هدایت کردن هوش مصنوعی برای مبارزه با کووید 19

هدایت کردن هوش مصنوعی برای مبارزه با کووید 19

 هدایت کردن هوش مصنوعی می تواند نقش مهمی در متوقــف کردن بیماری همه گیر Covid-19 داشتـــه باشد.

بــرای تحقق این فنــاوری ، آزمایشگاه MIT-IBM Watson AI در حال سرمایــــه گذاری 10 پروژه در MIT

با هدف پیشبرد پتانسیل و تحول  AI برای جامعه است. هدف این تحقیقات حذف چالش های بهداشتـــی اقتصادی 

است. اما این تحقیقات می تواند تاثیـــر بسیار ژرفی در ارزیــــابی و پاسخ به ریسک پس از سپــری شدن بحران

داشته باشد. در ادامه به برخی از این تحقیقــــات می پردازیم و چگونگی تاثیر آنها را بر روی هوش مصنوعی 

بررسی می کنیم.

چگونگی هدایت کردن هوش مصنوعی توسط این پروژه ها

تشخیص زودرس سپسیس در بیماران Covid-19:

Sepsis یک عارضه مرگبار Covid-19 است ، بیماری ناشی از کــــورنا ویروس جدید  SARS-CoV-2.

حدود 10 درصد از بیماران Covid-19 طی یک هفته از نشان دادن اولین علائم به سپسیس مبتلا می شوند ،

اما فقط حدود نیمی از آنها زنده می مانند.

طراحی پروتئین برای جلوگیری از SARS-CoV-2:

پروتئین ها بلوک های سازنده زیستی هستند. محققان با داشتن هوش مصنوعی می توانند ساختار آنها را برای

بــرطرف کـــردن مشکلات و کشــــف و پروتئیـــن های جدید دستکاری کنند. مواد غذایی فاسد شدنی را در نظر

بگیرید. آزمایشگاه MIT-IBM Watson AI اخیراً از هوش مصنوعی برای کشف اینکـه پروتئیــــن ابریشم

ساخته شده توسط  زنبور عسل می تواند به عنــــوان روکش غذاهایی که سریع فاسد می شوند برای افزایش 

زمان نگه داری آنها استفاده شود.

کدام مواد برای ساختن ماسک بهتر شده است

ماساچوست و شش ایالت دیگر به ساکنان دستــــــور داده اند ماسک صورت را در ملا عام بپوشانند تا شیوع

کرونا ویروس را محدود کنند.اما جدا از ماسک N95 ، که 95 درصد از ذرات موجود در هوا 300 نانومتر

یا بزرگتر را به دام می اندازد ، به دلیل عدم وجود روشهای استاندارد برای ارزیابی آنها ، اثربخشی بسیاری

از ماسک ها نامشخص است.

لایبری پایتون : پای کَرت

لایبری پایتون : پای کَرت

برنامه نویسان هوش مصنوعی برای کد نویسی از لایبری های پایتون استفاده می کنند . اما به تازگی یک

 لایــبـــری منبع بــاز یادگیری ماشین به نــــام پای کَرت معرفـــی شده است که آموزش و استقرار مدل های

یادگیری ماشین نظــارت شده و بدون نظــــارت در یک محیط کم کــد را انجـــام مـــی دهـــد. پای کَرت بـــه

شما امکان می دهد تــــا در عرض چند ثانیه بعد از انتخاب محیط نوت بوک خود ، از تهیه داده تا استقرار

مدل ها دسترسی داشته باشید.

مزایای استفاده از این لایبری پایتون چیست ؟

در مقـــایسه بـــا سایر لایبری های یادگیری ماشیــن منبع باز ، پای کَرت یک لایبری کم کد دیگر است که

می تواند برای جایگزین کردن صدها خط کد فقط با چند کلمه، استفاده شود. این باعث می شود آزمایشها

به صورت تصاعدی، سریع و کارآمد انجام شود. پای کَرت بسیـــار ساده است وبه راحتی می توان از آن

استفاده کرد.پای کَرت بسیار ساده و قابل استفاده است. کلیه عملیات انجـــام شـــده در پای کَرت بصورت

پـی در پـی در یـک خـط لـولــه ذخیـــره مــی شــود که کــاملاً برای بار گذاری سازمان یافته شده هستند.

پای کَرت مـــواردی مثـــل مقـادیر گمشده ، تبدیل داده های طبقه بندی شده ، مهندسی ویژگی ها یا تنظیم

فشار بیش از اندازه را به صــورت خــودکار انجـام می دهد. پای کَرت در اصل یک روپوش پایتون است

کــه بـــا چـنـدیـن لایـبـری هـای یـــادگیــری مــاشیـــن و چـــارچوب هایی مانند XGBoost ، spaCy

، Microsoft LightGBM در تعامـــل است.  پـدیـد آورندگــان پای کَرت به طور جدی در حال بهبود

دادن آن هستنــد. خط لــوله تـوسعه آینــــده آنها شامل یک ماژول پیش بینی سری جدید سری ، ادغام با

TensorFlow و پیشرفت های اســـاسی در مقیـــاس پذیری پای کَرت است.با این وجود همانطور که

لایبری ها پیشرفت می کنند کار کد نویسی سبک تر و سریعتر می شود.