Як штучний інтелект може допомогти нам підготуватися до другої хвилі – лідери думок

Від Еріка Патерностера, генерального директора Infosys Public Services

До цього часу існуючі моделі даних не робили найкращої роботи в передбаченні легкості передачі COVID-19, ступеня його розвитку та спалахів в нових гарячих точках. Багато з них були розроблені поспіхом, з обмеженою інформацією.

Модель штучного інтелекту, однак, була б адаптивною, побудованою для масштабування та автоматизованою, обробляючи соціологічні, економічні та дані, пов’язані з COVID, для того, щоб дозволити економікам успішно знову відкритися у разі виникнення другої хвилі.

Дані, використані в цій моделі, повинні бути як точними, так і статистично значимими. Вони повинні бути надійними. До цього часу такі речі, як R-значення, рівні герд-імунітету та показники смертності, були дуже важкими для оцінки по різних географічних регіонах, особливо в місцях без чіткої стратегії тестування та відстеження контактів. Іншою проблемою було те, що навіть при проведенні доброго тестування були великі розбіжності в чутливості та специфічності, викликані різницею в типах імунодіагностичних тестів та техніках збору зразків.

Не тільки дані є недостатковими, але й самі моделі були пошкоджені. Модель, використана в Білому домі, розроблена Інститутом оцінки здоров’я та метрик, не врахувала відмінності в ключових регіональних параметрах та припускала, що вірус вплине на населення так само, як у Китаї, Іспанії та Італії. Очевидно, що у США є дуже різні характеристики населення, рівні карантину та доступність тестування.

Інші моделі, часто розроблені провідними університетами світу, робили трохи краще. Вони включали оцінки зараження, разом з факторами, які збільшують ризик важкої хвороби або смерті. Але навіть ці моделі були засновані на неточних припущеннях, що призвело до помилок у робочій моделі. Наприклад, модель, спочатку розроблена Імперіал-Коледж-Лондон, не змогла вивести очевидну зміну поведінки населення, яка все одно виникне в відсутність урядових заходів. Вона також не мала розуміння того, як число репродукції вірусу (R0) зміниться через цю поведінку.

Нема дивовиж, що так багато плутанини виникло, особливо в США та Великій Британії. Зняття контролю без підготовки до наслідків було дорого, навіть якщо хвороба, ймовірно, повернеться. Необхідно вжити заходів зараз, щоб інформувати процес прийняття рішень на більш детальному рівні. Населення повинно бути стратифіковано, щоб визначити, хто вийде з карантину першим. Повинна бути реалізована стратегія для забезпечення відстеження контактів у великому масштабі та забезпечення достатньої охорони здоров’я в майбутньому.

Для цього слід використовувати штучні нейронні мережі та техніки глибокого навчання, доповнюючи існуючі епідеміологічні моделі та роблячи їх більш динамічними та реагуючими в реальному часі. Ця модель штучного інтелекту використовуватиме напівнагляді або ненагляді навчання та зможе працювати навіть з обмеженим входом з великомасштабних звітів про тестування. Вона буде самодостатньою та потребуватиме зменшеного обсягу даних для навчання та прогнозування порівняно з поточними моделями. Постійно调整ючи вхідні параметри та продовжуючи навчання, модель буде генерувати прогнози, які не будуть страждати від невідворотних затримок.

З допомогою глибокого навчання штучний інтелект може виявити складні закономірності, самонавчатися та самооздоровлюватися автоматично. Він може автоматично виявляти аномалії та能够 оцінювати точність змінних, створюючи набагато більш надійні результати, ніж існуючі моделі даних COVID.

Ключові параметри в цій моделі штучного інтелекту будуть включати клінічні звітні дані, дані про відстеження контактів та великі регіональні набори даних, а також регіональні характеристики населення, соціально-економічний статус та фактори ризику, такі як куріння, наркозалежність та ожиріння. Кількість інфікованих осіб, які були карантиновані та вже не можуть поширити інфекцію, буде включено до моделі.

Це дозволить лідерам робочих груп отримати інформацію, необхідну для протидії цій небезпечній хворобі в активному порядку, дозволяючи їм приймати раціональні рішення в режимі майже реального часу, забезпечуючи світовим економікам надійну та інформовану стратегію виходу.