"Grandaj defioj-2020" estas tiel ambicie nomata unu el la projektoj okazigitaj en la dua duono de decembro en la Sirius-Eduka Centro. En la kurso de ĉi tiu scienca kaj teknologia projekta programo, mezlernejaj studentoj trejnis artefaritan inteligentecon. La uloj instruis la aŭton al la sekva saĝo:
- Skribu novaĵojn.
- Evoluigi novajn drogojn.
- Analizu la bildojn de la CT.
- Studu profilojn de kandidatoj en sociaj retoj.
Lernejanoj helpis spertulojn de University Innopolis, Yandex, pli alta lernejo de administrado SPBU, VTB-Banko, Biocad. Oni planas, ke la plej bonaj proponoj estos efektivigitaj en praktiko.
Andrei Rasjorgorodsky, estro de la "Big Data" direktoro, la direktoro de la FizTech-Lernejo de Aplikata Matematiko kaj Informadiko de MFTI, estas specifita ke la sesio daŭris 10 tagojn. Dum ĉi tiu tempo, la uloj lernis labori kun diversaj ciferecaj teknologiaj iloj kaj nun povos uzi siajn kapablojn en la estonteco hejme.
La projekto provizas apartan direkton "grandaj datumoj, artefarita inteligenteco, financa teknologio kaj maŝina lernado". 28 dekunuaj lernantoj de 18 regionoj de Rusujo estis invititaj labori en ĝi. Ĉi tiuj uloj fariĝis finalistoj de la tuta-rusa konkurenco pri dezajno kaj esplorado.
Por partoprenantoj en ĉi tiu direkto, Yandex formis specialan ordon: evoluigi programon por generi novaĵojn, tiel ke modernaj eldonoj povas esti uzataj en ĉiutaga laboro. VTB Bank kaj St. Petersburg State University ankaŭ donis la taskon de Sirius SchoolChildren. La uloj devas analizi sociajn retojn kaj bazitajn sur la informoj ricevitaj por fari portreton de komerca lerneja kandidato.
Sciencistoj perpleksis lernantojn kun kompleksa deziro: la uloj devas instrui artefaritan inteligentecon precize antaŭdiri kun la helpo de komputilo modeli la strukturon de la molekula komplekso dum kreado de novaj medikamentoj. La aŭto devos trovi la plej kredeblajn kombinaĵojn kaj tiujn, kiuj vere ekzistas. La nova metodo devas esti antaŭdirita kiom efike la preparado kreita. Sugestoj de mezlernejaj studentoj devas esti uzataj en la heĝa algoritmo de biocad.
Ciferecaj teknologioj bazitaj sur artefarita inteligenteco aktiviĝis en la medicina industrio en multaj landoj de la mondo. Ĉi tio estis faciligita de la komenco de la koronavirusa pandemio. Telemedicinaj teknologioj montris la avantaĝon aŭtomatigi multajn procezojn, helpis malŝarĝi klinikojn kaj kuracistojn de plurfoje pliigitaj ŝarĝoj, sukcesis provizi altkvalitan kuracan zorgon al pacientoj.
En la kadro de la scienca kaj teknologia projekto de Sirius "Grandaj Defioj-2020", studentoj partoprenantaj la programon ricevis malfacilan taskon de la Rensologistoj de Rusujo. Oni petas kuracistojn instrui artefaritan inteligentecon por analizi medicinajn bildojn per komputila vizio kaj rapide kaj precize trovi patologion en la pulmoj. La helpo kaj konsiloj de la neŭrosette faciligas la operacion de radiologoj, reduktas la tempon por prilabori la bildojn.
Por tia vario de kaj kompleksaj problemoj, kiel ricevi medicinajn bildojn, profunda lernado postulas grandajn datumarojn por atingi la bezonatan nivelon de precizeco. La rekomendoj de artefarita inteligenteco estas kutime tre precizaj. La rezultoj de la laboro estos alŝutitaj al la malferma-fonta biblioteko, aliro al kiu estos malkovrita por specialistoj el ĉiuj landoj. Solvoj de Lernejanoj povas esti testitaj kaj aplikitaj en praktiko se la disvolviĝa kvalito aranĝos uzanton. Partnera helpo al lernejanoj estas provizita de la Centro por Artefarita Inteligenteco de la Universitato de Innopolis.
La projekto teamo uzas ses 11-gradojn de la Khanty-Mansiysk Aŭtonoma Okrug, Sebastopolo, la Khabarovsk teritorio, la Respubliko de Bashkortostan, Tyumen kaj Kemerovo kaj Regionoj. Ili estas helpitaj de spertuloj de la centro de Innopolis.
