"Store udfordringer-2020" er så ambitiøst kaldt et af projekterne i anden halvdel af december i Sirius-uddannelsescentret. I løbet af dette videnskabelige og teknologiske projektprogram uddannede gymnasieelever kunstig intelligens. Gutterne skulle lære bilen til den næste visdom:
- Skriv nyheder.
- Udvikle nye stoffer.
- Analyser billederne af CT.
- Studieprofiler af ansøgere i sociale netværk.
Skolebørn hjalp eksperter fra University Innopolis, Yandex, Higher School of Management Sprbsu, VTB Bank, BIOCAD. Det er planlagt, at de bedste tilbud vil blive implementeret i praksis.
Andrei Rasjorgorodsky, leder af "Big Data" -direktøren, direktøren for Fiztech-School of Applied Mathematics og Informatics of MFTI, præciseres, at sessionen varede 10 dage. I løbet af denne tid har gutterne lært at arbejde med forskellige digitale teknologiske værktøjer og vil nu kunne bruge deres færdigheder i fremtiden hjemme.
Projektet giver en separat retning "store data, kunstig intelligens, finansiel teknologi og maskinindlæring". 28 ellevte gradere fra 18 regioner i Rusland blev inviteret til at arbejde i det. Disse fyre blev finalister af den all-russiske konkurrence om design og forskningsarbejde.
For deltagere i denne retning har Yandex dannet en særlig ordre: At udvikle et program til at generere nyheder, så moderne udgaver kan bruges i det daglige arbejde. VTB Bank og St. Petersburg State University gav også opgaven med Sirius SchoolBørn. Gutterne skal analysere sociale netværk og baseret på de modtagne oplysninger for at lave et portræt af en business school ansøger.
Forskere forvirrede skolebørn med et komplekst ønske: Gutterne skal lære kunstig intelligens nøjagtigt at forudsige ved hjælp af computer modellering af strukturen af det molekylære kompleks, når de skaber nye lægemidler. Bilen skal finde de mest troværdige kombinationer og dem, der virkelig eksisterer i naturen. Den nye metode skal forudsiges, hvor effektivt oprettet forberedelsen. Forslag fra gymnasieelever skal bruges i Hedge-algoritmen i BIOCAD.
Digitale teknologier baseret på kunstig intelligens er blevet aktivt anvendt i medicinsk industri i mange lande i verden. Dette blev lettet ved begyndelsen af coronavirus pandemien. Telemedicinsteknologier har vist fordelen ved at automatisere mange processer, hjalp med at losse klinikker og læger fra gentagne gange øget belastninger, formået at levere højkvalitets fjernpleje til patienter.
Inden for rammerne af det videnskabelige og teknologiske projekt af Sirius "store udfordringer-2020" modtog de studerende, der deltog i programmet, en vanskelig opgave fra Ruslands udlejer. Læger bliver bedt om at undervise kunstig intelligens for at analysere medicinske billeder ved hjælp af computersyn og hurtigt og præcist finde patologi i lungerne. Hjælp og spidser af neurosetten letter driften af radiologer, reducerer tiden til at behandle billederne.
For så mange forskellige og komplekse problemer, som at modtage medicinske billeder, kræver dyb læring store datasæt for at opnå det krævede nøjagtighedsniveau. Anbefalingerne af kunstig intelligens er normalt meget præcise. Resultaterne af arbejdet vil blive uploadet til open source biblioteket, adgang til, som vil blive opdaget for specialister fra alle lande. Skolebørnsløsninger kan testes og anvendes i praksis, hvis udviklingskvaliteten vil arrangere en bruger. Partnerhjælp til skolebørn leveres af Center for Kunstig intelligens fra Innopolis Universitet.
Projektgruppen beskæftiger seks 11 karakterer fra Khanty-Mansiysk Autonome Okrug, Sevastopol, Khabarovsk-området, Republikken Bashkortostan, Tyumen og Kemerovo og regioner. De er hjulpet af eksperter fra centrum af Innopolis.
