Kanadische künstliche Intelligenz Firma BlueDot hat in den Nachrichten in den letzten Wochen für die Warnung, neue Corona-Virus schon Tage vor der offiziellen Warnungen von den Centers for Disease Control and Prevention und der Weltgesundheitsorganisation. Das Unternehmen war in der Lage, dies durch Antippen von verschiedenen Quellen von Informationen jenseits der offiziellen Statistiken über die Anzahl der Fälle berichtet.
BlueDot AI-Algorithmus, eine Art von computer-Programm, das verbessert die Verarbeitung von mehr Daten, bringt news stories in Dutzenden von Sprachen, Berichte, aus Pflanzen-und Tier-Krankheit-tracking-Netzwerken und airline ticketing-Daten. Das Ergebnis ist ein Algorithmus, der besser zu simulieren die Ausbreitung der Krankheit als algorithmen, die sich auf Daten über die öffentliche Gesundheit—besser genug, um in der Lage sein, vorherzusagen, krankheitsausbrüche. Das Unternehmen nutzt die Technologie, um vorherzusagen und zu verfolgen Infektionskrankheiten für seine Regierung und dem privaten Sektor Kunden.
Traditionelle Epidemiologie Strecken, wo und wenn Menschen Vertrag eine Krankheit zu identifizieren, die Quelle des Ausbruchs und die der Bevölkerung am meisten gefährdet sind. KI-Systeme wie BlueDot Modell, wie Krankheiten verbreiten in der Bevölkerung, die es unmöglich macht, vorherzusagen, wo Ausbrüche auftreten, und die Prognose, wie weit und schnell Krankheiten verbreiten. So, während die CDC und Labors auf der ganzen Welt Rennen zu finden Heilmittel für den neuartigen Corona-Virus bestätigt, die Forscher sind mit AI, um zu versuchen, vorherzusagen, wo die Krankheit wird weiter gehen und wie viel für Auswirkungen es haben könnte. Beide spielen eine wichtige Rolle bei der Bewältigung der Krankheit.
Aber AI ist keine silberne Kugel. Die Genauigkeit der KI-Systeme ist stark abhängig von der Menge und Qualität der Daten, die Sie lernen. Und wie KI-Systeme werden entwickelt und geschult, kann ethische Fragen aufwerfen, die besonders lästig, wenn die Technologien wirken sich auf große Teile der Bevölkerung über etwas so wichtig ist, wie die öffentliche Gesundheit.
Es geht um die Daten
Traditionelle Krankheitsausbruch Analyse beschäftigt sich mit der Lage von einem Ausbruch, die Zahl der Erkrankungen und die Zeit, die, wo, was und Wann—eine Prognose, die die Wahrscheinlichkeit der Ausbreitung der Krankheit in kürzester Zeit.
Neuere Bemühungen mit AI und Daten Wissenschaft erweitert haben die, was man auch viele verschiedene Datenquellen, die es ermöglicht, Vorhersagen über Ausbrüche. Mit dem Aufkommen von Facebook, Twitter und andere soziale und micro-media-Websites, mehr und mehr Daten können im Zusammenhang mit einem Standort-und abgebaut für das wissen über ein Ereignis, wie ein Ausbruch. Die Daten können umfassen medizinische Arbeiter forum Diskussionen über ungewöhnliche Atemwege Fällen und social-media-Beiträge über die Kranken.
Viel dieser Daten ist sehr unstrukturiert, was bedeutet, dass Computer nicht einfach zu verstehen. Die unstrukturierten Daten können in form von Nachrichten, Flug-Karten, Nachrichten auf social-media -, check-ins von Personen -, video-und Bilder. Auf der anderen Seite, strukturierte Daten, wie Anzahl der berichteten Fälle durch die Position, die, ist mehr tabelliert und in der Regel nicht so viel Vorverarbeitung für Computer in der Lage sein, Sie zu interpretieren.
Neuere Techniken wie deep-learning kann helfen, den Sinn von unstrukturierten Daten. Diese algorithmen laufen auf künstliche neuronale Netzwerke, die aus tausenden von kleinen miteinander verbundenen Prozessoren, die ähnlich wie die Neuronen im Gehirn. Die Prozessoren sind in der Ebene angeordnet, und die Daten werden ausgewertet, in jeder Schicht und entweder verworfen oder an die nächste Schicht. Mit dem Fahrrad von Daten durch die Schichten in einer feedback-Schleife, eine Tiefe Lern-Algorithmus lernt, wie man, zum Beispiel, identifizieren Katzen in YouTube-videos.
