Cr\u00e9dito: CC0 Dominio p\u00fablico <\/p>\n
Los expertos del Laboratorio de Investigaci\u00f3n de la Fuerza A\u00e9rea est\u00e1n aplicando enfoques de inteligencia artificial y aprendizaje autom\u00e1tico explicables para desarrollar miles de modelos que podr\u00edan ayudar tomadores de decisiones federales, estatales y locales mientras toman decisiones de reapertura durante la pandemia de COVID-19. <\/p>\n
Estos modelos de pron\u00f3stico, que representan instalaciones militares y condados en los Estados Unidos, estar\u00e1n disponibles en paneles evaluables p\u00fablicamente donde los l\u00edderes pueden interactuar con diferentes simulaciones y examinar diversas estrategias de intervenci\u00f3n.<\/p>\n
\u00abEste trabajo es un ejemplo perfecto de la potencia de S&T que reside en AFRL y su 711th Human Performance Wing\u00bb, dijo el Dr. Rajesh Naik, cient\u00edfico jefe de 711 HPW. \u00abNuestros equipos pueden girar r\u00e1pidamente y proporcionar soluciones para la pandemia actual y otras necesidades operativas emergentes. La vinculaci\u00f3n de la IA explicable con los modelos epidemiol\u00f3gicos convencionales brinda a los tomadores de decisiones una visi\u00f3n m\u00e1s profunda y prueba el impacto de las intervenciones en las tendencias futuras\u00bb.<\/p>\n
Dr. Ryan Kramer, el l\u00edder de Inteligencia artificial explicable en 711 HPW de AFRL, explic\u00f3 que su equipo prest\u00f3 especial atenci\u00f3n al modelo que se estaba utilizando en los Estados Unidos para explicar y predecir c\u00f3mo aplanar la curva.<\/p>\n
\u00abNuestro El objetivo era complementar estos enfoques mediante la producci\u00f3n de modelos de alta fidelidad que reduzcan dr\u00e1sticamente el cono de incertidumbre\u00bb, dijo. \u00abAl ayudar a descifrar la se\u00f1al del ruido, sab\u00edamos que pod\u00edamos ayudar a los comandantes a identificar las divergencias del modelo en tiempo real y actuar sobre ellas en marcos de tiempo de intervenci\u00f3n anteriores\u00bb.<\/p>\n
Kramer continu\u00f3 explicando que el enfoque de su equipo era ampliar el uso actual del modelado epidemiol\u00f3gico al modelado utilizado en los juegos.<\/p>\n
\u00abPuede utilizar m\u00e9todos epidemiol\u00f3gicos tradicionales para definir los estados de transici\u00f3n y la din\u00e1mica de los modelos, pero a veces generalizan en exceso las suposiciones\u00bb, dijo. . \u00abDecidimos crear un modelo SIR avanzado, al que llamamos modelo SEI3Q2R. Se diferencia principalmente en separar la clase de personas infectadas en tres subpoblaciones: portadores asintom\u00e1ticos; aquellos que se vuelven sintom\u00e1ticos, pero se autoaislan en sus hogares; y aquellos que requieren hospitalizaciones. Utilizamos enfoques de redes gr\u00e1ficas para simular mejor estructuras comunitarias complejas.<\/p>\n
El equipo tiene m\u00e1s de 30 par\u00e1metros de transici\u00f3n diferentes en sus modelos que influyen en c\u00f3mo COVID-19 se propaga en una comunidad.<\/p>\n
p> <\/p>\n
El desaf\u00edo, explic\u00f3 Kramer, es definir qu\u00e9 conjuntos de par\u00e1metros son correctos para un condado o regi\u00f3n determinada, especialmente dada la complejidad en la transmisi\u00f3n de un virus nuevo y los sesgos inherentes a la forma en que se informan los datos en todo el pa\u00eds. .<\/p>\n
\u00abPara abordar esto, creamos una biblioteca de simulaci\u00f3n que abarca m\u00faltiples rangos dentro de cada par\u00e1metro, simulando as\u00ed todos los resultados posibles que podr\u00edan ocurrir dentro del modelo. Cuando est\u00e9 completo, tendremos m\u00e1s de 20 millones de modelos en nuestra biblioteca, lo que nos permite comenzar a aprender los par\u00e1metros desconocidos que dictan la transmisi\u00f3n\u00bb.<\/p>\n
Pero los modelos son solo modelos sin los datos del mundo real. Entonces, al utilizar datos reales que el equipo recopil\u00f3 de m\u00faltiples fuentes de datos abiertas, pueden identificar qu\u00e9 simulaciones describen con precisi\u00f3n lo que est\u00e1 sucediendo en el terreno.<\/p>\n
\u00abUtilizamos datos reales para adaptarse esencialmente a la din\u00e1mica de virus a nivel de condado a los modelos dentro de nuestra biblioteca. Luego utilizamos otras t\u00e9cnicas avanzadas de aprendizaje autom\u00e1tico que pueden dar cuenta de la pol\u00edtica de distanciamiento social, el cumplimiento de la pol\u00edtica, los efectos estacionales y la demograf\u00eda subyacente para refinar a\u00fan m\u00e1s los pron\u00f3sticos. Los pron\u00f3sticos para condados individuales se pueden agregar para conocer el nivel de instalaci\u00f3n, y tambi\u00e9n a nivel estatal y nacional\u00bb, dijo Kramer. <\/p>\n
Kramer explic\u00f3 que las versiones p\u00fablica y DoD de los tableros se reflejar\u00e1n entre s\u00ed con gran parte de la misma funcionalidad. Sin embargo, el acceso ser\u00e1 una de las diferencias.<\/p>\n