Semen Kiselev, forsker i centrum for kunstig intelligens fra University of Innopolis, et vejledende projekt, sagde, at udviklerne introducerer børn med metoder til maskinindlæring og computersyn. Popularisering af matematik, programmering og maskinindlæringsmetoder giver dig mulighed for at ændre holdningen til mange muligheder for mange, der har brug for denne ændring. Projektet vil tilskynde skolebørn til at blive mere aktive til at studere udsigterne til digital transformation af samfundet og overbevise dem om, at det kan føre dem til mere interessant og intellektuelt fuldt udbygget liv. Erfaringen med at arbejde med neurale netværk fører til valget af det fremtidige erhverv, giver dig mulighed for at røre virksomheden i atmosfæren af frihed, udvikler tillid til dig selv og vil give børn og unge de kompetencer, de har brug for i fremtiden.
Gutterne viser, hvor i hvilke områder de kan anvende den opnåede viden. Deltagerne opretter sådanne modeller og algoritmer til analyse af lungernes snapshots, for at neuralisere selvforløb til at genkende lungebetændelse og andre respiratoriske sygdomme, pneumothorax eller tumor. Deep Learning-modeller kan dog være forudsigelser med næsten umiskendelig nøjagtighed, da modelens interne logik er vanskelig at afdække og fortolke, er argumenterne til fordel for, hvorfor denne beslutning er korrekt, ofte forbliver uklarlig.
Da medicinske beslutninger kan have utrolig vægt, henviser mange kritisk til udsigten til fuld automatisering. Det er meget vigtigt at huske, at bilen ikke erstatter lægen, men bliver hans assistent og rådgiveren, faktisk er det bare det tredje øje for lægen. AI er nødvendig for at optimere rutinemæssige opgaver, med sin allestedsnærværende implementering dybt ændrer specialitet med en stærk visuel komponent, såsom radiologi og patologi. Udøvere, herunder kirurger, er aktivt interesseret i at udvikle og implementere sådanne enheder. AI er nødvendig for at optimere rutinemæssige opgaver, med sin udbredte introduktion vil specialitet ændre sig med en stærk visuel komponent, såsom radiologi og patologi. Udøvere, herunder kirurger, er aktivt interesseret i at udvikle og implementere sådanne enheder.
De studerede algoritmer skolebørn testes på et stort antal rigtige medicinske billeder fra rigtige hospitaler.
Unge programmører skal undervise kunstig intelligens for at beregne de nøjagtige dimensioner og placering af patologiske processer i lungerne, angiv lægen på orgelets anomalier. Materialer til forskning Projektdeltagerne findes i åbne kilder, databaser af disse videnskabelige artikler af indenlandske og udenlandske medicinske universiteter. De tjekker deres algoritmer på hundredvis af ægte medicinske billeder fra Real LPU'er, fordi adgang til relevante og tilstrækkelige data er af afgørende betydning i uddannelse af algoritmer af AI.
Danila Pechenev, elleve-grader fra Kemerovo, siger, at han valgte denne opgave, fordi han allerede har arbejdet med maskinens vision. Hans projekt af et neuralt netværk, der genkender håndskriften, blev finalen af de "store udfordringer" konkurrence. Og arbejdet på den nye opgave vil give dig mulighed for at lære avancerede maskinindlæringsmetoder. Analyse af medicinske billeder i dag er en presserende opgave at anvende neurale netværk. Teknologi er tilgængelig, i de fleste tilfælde viser høj nøjagtighed på kontrollen for verifikation.
For projektets finalister åbnes gode muligheder for videreudvikling og selvrealisering. Mange deltagere i den tidligere "store udfordring" blev indskrevet i de største universiteter i landene og arbejder aktivt med specialister fra MFTI Laboratories. Universitets kandidater ledede projekter i hele træningstiden og informere om resultater og udviklinger i den globale videnskabelige presse. Mange ideer til deltagere i "store udfordringer" bruges allerede i praksis af partnerfirmaer.