Hvordan kæmper AI mod coronavirus-udbruddet?


Svar 1:

Kunstig intelligens kunne bekæmpe en fremtidig Coronavirus

.

Sygdomsudbrud som coronavirus udfoldes ofte for hurtigt til, at forskere kan finde en kur. Men i fremtiden kunne kunstig intelligens hjælpe forskere med at gøre et bedre job.

Selvom det sandsynligvis er for sent for den nye teknologi at spille en vigtig rolle i den nuværende epidemi, er der håb for de næste udbrud. AI er god til at kæmpe gennem hauger af data for at finde forbindelser, der gør det lettere at bestemme, hvilke slags behandlinger der kan fungere, eller hvilke eksperimenter der skal udføres næste.

Spørgsmålet er, hvad Big Data vil komme med, når det kun får små mængder information om en nyopstået sygdom som Covid-19, der først dukkede op sent i sidste år i Kina og har syget mere end 75.000 mennesker på cirka to måneder.

Det faktum, at forskere formåede at producere gensekvensbestemmelsen af ​​den nye virus inden for uger efter de første rapporterede tilfælde, er lovende, da det viser, at der er langt mere øjeblikkelige data tilgængelige nu, når udbrud sker.

Andrew Hopkins, administrerende direktør for Oxford, England-baseret opstart Exscientia Ltd., er blandt dem, der arbejder for at hjælpe med at uddanne kunstig intelligens til opdagelse af stof. Han regner med, at nye behandlinger kunne gå fra undfangelse til klinisk test i så lidt som 18 til 24 måneder inden for det næste årti, takket være AI.

Exscientia designede en ny forbindelse til behandling af tvangslidelser, der er klar til at blive testet i laboratoriet efter mindre end et år i den indledende forskningsfase. Det er cirka fem gange hurtigere end gennemsnittet, ifølge virksomheden.

Cambridge-baserede Healx har en lignende tilgang, men den bruger maskinlæring til at finde nye anvendelser af eksisterende medicin. Begge virksomheder fodrer deres algoritmer med information - indsamlet fra kilder som tidsskrifter, biomedicinske databaser og kliniske forsøg - for at hjælpe med at foreslå nye behandlinger af sygdomme.

Menneskelig tilsyn

De to virksomheder bruger hver et team af menneskelige forskere til at arbejde sammen med AI for at hjælpe med at guide processen. I Exscientia's tilgang, kaldet Centaur Chemist, hjælper medicinaldesignere med at undervise i algoritmer strategier til at søge efter forbindelser. Healx lægger AI's forudsigelser til forskere, der analyserer resultaterne og beslutter, hvad de skal forfølge.

Neil Thompson, Healxs videnskabelige chef, sagde, at teknikken kunne bruges mod et udbrud som coronavirus, så længe den havde nok data om den nye sygdom. Healx arbejder ikke på at tackle coronavirus eller justere dens teknologi til udbrud, men det ville ikke være en strækning.

”Vi er ganske tæt,” sagde Thompson i et interview. ”Vi behøver ikke at ændre meget på AI-algoritmerne, vi bruger. Vi ser på at matche medicinske egenskaber efter sygdomsfunktioner. ”

Kunstige intelligensalgoritmer begynder allerede at kæmpe medikamenter mod de sygdomme, vi kender til. Forskere ved Massachusetts Institute of Technology sagde torsdag, at de havde brugt metoden til at identificere en kraftfuld ny antibiotisk forbindelse, der kunne dræbe en række besværlige bakterier, selv nogle, der i øjeblikket er resistente over for andre behandlinger.

En fangst for alle disse teknologier er klinisk test. Selv medicin, der allerede er sikkert til brug for at helbrede en lidelse, skal testes igen, før de ordineres til en anden. Processen med at vise, at de er sikre og effektive for et stort antal mennesker, kan tage år, før de går til regulatorer til revision.

For at være effektiv skal AI-baserede lægemiddeludviklere planlægge forud for tiden, udvælge et virusgenom, der sandsynligvis vil forårsage problemer i fremtiden og målrette det, når der er få incitamenter til at gøre det.

Tak skal du have.


Svar 2:

Spillet er allerede tændt!

