์ธ๊ณต์ง๋ฅ
AI๊ฐ ๋ ๋ฒ์งธ ๋ฌผ๊ฒฐ์ ๋๋นํ๋ ๋ฐ ์ด๋ป๊ฒ ๋์์ด ๋ ์ ์๋๊ฐ – ์ฌ์ ๋ฆฌ๋
By Eric Paternoster, Infosys Public Services의 CEO
지금까지 존재하는 데이터 과학 모델은 COVID-19의 전파 용이성, 발달 범위, 새로운 핫스팟에서의 발병을 예측하는 데 좋은 일을 하지 못했습니다. 많은 모델이 제한된 정보로 급하게 개발되었습니다.
그러나 AI 모델은 적응 가능하고 확장 가능하며 자동화되어 사회학적, 경제적, COVID 관련 건강 데이터를 함께 분석하여 또 다른 물결이 발생할 경우 경제가 성공적으로 재개될 수 있도록 합니다.
이 모델에서 사용되는 데이터는 정확하고 통계적으로 유의해야 합니다. 또한 신뢰할 수 있어야 합니다. 지금까지 R값, 집단 면역 수준, 사망률은 지리적으로, 특히 일관된 테스트와 접촉자 추적 전략이 없는 지역에서 추정하기가 매우 어려웠습니다. 또 다른 문제는 좋은 테스트가 수행된 경우에도 면역진단 테스트 유형과 표본 수집 기술의 차이로 인해 민감도와 특이도에 큰 차이가 발생했다는 것입니다.
데이터가 부족한 것은 물론, 모델 자체도 결점이 있습니다. 화이트 하우스에서 사용하는 모델은 지역 매개 변수의 차이를 고려하지 않고 중국, 스페인, 이탈리아에서 바이러스가 인구에 미친 영향과 동일한 영향을 미칠 것이라고 가정했습니다. 물론 미국은 매우 다른 인구 특성, 격리 수준, 테스트 가용성을 가지고 있습니다.
세계 각지의 주요 대학에서 개발된 다른 모델은 약간 더 잘 작동했습니다.它们는 전염병 추정치와 함께 심각한 질병 또는 사망의 위험을 증가시키는 요인을 포함했습니다. 그러나 이러한 모델도 부정확한 가정에 기반하여 오류가 발생했습니다. 예를 들어, 임페리얼 칼리지 런던에서 처음 개발된 모델은 정부의 강제적인 개입이 없는 경우에도 인구 행동의 명백한 변화를 추론하지 못했습니다. 또한 바이러스 재생산(R0) 수가 이러한 행동으로 인해 어떻게 변경되는지에 대한 이해가 부족했습니다.
따라서 미국과 영국에서 많은 혼란이 발생한 것은 놀라운 일이 아닙니다. 준비 없이 통제를 완화하는 것은 비용이 많이 듭니다. 특히 질병이 돌아올 가능성이 있을 때입니다. 더 세부적인 수준에서 의사 결정에 대한 정보를 제공하기 위한 조치는 지금 취해져야 합니다. 인구는 잠금 해제를 위해 먼저 나타나는 사람을 결정하기 위해 계층화되어야 합니다. 대규모 접촉자 추적을 가능하게 하고 미래의 의료 서비스가 충분하도록 하는 전략이 구현되어야 합니다.
이를 도와주기 위해 인공 신경망과 딥 러닝 기술을 사용하여 기존의 역학 모델을 보완하고 실시간으로 더 동적이고 반응성이 있도록 해야 합니다. 이 AI 모델은 반감도 또는 무감독 학습을 사용하고 대규모 테스트 보고서의 제한된 입력으로도 작동할 수 있습니다. 이는 자체적으로 지속 가능하고 예측을 위해 현재 모델보다 더 적은 양의 데이터가 필요합니다. 입력 매개 변수를 지속적으로 조정하고 지속적으로 학습함으로써 모델은 필연적인 조정 지연으로 인해 고통받지 않는 예측을 생성할 것입니다.
딥 러닝을 통해 AI는 복잡한 패턴을 자동으로 обнаруж하고, 자체적으로 학습하고, 자체적으로 회복할 수 있습니다. 또한 변수의 정확성을 판단하고 기존의 COVID 데이터 과학 모델보다 훨씬 더 신뢰할 수 있는 결과를 생성할 수 있습니다.
이 AI 모델의 주요 매개 변수는 임상 테스트 보고서, 접촉자 추적 데이터 및 대규모 지역 데이터 세트에서 가져오며 지역 인구 특성, 사회 경제적 지위, 흡연, 약물 의존성, 비만과 같은 위험 요인을 포함합니다. 검역된 감염된 개인의 수는 모델에 통합됩니다.
이는 작업력 리더에게 이 위험한 질병을 예방적으로 억제하기 위해 필요한 통찰력을 제공하여, 차례로 다음에 실제 시간에 합리적인 결정을 내릴 수 있도록 하며, 세계 경제에 강력하고 정보에 기반한 출구 전략을 제공합니다.
