Σε συνεργασία με το Ινστιτούτο Υγείας του Harvard, η Google κυκλοφόρησε σήμερα τις δημόσιες προβλέψεις για τον COVID-19, ένα σύνολο μοντέλων που παρέχουν προβολές περιπτώσεων του COVID-19, θανάτους, χρήση ICU, διαθεσιμότητα αναπνευστήρων και άλλες μετρήσεις για τις επόμενες 14 ημέρες για τις πολιτείες των ΗΠΑ.
Τα μοντέλα εκπαιδεύονται σε δημόσια δεδομένα, όπως αυτά του Πανεπιστημίου Johns Hopkins, του Descartes Labs και του Γραφείου Απογραφής των Ηνωμένων Πολιτειών και η Google αναφέρει ότι θα συνεχίσουν να ενημερώνονται με καθοδήγηση από τους συνεργάτες της στο Harvard.
Οι δημόσιες προβλέψεις για τον COVID-19 (COVID-19 Public Forecasts) θα χρησιμεύσουν σαν πόροι για τους επιστήμονες της πρώτης πόρτας στην υγειονομική περίθαλψη, τον δημόσιο τομέα και άλλους επηρεαζόμενους οργανισμούς που προετοιμάζονται για το μέλλον.
Επιτρέπουν στοχοθετημένες δοκιμές και παρεμβάσεις στη δημόσια υγεία από νομό σε νομό, ενισχύοντας θεωρητικά την ικανότητα αυτών που χρησιμοποιούν τα δεδομένα να ανταποκριθούν στην ταχέως εξελισσόμενη πανδημία του COVID-19.
Για παράδειγμα, οι πάροχοι υγειονομικής περίθαλψης θα μπορούσαν να ενσωματώσουν τον προβλεπόμενο αριθμό περιπτώσεων σαν σημείο αναφοράς στον προγραμματισμό πόρων, το προσωπικό και τον προγραμματισμό των υπηρεσιών τους.
Εν τω μεταξύ, οι πολιτειακές και νομαρχιακές υπηρεσίες θα μπορούσαν να χρησιμοποιήσουν την πρόβλεψη των λοιμώξεων για να πραγματοποιήσουν στρατηγικές δοκιμές στον εντοπισμό περιοχών που κινδυνεύουν.
Για να δημιουργήσει τις δημόσιες προβλέψεις για τον COVID-19, η Google αναφέρει ότι οι ερευνητές της ανέπτυξαν μια νέα προσέγγιση μηχανικής μάθησης χρονοσειρών που συνδυάζει το AI με μια έξυπνη επιδημιολογική βάση.
Από το σχεδιασμό τους, τα μοντέλα εκπαιδεύονται σε δημόσια δεδομένα και αξιοποιούν μια αρχιτεκτονική που επιτρέπει στους ερευνητές να βρουν σχέσεις που έχουν εντοπίσει ( τα μοντέλα ) να τις ερμηνεύσουν γιατί κάνουν συγκεκριμένες προβλέψεις.
Έχουν επίσης προγραμματιστεί να διασφαλίζουν τις προβλέψεις σε σχέση με χώρες που έχουν πληγεί περισσότερο από τον COVID-19, για υπάρχει μεγαλύτερο ποσοστό επιτυχίας, λόγω του μεγαλύτερου αριθμού των δεδομένων.