Hvis ikke til coronavirus, i det mindste for superbugs. Forskere ved MIT og Harvard brugte AI til at identificere et nyt antibiotikum, der kunne dræbe mange lægemiddelresistente bakterier. De uddannede en maskinlæringsalgoritme til at analysere kemiske forbindelser, der er i stand til at bekæmpe infektioner, ved hjælp af forskellige mekanismer end eksisterende stoffer.

De uddannede deres model på 2.500 molekyler, der identificerede en forbindelse (de kaldte det Halicin) til testning af bakterier taget fra patienter og bakterier, der er dyrket i laboratorier. "Halicin" kunne dræbe mange medikamentresistente bakterier inklusive

mycobactirium tuberculosis, clostridium difficile

og

acinetobacter baumannii.

Halicin helbredte to mus inficeret med

A.baumannii.

I øvrigt blev mange amerikanske soldater i Irak og Afghanistan smittet med den samme bug. Rapporten sagde, en salve af Halicin, der blev påført huden på disse to mus, helbrede dem helt inden for 24 timer.

Brug af forudsigelige computermodeller til opdagelse af medikamenter er ikke ny, men den hidtil bedste succes ses med Halicin.

Per forskere kan deres forudsigelige model gøre det, der vil være uoverkommeligt dyrt for traditionelle eksperimentelle tilgange.

Denne succes med Halicin kommer på et afgørende tidspunkt i menneskets historie. Det forventes, at i 2050 kan verdensomspændende dødsfald på grund af lægemiddelresistente bakterier nå op på 10 millioner.

Yderligere arbejde er nødvendigt for at gøre Halicin brugbar hos mennesker. Selvom deres algoritme er designet til bakterier, kan den muligvis også "opgraderes" til bekæmpelse af virus.


Svar 3:

Forestil dig, at et hospital i Kina har 1000 tilfælde af tilfælde med lignende symptomer, hvad gør hospitalet? Selvom al information om symptomer og diagnose er dokumenteret og tilgængelig elektronisk, er sundhedsafdelingen i stand til at træffe de nødvendige og passende foranstaltninger.

AI er fremragende og hurtig til at registrere mønstre, ligheder til hurtig detektion. Et eksempel på hvordan

Google-søgning er i stand

at opdage mulige sygdomme overalt i verden. Bare med enkle søgemønstre alene kan AI faktisk opdage mulige trusler og epidemier, der måske sprænger ud i store proportioner over hele verden.

Når Kina kommer tilbage til Corona Virus, når Kina først har dokumenteret sygdomssymptomerne, diagnosticeret det, deler det disse oplysninger til alle andre mulige regeringsorganisationer, der hurtigt kan få på plads termiske detektorer, der kan scanne mennesker med disse symptomer og klassificere dem som sandsynligvis inficerede eller bærere eller immun. Når vira muteres hurtigt, har de en tendens til at ændre, hvordan de ser ud, symptomerne kan ændre sig og være vanskelige at diagnosticere. Men med AI er Kina i stand til at hjælpe regeringer med mennesker, der er flyttet fra Kina, især Wuhan og derefter flyttet internationalt på tværs af byer. Denne information kan analyseres af AI for at registrere nyhederne fra disse byer, hospitaler for at sætte brikkerne i puslespillet sammen.

Håber dette hjælper!


Svar 4:

I de seneste termer, hvis vi har data fra flere patienter, end vi kan identificere og finde mønstre, af de koronapositive patienter. Derefter kan vi se efter en ny patient for at forudsige, om denne patient kan være inficeret eller ej, set ud fra deres mønster. Klassisk maskinlæring eller dyb indlæringsteknikker kan bruges til at adskille dette.

I mere generelle vendinger er vi nødt til at være meget forsigtige og skal interagere med en person fra det medicinske felt for at analysere mønsteret for at generalisere, hvad der faktisk sker, hvad er de ændringer og mekanismer, der udløses af virussen i kroppen for bedre at forstå modellen.


Svar 5:

Sygdomsudbrud som coronavirus udfoldes ofte for hurtigt til, at forskere kan finde en kur. Men i fremtiden kunne kunstig intelligens hjælpe forskere med at gøre et bedre job.

