Expertos en inteligencia artificial y aprendizaje automático de AFRL desarrollan modelos para la toma de decisiones sobre el COVID-19
Crédito: CC0 Dominio público
Los expertos del Laboratorio de Investigación de la Fuerza Aérea están aplicando enfoques de inteligencia artificial y aprendizaje automático explicables para desarrollar miles de modelos que podrían ayudar tomadores de decisiones federales, estatales y locales mientras toman decisiones de reapertura durante la pandemia de COVID-19.
Estos modelos de pronóstico, que representan instalaciones militares y condados en los Estados Unidos, estarán disponibles en paneles evaluables públicamente donde los líderes pueden interactuar con diferentes simulaciones y examinar diversas estrategias de intervención.
«Este trabajo es un ejemplo perfecto de la potencia de S&T que reside en AFRL y su 711th Human Performance Wing», dijo el Dr. Rajesh Naik, científico jefe de 711 HPW. «Nuestros equipos pueden girar rápidamente y proporcionar soluciones para la pandemia actual y otras necesidades operativas emergentes. La vinculación de la IA explicable con los modelos epidemiológicos convencionales brinda a los tomadores de decisiones una visión más profunda y prueba el impacto de las intervenciones en las tendencias futuras».
Dr. Ryan Kramer, el líder de Inteligencia artificial explicable en 711 HPW de AFRL, explicó que su equipo prestó especial atención al modelo que se estaba utilizando en los Estados Unidos para explicar y predecir cómo aplanar la curva.
«Nuestro El objetivo era complementar estos enfoques mediante la producción de modelos de alta fidelidad que reduzcan drásticamente el cono de incertidumbre», dijo. «Al ayudar a descifrar la señal del ruido, sabíamos que podíamos ayudar a los comandantes a identificar las divergencias del modelo en tiempo real y actuar sobre ellas en marcos de tiempo de intervención anteriores».
Kramer continuó explicando que el enfoque de su equipo era ampliar el uso actual del modelado epidemiológico al modelado utilizado en los juegos.
«Puede utilizar métodos epidemiológicos tradicionales para definir los estados de transición y la dinámica de los modelos, pero a veces generalizan en exceso las suposiciones», dijo. . «Decidimos crear un modelo SIR avanzado, al que llamamos modelo SEI3Q2R. Se diferencia principalmente en separar la clase de personas infectadas en tres subpoblaciones: portadores asintomáticos; aquellos que se vuelven sintomáticos, pero se autoaislan en sus hogares; y aquellos que requieren hospitalizaciones. Utilizamos enfoques de redes gráficas para simular mejor estructuras comunitarias complejas.
El equipo tiene más de 30 parámetros de transición diferentes en sus modelos que influyen en cómo COVID-19 se propaga en una comunidad.
p>
El desafío, explicó Kramer, es definir qué conjuntos de parámetros son correctos para un condado o región determinada, especialmente dada la complejidad en la transmisión de un virus nuevo y los sesgos inherentes a la forma en que se informan los datos en todo el país. .
«Para abordar esto, creamos una biblioteca de simulación que abarca múltiples rangos dentro de cada parámetro, simulando así todos los resultados posibles que podrían ocurrir dentro del modelo. Cuando esté completo, tendremos más de 20 millones de modelos en nuestra biblioteca, lo que nos permite comenzar a aprender los parámetros desconocidos que dictan la transmisión».
Pero los modelos son solo modelos sin los datos del mundo real. Entonces, al utilizar datos reales que el equipo recopiló de múltiples fuentes de datos abiertas, pueden identificar qué simulaciones describen con precisión lo que está sucediendo en el terreno.
«Utilizamos datos reales para adaptarse esencialmente a la dinámica de virus a nivel de condado a los modelos dentro de nuestra biblioteca. Luego utilizamos otras técnicas avanzadas de aprendizaje automático que pueden dar cuenta de la política de distanciamiento social, el cumplimiento de la política, los efectos estacionales y la demografía subyacente para refinar aún más los pronósticos. Los pronósticos para condados individuales se pueden agregar para conocer el nivel de instalación, y también a nivel estatal y nacional», dijo Kramer.
Kramer explicó que las versiones pública y DoD de los tableros se reflejarán entre sí con gran parte de la misma funcionalidad. Sin embargo, el acceso será una de las diferencias.
«El tablero del DoD estará disponible solo con la autenticación de la tarjeta de acceso común y se centrará en la visualización de datos y pronósticos para informar la decisión del comandante -haciendo. Esto incluirá información relacionada con la fuerza de trabajo base y, potencialmente, también atraerá información de alerta de las redes sociales».
Proyectos como estos, especialmente cuando el tiempo es esencial, generalmente atraen a muchos socios.
El Dr. Naik afirmó que las inversiones en investigación interna, así como la capacidad de AFRL para reunir rápidamente equipos interdisciplinarios, permiten a equipos como el de Kramer examinar problemas de formas únicas.
El equipo principal de EXAIL recibió apoyo por el contratista principal del equipo, KBR. Otros socios incluyen el Instituto de Tecnología de la Fuerza Aérea, así como los Laboratorios Lincoln del Instituto de Tecnología de Massachusetts (MIT-LL). Trabajando en las direcciones de AFRL, el equipo de Hyperthought de Materiales y Fabricación aportó su experiencia oportuna para ayudar a acelerar las capacidades. El equipo de EXAIL también se puso en contacto con la industria local para mejorar los esfuerzos de transición. Mile2, una pequeña empresa local de nueva creación, ha realizado con éxito la transición de interfaces de usuario optimizadas, dijo Kramer.
«La gente con los que trabajo todos los días son inmensamente talentosos, y superamos los límites al reinventar nuestras capacidades para luchar contra la pandemia de COVID y mejorar la conciencia situacional del comandante», dijo Kramer. «También nos dimos cuenta rápidamente de que teníamos la capacidad de hacer aún más. Así que trajimos a nuestros colegas de AFIT para ayudar en los esfuerzos de validación y verificación estadística. Dado que muchos de los hallazgos son completamente nuevos a medida que comenzamos a comprender las complejidades en la propagación de COVID-19, los expertos de AFIT nos están ayudando a llevar esta información más rápido a los tomadores de decisiones. No puedo decir lo suficiente sobre nuestros socios en la dirección de Materiales y Fabricación de AFRL. Su equipo de hiperpensamiento fue fundamental para los primeros prototipos y esfuerzos de demostración. Nuestro La red de colaboración también se expande a los laboratorios Lincoln del MIT, donde podemos interactuar con líderes intelectuales de disciplinas que van desde la supercomputación hasta el aprendizaje reforzado».
Kramer continuó elogiando a su equipo y sus asociaciones, pero también afirmó que los modelos son muy aleccionador.
«Detrás de cada predicción, cada visualización, cada número hay una vida. Siempre me sorprende un poco reflexionar sobre lo que reflejan los datos, cómo esto me ha impactó a todos en nuestro país, y esto realmente motiva la necesidad de continuar incorporando técnicas avanzadas que potencialmente pueden salvar vidas».
Explore más
El modelo de aprendizaje automático está ayudando a los CDC a predecir la propagación de COVID-19 Proporcionado por la Oficina de Investigación Científica de la Fuerza Aérea Cita: Expertos en inteligencia artificial y aprendizaje automático de AFRL desarrollan modelos para COVID-19 19 toma de decisiones (2020, 18 de junio) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-06-afrl-machine-ai-experts-covid-.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.