هوش مصنوعی
Google از PDFM برای تقویت مدل‌های سلامت عمومی با داده‌های مکانی رونمایی کرد
مدل Population Dynamics Foundation Model داده‌های متنوع مکانی و جمعیتی را به بازنمایی‌هایی از مکان تبدیل می‌کند تا بدون آموزش اختصاصی برای هر بیماری، در گردش‌کارهای اپیدمیولوژی به کار گرفته شوند.
Google Research می‌گوید مدل Population Dynamics Foundation Model (PDFM) از مجموعهٔ Earth AI می‌تواند به پر کردن خلأهای داده‌ای و کاهش تأخیر در گزارش‌دهی‌های اپیدمیولوژیک کمک کند. پژوهشگران برای نمایش کاربرد این رویکرد، پنج مطالعهٔ موردی با مشارکت شرکا ارائه کرده‌اند.
PDFM با یادگیری خودنظارتی، روندهای جست‌وجوی حفظ‌کنندهٔ حریم خصوصی، جابه‌جایی انسان‌ها، تراکم محیط ساخته‌شده و عوامل محیطی را در بازنمایی‌های مکانی فشرده می‌کند. این بازنمایی‌ها می‌توانند به‌عنوان ورودی آماده به مدل‌های آماری و یادگیری ماشین مورد استفادهٔ اپیدمیولوژیست‌ها افزوده شوند؛ به این ترتیب، لازم نیست برای هر کاربرد خط لولهٔ داده‌ای تازه‌ای از ابتدا ساخته شود.
به‌گفتهٔ گوگل، این بازنمایی‌های آماده، بدون نیاز به تنظیم دقیق برای یک کار مشخص، در مجموعه‌ای از حوزه‌های بیماری، مناطق جغرافیایی و وظایف اپیدمیولوژیک با ورودی‌های متداول برابری کرده‌اند یا عملکرد بهتری داشته‌اند. منبع می‌گوید این روش می‌تواند محدودیت‌هایی مانند تأخیر چندسالهٔ گزارش‌ها، پراکندگی داده‌ها و تقسیم آن‌ها بر اساس مرزهای سیاسی را هدف بگیرد؛ محدودیت‌هایی که تصمیم‌گیری دربارهٔ تخصیص منابع برای بیماری‌های مزمن یا مدیریت فوری شیوع‌هایی مانند دِنگی و وبا را دشوار می‌کنند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: Google Research — مشاهده منبع اصلی ↗