Selvom det sandsynligvis er for sent for den nye teknologi at spille en vigtig rolle i den nuværende epidemi, er der håb for de næste udbrud. AI er god til at kæmpe gennem hauger af data for at finde forbindelser, der gør det lettere at bestemme, hvilke slags behandlinger der kan fungere, eller hvilke eksperimenter der skal udføres næste.

Spørgsmålet er, hvad Big Data vil komme med, når det kun får små mængder information om en nyopstået sygdom som Covid-19, der først dukkede op sent i sidste år i Kina og har syget mere end 75.000 mennesker på cirka to måneder.

Det faktum, at forskere formåede at producere gensekvensbestemmelsen af ​​den nye virus inden for uger efter de første rapporterede tilfælde, er lovende, da det viser, at der er langt mere øjeblikkelige data tilgængelige nu, når udbrud sker.

Andrew Hopkins, administrerende direktør for Oxford, England-baseret opstart Exscientia Ltd., er blandt dem, der arbejder for at hjælpe med at uddanne kunstig intelligens til opdagelse af stof. Han regner med, at nye behandlinger kunne gå fra undfangelse til klinisk test i så lidt som 18 til 24 måneder inden for det næste årti, takket være AI.

Exscientia designede en ny forbindelse til behandling af tvangslidelser, der er klar til at blive testet i laboratoriet efter mindre end et år i den indledende forskningsfase. Det er cirka fem gange hurtigere end gennemsnittet, ifølge virksomheden.

Cambridge-baserede Healx har en lignende tilgang, men den bruger maskinlæring til at finde nye anvendelser af eksisterende medicin. Begge virksomheder fodrer deres algoritmer med information - indsamlet fra kilder som tidsskrifter, biomedicinske databaser og kliniske forsøg - for at hjælpe med at foreslå nye behandlinger af sygdomme.

Menneskelig tilsyn

De to virksomheder bruger hver et team af menneskelige forskere til at arbejde sammen med AI for at hjælpe med at guide processen. I Exscientia's tilgang, kaldet Centaur Chemist, hjælper medicinaldesignere med at undervise i algoritmer strategier til at søge efter forbindelser. Healx lægger AI's forudsigelser til forskere, der analyserer resultaterne og beslutter, hvad de skal forfølge.

Neil Thompson, Healxs videnskabelige chef, sagde, at teknikken kunne bruges mod et udbrud som coronavirus, så længe den havde nok data om den nye sygdom. Healx arbejder ikke på at tackle coronavirus eller justere dens teknologi til udbrud, men det ville ikke være en strækning.

”Vi er ganske tæt,” sagde Thompson i et interview. ”Vi behøver ikke at ændre meget på AI-algoritmerne, vi bruger. Vi ser på at matche medicinske egenskaber efter sygdomsfunktioner. ”

Kunstige intelligensalgoritmer begynder allerede at kæmpe medikamenter mod de sygdomme, vi kender til. Forskere ved Massachusetts Institute of Technology sagde torsdag, at de havde brugt metoden til at identificere en kraftfuld ny antibiotisk forbindelse, der kunne dræbe en række besværlige bakterier, selv nogle, der i øjeblikket er resistente over for andre behandlinger.

En fangst for alle disse teknologier er klinisk test. Selv medicin, der allerede er sikkert til brug for at helbrede en lidelse, skal testes igen, før de ordineres til en anden. Processen med at vise, at de er sikre og effektive for et stort antal mennesker, kan tage år, før de går til regulatorer til revision.

For at være effektiv skal AI-baserede lægemiddeludviklere planlægge forud for tiden, udvælge et virusgenom, der sandsynligvis vil forårsage problemer i fremtiden og målrette det, når der er få incitamenter til at gøre det.

En anden hindring er at finde kvalificeret personale.

”Det er svært at finde mennesker, der kan operere i krydset mellem AI og biologi, og det er vanskeligt for store virksomheder at tage hurtige beslutninger om teknologi som denne,” sagde Irina Haivas, en partner i venturekapitalfirmaet Atomico og tidligere kirurg, der sidder på bestyrelsen for Healx. ”Det er ikke nok at være AI-ingeniør, du skal forstå og komme ind i anvendelsen af ​​biologi.”


