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.