В 2020-х годах, чтобы лучше бороться с этой глобальной чрезвычайной ситуацией в области здравоохранения, мы можем понять распространение COVID-19 с помощью арсенала новейших методов, основанных на данных.

От цепочек поставок до моделей потребления - вирус затронул всех, вплоть до наименьшего общего знаменателя. Машинное обучение и инженерию данных можно использовать для анализа новостных отчетов и публикаций в социальных сетях, можно улучшить координацию информации и делать прогнозы.

Очень важно определить, где может появиться вирус, чтобы эффективно блокировать его распространение. Мы пытаемся понять, как вирус взаимодействует с населением в целом.

~ BlueDot, компания, занимающаяся искусственным интеллектом и надзором за COVID-19 на основе данных

Каким образом ИИ, наука о данных и машинное обучение могут сыграть важную роль?

Распространен ли вирус в одних регионах больше, чем в других, и почему? Связано ли распространение только с первичными источниками (напрямую из инфицированных стран) и вторичными случаями (люди, с которыми контактируют первичные источники), или это еще не все?

Какие глобальные тенденции наблюдаются в случае распространения сообществ?

На эти и многие другие вопросы можно ответить с помощью визуализации и интерпретации данных. Искусственный интеллект и суперкомпьютеры используют большие данные о вирусе для разработки вакцины (в исследовании участвуют такие крупные компании, как Tencent, DiDi и Huawei). Методы науки о данных могут подойти к проблеме такого масштаба и предложить боевые стратегии. Посмотрим как.

Как справиться с кризисом с помощью науки о данных

Data Science можно использовать во многих отношениях - для отслеживания и прогнозирования вспышек; в тестировании; обрабатывать заявки на медицинское обслуживание, использовать роботов для стерилизации и поставки продуктов питания, определять несоблюдение правительственных и медицинских рекомендаций, использовать чат-ботов для обмена информацией.

Для достижения этих целей 🔗 индустрия науки о данных может решить проблему тремя способами.

Во-первых, через понимание проблемы. Далее следует действие. Наконец, профилактика.

👉Первый этап: понимание проблемы

Это включает в себя извлечение как можно большего объема информации о вирусе и его понимание с помощью методов визуализации данных, методов ГИС и анализа графиков. Анализ станет основой для следующих шагов.

Вот несколько ответов, на которые стоит обратить внимание: Где вспышки? Как быстро он распространяется? Сколько заболели? Каковы демографические данные инфицированных? Какие области были наиболее успешными в диагностике и борьбе с его распространением? И т.п.

Визуализация данных, картографирование ГИС и сетевое картографирование - это несколько методов, которые могут помочь инженерии данных на этом этапе.

👉Второй этап: действие

Основываясь на собранной и проанализированной информации, определите, какие модели обучения следует использовать для принятия мер? Какие приложения следует использовать?

Может быть сложно определить, какие действия следует предпринять. Выбирайте и развертывайте модели в зависимости от их масштабируемости, эффективности и скорости. Поскольку система, которая может реагировать на такое массовое явление, должна иметь возможность передавать данные с высоким уровнем согласованности.

👉Третий этап: профилактика

Если и когда нам удастся сдержать пандемию, важно подготовиться к будущему. Следите за передовыми практиками, их вероятным повторением (если вообще появятся) и повышайте уровни подготовки для борьбы с кризисом.

Одна из основных проблем, которые также могут возникнуть, связана с конфиденциальностью инфраструктуры данных, проблема широко распространена в инженерии данных и анализе данных.

Несмотря на то, что международное сообщество объединилось, получение соответствующей информации о вирусе по-прежнему является проблемой.

Хотя не ожидается, что его удастся сдержать в краткосрочной перспективе, прилагать усилия и лучше подготовиться, чем раньше, - это меньшее, что может сделать любое сообщество. Это даже в большей степени относится к профессионалам в области науки о данных, ценителям информации.

Первоначально опубликовано на https://datafloq.com.