Svar 6:

På det tidspunkt, hvor en mærkelig lidelse først dukker op, kan det meget godt være svært for regeringer og generelle velfærdsmyndigheder at samle data hurtigt og lette en reaktion. Under alle omstændigheder kan ny menneskeskabt fornyelse af ræsonnement naturligt mines gennem nyhedsrapporter og online stof fra hele verden, hvilket hjælper specialister med at opdage uoverensstemmelser, der kan fremkalde en potentiel pest eller, mere beklagelig, en pandemi. I slutningen af ​​dagen kan vores nye AI-herrer virkelig hjælpe os med at udholde følgende sygdom.

Disse nye AI-evner er på fuldt udstillingsvindue med den igangværende coronavirus-opblussen, som blev adskilt til tiden af ​​et canadisk firma kaldet BlueDot, som er en af ​​forskellige organisationer, der bruger information til at vurdere generelle velbefindende farer. Organisationen, der siger, at den udfører "robotiseret uimodståelig sygdomsobservation," fortalte sine klienter om den nye type coronavirus mod slutningen af ​​december, dage før både de amerikanske centre for sygdomskontrol og -forebyggelse (CDC) og Verdenssundhedsorganisationen (WHO) ) fremsendte officiel anmeldelse, som annonceret af Wired. I øjeblikket nærmer sig slutningen af ​​januar, er den luftvejsinfektion, der er forbundet med byen Wuhan i Kina, netop dræbt i over 100 personer. Tilfælde er ligeledes dukket op i et par forskellige nationer, herunder De Forenede Stater, og CDC advarer amerikanerne om at opretholde en strategisk afstand fra unødvendig rejse til Kina.

Kamran Khan, en uimodståelig sygdomslæge og BlueDots forfatter og administrerende direktør, klarede på et møde, hvordan organisationens oprindelige formaningsramme bruger menneskeskabt bevidsthed, herunder normal sproghåndtering og AI, til at følge mere end 100 uimodståelige infektioner ved at nedbryde omkring 100.000 artikler i 65 dialekter konsekvent. Denne information gør det muligt for organisationen at forstå, hvornår de skal fortælle sine kunder om den potentielle nærhed og spredning af en uimodståelig sygdom.

Andre oplysninger, der ligner explorer-plandata og flyveveje, kan hjælpe med at give organisationen ekstra indikationer om, hvordan en ondskab sandsynligvis vil sprede sig. For eksempel forudså BlueDot-specialister for nylig forskellige bysamfund i Asien, hvor coronavirus ville vises, efter at det dukkede op på Kina.

Tanken bag BlueDots model (hvis afsluttende resultater på denne måde undersøges af menneskelige specialister) er at få data til socialforsikringsarbejdere så hurtigt som muligt, med forventning om, at de kan analysere - og om nødvendigt afbryde - beskadiget og tænkelige smitsomme individer på et passende tidspunkt.

"De officielle data er ikke under alle omstændigheder lykkelige," fortalte Khan til Recode. "Forskellen mellem en sag i en opdagelsesrejsende og en opblussen afhænger af din forste menneskelige servicespecialist, der opfatter, at der er en bestemt sygdom. Det kan være sondringen ved at holde en opblussen fra virkelig at ske."

Khan inkluderede, at hans rammer på samme måde kan bruge en række andre oplysninger - for eksempel data om et områdes atmosfære, temperatur eller endda husdyr i nærheden - for at forudse, om nogen, der er forurenet med en sygdom, sandsynligvis vil forårsage en opblussning omkring der. Han hævder, at BlueDot i 2016 havde mulighed for at forudse tilstedeværelsen af ​​Zika-infektionen i Florida et halvt år, før den virkelig optrådte der.

Desuden bekræftede svøbe-kontrolorganisationen Metabiota, at Thailand, Sydkorea, Japan og Taiwan havde den mest forhøjede fare for at se infektionen optræde over syv dage, før sager i disse nationer virkelig blev afsløret, noget ved at håbe på flyveinformation. Metabiota, som BlueDot, bruger almindelig sproghåndtering til at vurdere online-rapporter om en potentiel sygdom, og det er desuden skåret væk ved at opbygge en lignende innovation til webbaseret livsinformation.