\u00abEl tablero del DoD estar\u00e1 disponible solo con la autenticaci\u00f3n de la tarjeta de acceso com\u00fan y se centrar\u00e1 en la visualizaci\u00f3n de datos y pron\u00f3sticos para informar la decisi\u00f3n del comandante -haciendo. Esto incluir\u00e1 informaci\u00f3n relacionada con la fuerza de trabajo base y, potencialmente, tambi\u00e9n atraer\u00e1 informaci\u00f3n de alerta de las redes sociales\u00bb.<\/p>\n
Proyectos como estos, especialmente cuando el tiempo es esencial, generalmente atraen a muchos socios.<\/p>\n
El Dr. Naik afirm\u00f3 que las inversiones en investigaci\u00f3n interna, as\u00ed como la capacidad de AFRL para reunir r\u00e1pidamente equipos interdisciplinarios, permiten a equipos como el de Kramer examinar problemas de formas \u00fanicas.<\/p>\n
El equipo principal de EXAIL recibi\u00f3 apoyo por el contratista principal del equipo, KBR. Otros socios incluyen el Instituto de Tecnolog\u00eda de la Fuerza A\u00e9rea, as\u00ed como los Laboratorios Lincoln del Instituto de Tecnolog\u00eda de Massachusetts (MIT-LL). Trabajando en las direcciones de AFRL, el equipo de Hyperthought de Materiales y Fabricaci\u00f3n aport\u00f3 su experiencia oportuna para ayudar a acelerar las capacidades. El equipo de EXAIL tambi\u00e9n se puso en contacto con la industria local para mejorar los esfuerzos de transici\u00f3n. Mile2, una peque\u00f1a empresa local de nueva creaci\u00f3n, ha realizado con \u00e9xito la transici\u00f3n de interfaces de usuario optimizadas, dijo Kramer.<\/p>\n
\u00abLa gente con los que trabajo todos los d\u00edas son inmensamente talentosos, y superamos los l\u00edmites al reinventar nuestras capacidades para luchar contra la pandemia de COVID y mejorar la conciencia situacional del comandante\u00bb, dijo Kramer. \u00abTambi\u00e9n nos dimos cuenta r\u00e1pidamente de que ten\u00edamos la capacidad de hacer a\u00fan m\u00e1s. As\u00ed que trajimos a nuestros colegas de AFIT para ayudar en los esfuerzos de validaci\u00f3n y verificaci\u00f3n estad\u00edstica. Dado que muchos de los hallazgos son completamente nuevos a medida que comenzamos a comprender las complejidades en la propagaci\u00f3n de COVID-19, los expertos de AFIT nos est\u00e1n ayudando a llevar esta informaci\u00f3n m\u00e1s r\u00e1pido a los tomadores de decisiones. No puedo decir lo suficiente sobre nuestros socios en la direcci\u00f3n de Materiales y Fabricaci\u00f3n de AFRL. Su equipo de hiperpensamiento fue fundamental para los primeros prototipos y esfuerzos de demostraci\u00f3n. Nuestro La red de colaboraci\u00f3n tambi\u00e9n se expande a los laboratorios Lincoln del MIT, donde podemos interactuar con l\u00edderes intelectuales de disciplinas que van desde la supercomputaci\u00f3n hasta el aprendizaje reforzado\u00bb.<\/p>\n
Kramer continu\u00f3 elogiando a su equipo y sus asociaciones, pero tambi\u00e9n afirm\u00f3 que los modelos son muy aleccionador.<\/p>\n
\u00abDetr\u00e1s de cada predicci\u00f3n, cada visualizaci\u00f3n, cada n\u00famero hay una vida. Siempre me sorprende un poco reflexionar sobre lo que reflejan los datos, c\u00f3mo esto me ha impact\u00f3 a todos en nuestro pa\u00eds, y esto realmente motiva la necesidad de continuar incorporando t\u00e9cnicas avanzadas que potencialmente pueden salvar vidas\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
El modelo de aprendizaje autom\u00e1tico est\u00e1 ayudando a los CDC a predecir la propagaci\u00f3n de COVID-19 Proporcionado por la Oficina de Investigaci\u00f3n Cient\u00edfica de la Fuerza A\u00e9rea Cita<\/strong>: Expertos en inteligencia artificial y aprendizaje autom\u00e1tico 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 est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: CC0 Dominio p\u00fablico Los expertos del Laboratorio de Investigaci\u00f3n de la Fuerza A\u00e9rea est\u00e1n aplicando enfoques de inteligencia artificial y aprendizaje autom\u00e1tico explicables para desarrollar miles de modelos que podr\u00edan ayudar tomadores de decisiones federales, estatales y locales mientras toman decisiones de reapertura durante la pandemia de COVID-19. Estos modelos de pron\u00f3stico, que representan … Continuar leyendo \u00abExpertos en inteligencia artificial y aprendizaje autom\u00e1tico de AFRL desarrollan modelos para la toma de decisiones sobre el COVID-19\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-29182","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/29182","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=29182"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/29182\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=29182"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=29182"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=29182"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}