AI가 2차 대유행에 대비하는 데 어떻게 도움이 될 수 있는가 – 사상 리더들

에릭 패터노스터에 의해, 인포시스 퍼블릭 서비스의 CEO

현재까지의 데이터 과학 모델은 COVID-19의 전파 용이성, 발달 범위, 새로운 핫스팟에서의 발병을 예측하는 데 좋은 일을 하지 못했습니다. 많은 모델이 급하게 개발되었으며 제한된 정보만을 사용했습니다.

그러나 AI 모델은 적응성이 뛰어나고 확장 가능하며 자동화되어 있습니다. 사회학적, 경제적, COVID-19 관련 건강 데이터를 함께 분석하여 경제가 성공적으로 재개될 수 있도록 합니다.

이 모델에서 사용되는 데이터는 정확하고 통계적으로 유의해야 합니다. 또한 신뢰할 수 있어야 합니다. 현재까지 R값, 백신 접종률, 사망률은 지리적으로 추정하기가 매우 어려웠습니다. 특히 테스트와 접촉자 추적 전략이 일관되지 않은 곳에서는 더욱 어려웠습니다. 좋은 테스트가 수행된 경우에도 면역진단 테스트 유형과 표본 수집 기술의 차이로 인해 민감도와 특이도에 큰 차이가 있었습니다.

데이터가 부족한 것은 물론, 모델 자체도 결점이 있었습니다. 화이트하우스에서 사용한 모델은 지역 매개변수의 차이를 고려하지 않았으며 중국, 스페인, 이탈리아에서 바이러스가 인구에게 미치는 영향을 동일하게 가정했습니다. 그러나 미국에는 매우 다른 인구 특성, 격리 수준, 테스트 가용성이 있습니다.

세계各地의 주요 대학에서 개발된 다른 모델은 조금 더 나았습니다. 감염 추정치와 심각한 질병이나 사망의 위험을 증가시키는 요인을 포함했습니다. 그러나 이러한 모델도 부정확한 가정에 기반하여 오류가 발생했습니다. 예를 들어, 임페리얼 칼리지 런던에서 초기에 개발된 모델은 정부의 강제적 개입이 없는 경우에도 인구 행동의 명백한 변화를 추론하지 못했습니다. 또한 바이러스 재생산 번호(R0)가 이러한 행동으로 인해 어떻게 변경되는지에 대한 이해도 부족했습니다.

따라서 미국과 영국에서 많은 혼란이 발생한 것이 놀라운 일이 아닙니다. 준비 없이 통제를 완화하는 것은 비용이 많이 듭니다. 특히 질병이 다시 돌아올 가능성이 높은 경우입니다. 더 세부적인 수준에서 의사결정을 지원하기 위한 조치가 필요합니다. 인구를 계층화하여 먼저 폐쇄에서 해제되는 사람들을 결정해야 합니다. 대규모 접촉자 추적을 가능하게 하고 미래의 의료 서비스가 충분하도록 전략을 구현해야 합니다.

이를 도와하기 위해 인공 신경망과 딥 러닝 기술을 사용해야 합니다. 기존의 역학 모델을 강화하고 실시간으로 더 동적이고 반응성이 뛰어난 모델로 만들 수 있습니다. 이 AI 모델은 반감기 또는 무감시 학습을 사용하고 대규모 테스트 보고서의 입력에서 작업할 수 있습니다. 또한 현재 모델보다 더 자율적이고 학습 및 예측에 필요한 데이터가 줄어듭니다. 입력 매개변수를 지속적으로 조정하고 지속적으로 학습함으로써 모델은 예측을 생성할 수 있으며, 필연적인 조정 지연 없이 예측을 생성할 수 있습니다.

딥 러닝을 사용하면 AI는 복잡한 패턴을 발견하고 자동으로 자기 학습 및 자기 회복이 가능합니다. 또한 이상을 자동으로 감지하고 변수의 정확성을 판단하여 기존의 COVID-19 데이터 과학 모델보다 더 신뢰할 수 있는 결과를 생성할 수 있습니다.

이 AI 모델의 주요 매개변수는 임상 테스트 보고, 접촉자 추적 데이터 및 대규모 지역 데이터 세트에서 가져오며 지역 인구 특성, 사회경제적 지위, 흡연, 약물 의존성, 비만과 같은 위험 요인을 포함합니다. 격리된 감염자 수를 모델에 통합하여 더 이상 감염을 퍼트리지 못하도록 할 수 있습니다.

이렇게 하면 작업력 리더에게 이 위험한 질병을 예방적으로 제어하는 데 필요한 통찰력을 제공할 수 있습니다. 이는 작업력 리더가 거의 실시간으로 합리적인 의사결정을 내릴 수 있도록 하며, 세계 경제에 강력하고 정보에 기반한 출구 전략을 제공합니다.