Impressum Gallivan, Metabiotas direktør for informationsvidenskab, præciserer, at online stadier og diskussioner ligeledes kan give et tegn på, at der er fare for en pandemi. Metabiota hævder ligeledes, at det kan vurdere faren for, at en lidelse spredes, der forårsager social og politisk afbrydelse, i betragtning af data som indikationer af en lidelse, dødsfrekvens og behandlingens tilgængelighed. For eksempel vurderede Metabiota på tidspunktet for distributionen af ​​denne artikel, faren for, at den nye coronavirus forårsager åben uro som "høj" i USA og Kina, men den vurderede denne fare for monkepoksinfektionen i Den Demokratiske Republik Congo ( hvor der er blevet redegjort for forekomster af den infektion) som "medium."

Det er vanskeligt at indse nøjagtigt, hvor præcis denne vurderingsramme eller selve scenen kan være, dog siger Gallivan, at organisationen arbejder med det amerikanske vidensnetværk og forsvarsdepartementet om spørgsmål, der er identificeret med coronavirus. Dette er et stykke af Metabiotas arbejde med In-Q-Tel, det non-profit-firma, der er forbundet med Central Intelligence Agency. Regeringskontorer er dog ikke de største potentielle kunder for disse rammer. Metabiota offentliggør desuden sit fundament til genforsikringsorganisationer - genforsikring er dybest set beskyttelse af forsikringsagenturer - der skal håndtere de monetære farer, der er forbundet med en sygdoms latente kapacitetsspredning.

Det er som det måtte, edb-ræsonnement kan unægteligt være mere værdifuldt end blot at holde eksperter og myndigheder på sygdomsoverførsel uddannet som en infektion springer op. Specialister har fremstillet AI-baserede modeller, der gradvis kan forudse episoder af Zika-infektionen, som kan uddanne, hvordan specialister reagerer på potentielle nødsituationer. Menneskeskabt bevidsthed kunne ligeledes bruges til at styre, hvordan generelle velbefindende myndigheder spreder aktiver under en nødsituation. Som et resultat er AI en anden første beskyttelseslinje mod sygdom.

Endnu mere omfattende er AI som ved nu at hjælpe med at undersøge nye medicin, håndtere usædvanlige infektioner og identificere ondartet vækst i brystet. Menneskeskabt intelligens blev endda brugt til at skelne uhyggelige crawlies, der spreder Chagas, en alvorlig og tænkelig dødelig lidelse, der har besmittet de forventede 8 millioner individer i Mexico og Central- og Sydamerika. Der er desuden udvidet entusiasme for at bruge ikke-velbefindende information - som webbaseret livsgaver - til hjælp til velvære politikere og medicinorganisationer med at forstå bredden i en velfærdssituation. F.eks. AI, der kan miner online-gaver på mål ulovlige narkotiske tilbud, og holde generelle velbefindende myndigheder uddannet om disse kontrollerede stoffers spredning.

Disse rammer, herunder Metabiotas og BlueDot, er bare på niveau med de oplysninger, de vurderer. Derudover har AI - for det meste - et problem med hældning, der kan afspejle både arkitekterne for en ramme og de oplysninger, den er forberedt på. AI, der anvendes inden for lægetjenester, er heller ikke på nogen måde, form eller form sikker på dette problem.

Alt i betragtning taler disse fremskridt til et progressivt idealistisk synspunkt for, hvad AI kan gøre. Normalt sidder opdateringer af AI-robotter, der filtreres gennem enorme informationskvoter, ikke så godt. Overvej lovkrav ved brug af ansigtsgenkendelsesdatabaser baseret på billeder udvindt fra over nettet. Eller på den anden side verve direktører, der nu ville være i stand til at bruge AI til at forudse, hvordan du fortsætter med at slibe væk, i lyset af dine internetbaserede livsposter. Muligheden for, at AI udfører bekæmpelse af vilde lidelser, giver en situation, hvor vi måske føler os lidt mindre ubehagelige, hvis ikke gennem og gennem munter. Måske kunne denne innovation - når som helst oprettet og udnyttet korrekt - virkelig hjælpe med at skåne et par liv.


