और नमूना संग्रह तकनीकों में भिन्नता के कारण संवेदनशीलता और विशिष्टता दर में व्यापक अंतर हुए हैं।

न केवल डेटा कमजोर है, बल्कि मॉडल्स खुद भी दोषपूर्ण हैं। व्हाइट हाउस द्वारा उपयोग किया गया मॉडल, जिसे इंस्टीट्यूट फॉर हेल्थ मेट्रिक्स एंड इवैल्यूएशन द्वारा बनाया गया था, ने क्षेत्रीय पैरामीटरों में अंतरों को ध्यान में नहीं रखा और यह मान लिया कि वायरस चीन, स्पेन, और इटली में आबादी को उसी तरह प्रभावित करेगा जैसे उसने पहले किया था।当然, अमेरिका में बहुत अलग आबादी विशेषताएं, क्वारंटीन के स्तर, और परीक्षण की उपलब्धता है।

दूसरे मॉडल्स, जो अक्सर दुनिया भर के प्रमुख विश्वविद्यालयों द्वारा विकसित किए गए थे, थोड़ा बेहतर कर गए। उन्होंने संक्रमण के अनुमानों के साथ-साथ गंभीर बीमारी या मृत्यु के जोखिम को बढ़ाने वाले कारकों को शामिल किया। लेकिन यहां तक कि वे भी गलत धारणाओं पर आधारित थे, जिससे कार्य मॉडल में त्रुटियां हुईं। उदाहरण के लिए, इंपीरियल कॉलेज लंदन द्वारा पहले से विकसित मॉडल ने स्पष्ट रूप से सरकार द्वारा निर्धारित हस्तक्षेपों की अनुपस्थिति में भी आबादी के व्यवहार में परिवर्तन का अनुमान नहीं लगाया। यह वायरस प्रजनन (आर०) संख्या में इस व्यवहार के कारण परिवर्तन की समझ का भी अभाव था।

कोई आश्चर्य नहीं कि इतनी भ्रम का परिणाम हुआ, खासकर अमेरिका और यूके में। नियंत्रण को कम करने से पहले इसके परिणामों के लिए तैयारी करना महंगा साबित हुआ, यहां तक कि जब बीमारी के लौटने की संभावना होती है। निर्णय लेने के स्तर पर अधिक विस्तृत जानकारी प्रदान करने के लिए कदम उठाने होंगे। आबादी को पहले लॉकडाउन से बाहर निकलने के लिए स्तरीकृत किया जाना चाहिए। एक रणनीति को लागू करना होगा जो बड़े पैमाने पर संपर्क अनुसंधान को सक्षम करे और सुनिश्चित करे कि स्वास्थ्य देखभाल भविष्य में पर्याप्त है।

इसमें मदद करने के लिए, आर्टिफिशियल न्यूरल नेटवर्क और डीप लर्निंग तकनीकों का उपयोग किया जाना चाहिए, मौजूदा महामारी विज्ञान मॉडल्स को बढ़ाते हुए और उन्हें अधिक गतिशील और वास्तविक समय में प्रतिक्रिया देने वाला बनाते हुए। यह एआई मॉडल सेमी-सुपरवाइज्ड या अनसुपरवाइज्ड लर्निंग का उपयोग करेगा और बड़े पैमाने पर परीक्षण रिपोर्टों से सीमित इनपुट के साथ भी काम कर सकता है। यह स्व-निरंतर और कम डेटा की आवश्यकता के साथ सीखने और भविष्यवाणी करने में सक्षम होगा, मौजूदा मॉडल्स की तुलना में। निरंतर इनपुट पैरामीटर्स को समायोजित करके और निरंतर सीखने से, मॉडल ऐसी भविष्यवाणियां उत्पन्न करेगा जो अपरिहार्य समायोजन विलंब का शिकार नहीं होंगी।

डीप लर्निंग के साथ, एआई जटिल पैटर्न की खोज कर सकता है, स्व-शिक्षित और स्व-चिकित्सा कर सकता है। यह असामान्यताओं का स्वचालित रूप से पता लगा सकता है और चरों की सटीकता का भी निर्धारण कर सकता है, मौजूदा कोविड डेटा साइंस मॉडल्स की तुलना में अधिक विश्वसनीय परिणाम उत्पन्न करता है।

इस एआई मॉडल में मुख्य पैरामीटर्स क्लिनिकल परीक्षण रिपोर्टों, संपर्क अनुसंधान डेटा और बड़े क्षेत्रीय डेटा सेट्स से लिए जाएंगे, और इसमें क्षेत्रीय आबादी विशेषताएं, सामाजिक-आर्थिक स्थिति, और जोखिम कारक जैसे धूम्रपान, दवा निर्भरता, और मोटापा शामिल होंगे। उन संक्रमित व्यक्तियों की संख्या जो क्वारंटीन में थे और अब संक्रमण फैला नहीं सकते थे, मॉडल में शामिल की जाएगी।

यह कार्य बल नेताओं को इस खतरनाक बीमारी को एक सक्रिय तरीके से रोकने के लिए आवश्यक अंतर्दृष्टि प्रदान करेगा, उन्हें लगभग वास्तविक समय में तर्कसंगत निर्णय लेने में सक्षम बनाता है, विश्व अर्थव्यवस्थाओं को एक मजबूत और सूचित निकास रणनीति प्रदान करता है।