Spermo Kiselev, esploristo de la Centro por Artefarita Inteligenteco de la Universitato de Innopolis, gvida projekto, diris, ke la programistoj enkondukas infanojn per metodoj de maŝina lernado kaj komputila vizio. Popularigo de matematiko, programado kaj maŝinaj lernaj metodoj ebligos vin ŝanĝi la sintenon al la malfermaj ŝancoj de multaj, kiuj bezonas ĉi tiun ŝanĝon. La projekto kuraĝigos lernejanojn fariĝi pli aktivaj studi la perspektivojn por cifereca transformo de la socio, konvinki ilin, ke ĝi povas konduki ilin al pli interesa kaj intelekte kompleta vivo. La sperto labori kun neŭraj retoj kondukas al la elekto de la estonta profesio, permesas vin tuŝi la agadojn en la atmosfero de libereco, disvolvas konfidon en vi mem kaj provizos infanojn kaj adoleskantojn la kompetentojn, kiujn ili bezonas en la estonteco.
La uloj montras kie en kiuj areoj ili povas apliki la sciojn akiritaj. Partoprenantoj kreas tiajn modelojn kaj algoritmojn por analizi la bildojn de la pulmoj, en kiuj neŭsas mem-progreso rekoni pneŭmoniton kaj aliajn spirajn malsanojn, pneumothorax aŭ tumoron. Profundaj lernaj modeloj povas fari antaŭdirojn kun preskaŭ nekonfuzebla precizeco, tamen, ĉar la interna logiko de la modelo malfacilas malkovri kaj interpreti, la argumentojn favore al kial ĉi tiu decido estas ĝusta, ofte restas senutila.
Ĉar medicinaj decidoj eble havas nekredeblan pezon, multaj kritike rilatas al la perspektivo de plena aŭtomatigo. Estas tre grave memori, ke la aŭto ne anstataŭas la kuraciston, sed iĝas lia asistanto kaj la konsilisto, fakte ĝi estas nur la tria okulo por la kuracisto. AI necesas por optimumigi rutinajn taskojn, kun ĝia ĉie-efektivigo profunde ŝanĝas specialan specialaĵon kun forta vida komponanto, kiel radiologio kaj patologio. Praktikistoj, inkluzive de kirurgoj, aktive interesiĝas pri evoluigo kaj efektivigo de tiaj aparatoj. AI necesas por optimumigi rutinajn taskojn, kun ĝia vasta enkonduko, specialaĵo ŝanĝiĝos kun forta vida komponanto, kiel radiologio kaj patologio. Praktikistoj, inkluzive de kirurgoj, aktive interesiĝas pri evoluigo kaj efektivigo de tiaj aparatoj.
La studitaj algoritmoj lernejanoj estas testitaj sur granda nombro de veraj medicinaj bildoj de realaj hospitaloj.
Junaj programistoj devas instrui artefaritan inteligentecon por kalkuli la ĝustajn dimensiojn kaj lokon de patologiaj procezoj en la pulmoj, indiki la kuraciston pri la anomalioj de la organo. Materialoj por esplorado La projektaj partoprenantoj troviĝas en malfermaj fontoj, datumbazoj de ĉi tiuj sciencaj artikoloj de hejmaj kaj eksterlandaj medicinaj universitatoj. Ili kontrolas siajn algoritmojn pri centoj da aŭtentaj medicinaj bildoj de Reala LPUS, ĉar aliro al gravaj kaj sufiĉaj datumoj estas de plej grava graveco en trejnaj algoritmoj de AI.
Danila Pecherov, dek unu-gradiganto de Kemerovo, diras, ke li elektis ĉi tiun taskon, ĉar li jam laboris kun maŝina vizio. Lia projekto de neŭra reto, kiu rekonas la manskribo, iĝis la finalisto de la "Big Defias" konkurso. Kaj la laboro pri la nova tasko permesos al vi lerni altnivelajn maŝinajn lernajn metodojn. Analizo de medicinaj bildoj hodiaŭ estas urĝa tasko apliki neŭrajn retojn. Teknologio disponeblas, plej ofte montras altan precizecon pri kontroloj por konfirmo.
Por la finalistoj de la projekto, bonaj ŝancoj malfermiĝas por plua evoluo kaj mem-realigo. Multaj partoprenantoj de la antaŭa "Granda Defio" estis enskribitaj en la plej grandaj universitatoj de la landoj kaj aktive laboras kun specialistoj de la MFTI-laboratorioj. Universitataj diplomiĝintoj gvidas projektojn tra la tuta trejnada tempo kaj informas pri atingoj kaj evoluoj en la tutmonda scienca gazetaro. Multaj ideoj pri partoprenantoj de "grandaj defioj" jam estas uzataj en praktiko de partneraj kompanioj.