Svar 7:

På det tidspunkt, hvor en mærkelig lidelse først dukker op, kan det meget godt være svært for regeringer og generelle velfærdsmyndigheder at samle data hurtigt og lette en reaktion. Under alle omstændigheder kan ny menneskeskabt fornyelse af ræsonnement naturligt mines gennem nyhedsrapporter og online stof fra hele verden, hvilket hjælper specialister med at opdage uoverensstemmelser, der kan fremkalde en potentiel pest eller, mere beklagelig, en pandemi. I slutningen af ​​dagen kan vores nye AI-herrer virkelig hjælpe os med at udholde følgende sygdom.

Disse nye AI-evner er på fuldt udstillingsvindue med den igangværende coronavirus-opblussen, som blev adskilt til tiden af ​​et canadisk firma kaldet BlueDot, som er en af ​​forskellige organisationer, der bruger information til at vurdere generelle velbefindende farer. Organisationen, der siger, at den udfører "robotiseret uimodståelig sygdomsobservation," fortalte sine klienter om den nye type coronavirus mod slutningen af ​​december, dage før både de amerikanske centre for sygdomskontrol og -forebyggelse (CDC) og Verdenssundhedsorganisationen (WHO) ) fremsendte officiel anmeldelse, som annonceret af Wired. I øjeblikket nærmer sig slutningen af ​​januar, er den luftvejsinfektion, der er forbundet med byen Wuhan i Kina, netop dræbt i over 100 personer. Tilfælde er ligeledes dukket op i et par forskellige nationer, herunder De Forenede Stater, og CDC advarer amerikanerne om at opretholde en strategisk afstand fra unødvendig rejse til Kina.

Kamran Khan, en uimodståelig sygdomslæge og BlueDots forfatter og administrerende direktør, klarede på et møde, hvordan organisationens oprindelige formaningsramme bruger menneskeskabt bevidsthed, herunder normal sproghåndtering og AI, til at følge mere end 100 uimodståelige infektioner ved at nedbryde omkring 100.000 artikler i 65 dialekter konsekvent. Denne information gør det muligt for organisationen at forstå, hvornår de skal fortælle sine kunder om den potentielle nærhed og spredning af en uimodståelig sygdom.

Andre oplysninger, der ligner explorer-plandata og flyveveje, kan hjælpe med at give organisationen ekstra indikationer om, hvordan en ondskab sandsynligvis vil sprede sig. For eksempel forudså BlueDot-specialister for nylig forskellige bysamfund i Asien, hvor coronavirus ville vises, efter at det dukkede op på Kina.

Tanken bag BlueDots model (hvis afsluttende resultater på denne måde undersøges af menneskelige specialister) er at få data til socialforsikringsarbejdere så hurtigt som muligt, med forventning om, at de kan analysere - og om nødvendigt afbryde - beskadiget og tænkelige smitsomme individer på et passende tidspunkt.

"De officielle data er ikke under alle omstændigheder lykkelige," fortalte Khan til Recode. "Forskellen mellem en sag i en opdagelsesrejsende og en opblussen afhænger af din forste menneskelige servicespecialist, der opfatter, at der er en bestemt sygdom. Det kan være sondringen ved at holde en opblussen fra virkelig at ske."

Khan inkluderede, at hans rammer på samme måde kan bruge en række andre oplysninger - for eksempel data om et områdes atmosfære, temperatur eller endda husdyr i nærheden - for at forudse, om nogen, der er forurenet med en sygdom, sandsynligvis vil forårsage en opblussning omkring der. Han hævder, at BlueDot i 2016 havde mulighed for at forudse tilstedeværelsen af ​​Zika-infektionen i Florida et halvt år, før den virkelig optrådte der.

Desuden bekræftede svøbe-kontrolorganisationen Metabiota, at Thailand, Sydkorea, Japan og Taiwan havde den mest forhøjede fare for at se infektionen optræde over syv dage, før sager i disse nationer virkelig blev afsløret, noget ved at håbe på flyveinformation. Metabiota, som BlueDot, bruger almindelig sproghåndtering til at vurdere online-rapporter om en potentiel sygdom, og det er desuden skåret væk ved at opbygge en lignende innovation til webbaseret livsinformation.