Wissenschaftler lehren deep-learning-algorithmen zu verstehen, unstrukturierte Daten durch training zu erkennen, die Komponenten von bestimmten Arten von Gegenständen. Zum Beispiel, Forscher lehren kann, einen Algorithmus zu erkennen, eine Tasse von der Ausbildung mit Bildern von verschiedenen Arten von Griffen und Felgen. So kann es erkennen, mehrere Arten von Tassen, nicht nur Tassen, die einen bestimmten Satz von Eigenschaften.
AI-Modell ist nur so gut wie die Daten, die es zu trainieren. Zu wenig Daten und die Ergebnisse dieser Krankheit-tracking-Modelle liefern können, verzerrt werden. In ähnlicher Weise, die Qualität der Daten ist kritisch. Es kann besonders schwierig sein, die Kontrolle der Qualität von unstrukturierten Daten, einschließlich der “ crowd-sourced data. Dies erfordert die Forscher, um gezielt filtern Sie die Daten vor der Fütterung, um Ihre Modelle. Dies ist vielleicht ein Grund, warum einige Forscher, einschließlich derjenigen, die an BlueDot, Sie nicht zu verwenden social-media-Daten.
Eine Möglichkeit zur Beurteilung der Qualität von Daten wird durch die überprüfung der Ergebnisse der AI-Modelle. Forscher müssen prüfen Sie die Ausgabe Ihrer Modelle gegen das, was sich in der realen Welt, ein Prozess, der als ground truthing. Ungenaue Vorhersagen in der öffentlichen Gesundheit, insbesondere false-positives führen kann Massenhysterie über die Ausbreitung der Krankheit.
AI für das Gemeinwohl
AI hält großes Versprechen für die Identifizierung, wo und wie schnell Krankheiten verbreiten. Zunehmend werden Daten, die Wissenschaftler sind mit diesen Verfahren zur Vorhersage der Ausbreitung von Krankheiten. Ebenso werden die Forscher sind mit diesen Techniken zu modellieren, wie Menschen sich bewegen, um innerhalb der Städte, potenziell Verbreitung von Krankheitserregern, wie Sie gehen.
Jedoch AI nicht die Notwendigkeit beseitigen, für Epidemiologen und Virologen, die den Kampf gegen die Verbreitung an der front. Zum Beispiel, BlueDot verwendet Epidemiologen, um zu bestätigen, seinen Algorithmus auf die Ergebnisse. AI ist ein Werkzeug, um mehr erweiterte und präzisere Warnungen, die es ermöglichen, dass eine rasche Antwort auf einen Ausbruch. Der Schlüssel ist, bringt der KI-Prognose und Vorhersage-Fähigkeiten der öffentlichen Gesundheit Beamten zu verbessern Ihre Fähigkeit zur Reaktion auf Ausbrüche.
Auch wenn alles andere war perfekt und AI waren eine technologische Wunderwaffe, die KI-Feld würde immer noch vor ethische Herausforderungen. Wir müssen mehr wachsam sein gegen Phänomene wie digitale redlining, die EDV-version, die Praxis zu leugnen Ressourcen für marginalisierte Bevölkerungsgruppen, kann das kriechen in die KI Ergebnisse. Ganze Regionen oder Demografie werden könnte, in den hintergrund gedrängt, zum Beispiel vom Zugang zur Gesundheitsversorgung, wenn die Daten verwendet werden, um Zug für ein AI system gescheitert sind.
Im Fall von AI-Modelle Zusammentragen der Daten aus sozialen Medien, digitalen redlining ausschließen können ganze Populationen mit begrenztem internet-Zugang. Diese Populationen möglicherweise nicht das posten in sozialen Medien oder auf andere Weise der Erstellung des digitalen Fingerabdrücke viele AI-Modelle verlassen sich auf. Dies könnte dazu führen, KI-Systeme, um fehlerhafte Empfehlungen darüber, wo Ressourcen benötigt werden.
Während die Forscher kontinuierlich die Schaffung neuer KI-algorithmen, einige der grundlegenden Probleme wie das Verständnis, was Los ist im inneren der Modelle, die Minimierung der false positives und die Identifizierung und die Vermeidung von ethischen Fragen sind nicht gut verstanden und erfordern weitere Forschung.