Как искусственный интеллект и системы прогнозирования борются с коронавирусом

Проанализировали 11 прогнозных моделей и AI-платформ, которые помогают людям в борьбе с пандемией 2020, и вычислили скорость кооперации людей и машин в условиях кризиса.

Прогнозная аналитика – класс методов анализа данных, которые помогают предсказывать будущее поведение чего-либо. Ведь, как известно, предупреждён = вооружён.

Обычный алгоритм создания таких систем выглядит следующим образом:

Это стандартный сценарий, он адаптируется под задачу (клиента), но в целом это, своего рода, классика.

Во-первых, поскольку это новый вирус – собрать исторические данные сразу было затруднительно.

Во-вторых, поскольку он опасен и быстро распространяется – делать прогнозы нужно очень оперативно.

В-третьих, прогнозные модели должны быть максимально адаптивными, ибо информация меняется и дополняется постоянно и в огромных количествах.

Много факторов, много данных, много источников, считать надо быстро – идеальный кейс для предиктивной аналитики на основе ИИ.

Тем не менее, на основании поступающих данных ученые смогли получить основные статистические параметры, такие как R0 (заразность заболевания), инкубационный период, уровень госпитализации и уровень смертности. Эти цифры – про факты. Но чтобы принимать меры и правильно реагировать – нужны прогнозы.

Платформа искусственного интеллекта BlueDot, которая отслеживает инфекционные заболевания по всему миру, зафиксировала группу случаев «необычной пневмонии» на рынке в Ухане.

Скорость:

Это было на 9 дней раньше, чем ВОЗ выступила с соответствующим заявлением.

Группы учёных моделируют возможное распространение вируса, используя ИИ и учитывая разные факторы.

Научная группа Дирка Брокманна (Германия) прогнозирует распространение вируса, используя данные о международных рейсах.

Заразность (R0) не учитывалась: важно было понять, какие аэропорты и города станут главными шлюзами распространения вируса. Модель (работает с классной инфографикой в режиме реального времени) помогает прогнозировать маршрут распространения вируса от города к городу.

Прогнозируемые данные полностью подтвердились на практике.

Скорость:

Данное исследование основано на работах учёных 2013 года, в 2020 данные были обновлены и дополнены.

Научная группа Алессандро Веспиньяни (США) создала динамическую прогнозную модель распространения COVID-19 с разными сценариями, где используются данные о путешествиях и привычках в передвижении людей.

Ещё в конце февраля Веспиньяни говорил о том, что основными вирусными очагами Штатов станут Нью-Йорк и Бостон: 23 марта в Нью-Йорке объявили тотальный карантин. Тем не менее, исследование позволило подготовить медицинские центры самых уязвимых городов страны к наплыву пациентов.

Скорость:

Первые результаты были доступны через месяц, сейчас данные пополняются и модель, соответственно, обновляется.

Пожалуй, самая известная на сегодня прогнозная модель про «меры-результаты» в борьбе с вирусом принадлежит группе британских учёных под руководством Нила Фергюсона.

Собственно, модель отражает последствия распространения вируса при полном отсутствии мер, при принятии «мягких» мер и при введении жёсткого карантина.

Скорость:

Здесь работала группа эпидемиологов, модель разрабатывалась и данные собирались/обрабатывались с начала января 2020 до середины марта 2020.

Группа гонконгских учёных разработала прогнозный алгоритм, который учитывает принятые общественные и государственные меры (от применения защитных масок до закрытия школ и изоляции целых городов) при прогнозировании распространения вируса.

Скорость:

Здесь работал небольшой коллектив учёных (3 профессора и, вероятно, другие научные сотрудники), статья с результатами была опубликована в конце января, следовательно, работа длилась месяц.

Лорен Гарднер, директор Центра системных наук и инженерии в Университете Джона Хопкинса, разработала прогнозную модель, с помощью которой власти США могли решить, пассажиров каких аэропортов необходимо проверять особенно тщательно, а каких нет. Это помогло максимально эффективно распределять ограниченные медицинские ресурсы.

Скорость:

Над моделью работало несколько человек около 2-х месяцев.

Учёные из Гарварда сделали прогнозную модель, в которой потенциальное количество заболевших в разных штатах США совмещалось с количеством доступных медицинских коек.

Модель предполагает разные сценарии, в зависимости от скорости распространения вируса. Пользуясь этими данными, госорганы могут принимать оптимальные решения, например, по введению карантина или перераспределению врачей и оборудования.

Скорость:

Работа длилась как минимум 2 месяца.

Ещё более комплексную модель на ту же тему разработали учёные из университета Пенсильвании. Здесь учитывается и группа риска и заразность вируса, и количество дней, за которое человек выздоравливает и многие другие факторы. Каждая больница может вносить в модель свои данные и прогнозировать, сколько коек будет свободно или будет ли лимит превышен на определённую дату.

Прогнозная аналитика помогает понять, что будет, чтобы как-то к этому подготовиться или чтобы не допустить инцидентов. В то же время некоторые ИИ-приложения нацелены на поиск решения.

Китайский технический гигант Alibaba разработал систему искусственного интеллекта, которая может обнаруживать коронавирус в компьютерной томографии грудной клетки.

Точность прогноза такой ИИ системы - 96%. ИИ был обучен на данных из 5000 случаев коронавируса и может выполнить тест за 20 секунд, в отличие от 15 минут, которые требуются специалисту-человеку для диагностики пациентов (и то ведь не точно). Он также может отличить коронавирус от обычной вирусной пневмонии. То есть быстрее, выше, умнее.

Скорость:

Время работы – около 3-х месяцев, но результатов ещё нет.

Сейчас многие известные компании, например, DeepMind от Google, используют ИИ, чтобы найти соединения для борьбы с коронавирусом и, в конечном итоге, разработать вакцину. AlphaFold от DeepMind также пытается предсказать структуру белка, чтобы помочь найти эффективную вакцину.

Искусственный интеллект – с позволения сказать, конкурентное преимущество человека в борьбе с пандемией. Предиктивная аналитика в данном случае позволяет понимать возможные сценарии и факторы, от которых будет зависеть их развитие. От прогноза распространения вируса до поиска инструментов борьбы - AI технологии помогают быстро отвечать на критические вопросы и дают человеку возможность эффективно реагировать на угрозы.

Рассказываем про будни AI-технологий в бизнесе на своей страничке Facebook. Присоединяйтесь!