Impressum Gallivan, Metabiotas direktør for informationsvidenskab, præciserer, at online stadier og diskussioner ligeledes kan give et tegn på, at der er fare for en pandemi. Metabiota hævder ligeledes, at det kan vurdere faren for, at en lidelse spredes, der forårsager social og politisk afbrydelse, i betragtning af data som indikationer af en lidelse, dødsfrekvens og behandlingens tilgængelighed. For eksempel vurderede Metabiota på tidspunktet for distributionen af ​​denne artikel, faren for, at den nye coronavirus forårsager åben uro som "høj" i USA og Kina, men den vurderede denne fare for monkepoksinfektionen i Den Demokratiske Republik Congo ( hvor der er blevet redegjort for forekomster af den infektion) som "medium."

Det er vanskeligt at indse nøjagtigt, hvor præcis denne vurderingsramme eller selve scenen kan være, dog siger Gallivan, at organisationen arbejder med det amerikanske vidensnetværk og forsvarsdepartementet om spørgsmål, der er identificeret med coronavirus. Dette er et stykke af Metabiotas arbejde med In-Q-Tel, det non-profit-firma, der er forbundet med Central Intelligence Agency. Regeringskontorer er dog ikke de største potentielle kunder for disse rammer. Metabiota offentliggør desuden sit fundament til genforsikringsorganisationer - genforsikring er dybest set beskyttelse af forsikringsagenturer - der skal håndtere de monetære farer, der er forbundet med en sygdoms latente kapacitetsspredning.

Det er som det måtte, edb-ræsonnement kan unægteligt være mere værdifuldt end blot at holde eksperter og myndigheder på sygdomsoverførsel uddannet som en infektion springer op. Specialister har fremstillet AI-baserede modeller, der gradvis kan forudse episoder af Zika-infektionen, som kan uddanne, hvordan specialister reagerer på potentielle nødsituationer. Menneskeskabt bevidsthed kunne ligeledes bruges til at styre, hvordan generelle velbefindende myndigheder spreder aktiver under en nødsituation. Som et resultat er AI en anden første beskyttelseslinje mod sygdom.

Endnu mere omfattende er AI som ved nu at hjælpe med at undersøge nye medicin, håndtere usædvanlige infektioner og identificere ondartet vækst i brystet. Menneskeskabt intelligens blev endda brugt til at skelne uhyggelige crawlies, der spreder Chagas, en alvorlig og tænkelig dødelig lidelse, der har besmittet de forventede 8 millioner individer i Mexico og Central- og Sydamerika. Der er desuden udvidet entusiasme for at bruge ikke-velbefindende information - som webbaseret livsgaver - til hjælp til velvære politikere og medicinorganisationer med at forstå bredden i en velfærdssituation. F.eks. AI, der kan miner online-gaver på mål ulovlige narkotiske tilbud, og holde generelle velbefindende myndigheder uddannet om disse kontrollerede stoffers spredning.

Disse rammer, herunder Metabiotas og BlueDot, er bare på niveau med de oplysninger, de vurderer. Derudover har AI - for det meste - et problem med hældning, der kan afspejle både arkitekterne for en ramme og de oplysninger, den er forberedt på. AI, der anvendes inden for lægetjenester, er heller ikke på nogen måde, form eller form sikker på dette problem.

Alt i betragtning taler disse fremskridt til et progressivt idealistisk synspunkt for, hvad AI kan gøre. Normalt sidder opdateringer af AI-robotter, der filtreres gennem enorme informationskvoter, ikke så godt. Overvej lovkrav ved brug af ansigtsgenkendelsesdatabaser baseret på billeder udvindt fra over nettet. Eller på den anden side verve direktører, der nu ville være i stand til at bruge AI til at forudse, hvordan du fortsætter med at slibe væk, i lyset af dine internetbaserede livsposter. Muligheden for, at AI udfører bekæmpelse af vilde lidelser, giver en situation, hvor vi måske føler os lidt mindre ubehagelige, hvis ikke gennem og gennem munter. Måske kunne denne innovation - når som helst oprettet og udnyttet korrekt - virkelig hjælpe med at skåne et par liv.