"چالش های بزرگ 2020" بسیار بلندپروازانه به نام یکی از پروژه های برگزار شده در نیمه دوم دسامبر در مرکز آموزشی سیریوس نامیده می شود. در این برنامه پروژه علمی و تکنولوژیکی، دانش آموزان دبیرستانی هوش مصنوعی را آموزش دادند. بچه ها به ماشین به حکمت بعدی آموزش دادند:
- نوشتن اخبار
- داروهای جدید را توسعه دهید.
- تصاویر CT را تجزیه و تحلیل کنید.
- پروفیل های متقاضیان در شبکه های اجتماعی.
دانش آموزان کمک به کارشناسان دانشگاه Innopolis، Yandex، مدرسه عالی مدیریت SPBSU، بانک VTB، BIOCAD کمک کردند. برنامه ریزی شده است که بهترین پیشنهادات در عمل اجرا خواهد شد.
Andrei Rasjorgorodsky، رئیس مدیر "اطلاعات بزرگ"، مدیر دانشکده FizTech از ریاضیات کاربردی و اطلاعات MFTI، مشخص شده است که جلسه 10 روز طول کشید. در طول این مدت، بچه ها آموخته اند که با ابزارهای مختلف فناوری دیجیتال کار کنند و اکنون قادر به استفاده از مهارت های خود در آینده در خانه خواهند بود.
این پروژه برای یک جهت جداگانه "داده های بزرگ، هوش مصنوعی، فناوری مالی و یادگیری ماشین" فراهم می کند. 28 کلاس یازدهم از 18 منطقه از روسیه دعوت شدند تا در آن کار کنند. این بچه ها فینالیست های رقابت همه روسیه از طراحی و تحقیق را به دست آوردند.
برای شرکت کنندگان در این جهت، Yandex یک سفارش ویژه را تشکیل داده است: برای توسعه یک برنامه برای تولید اخبار، به طوری که نسخه های مدرن را می توان در کار روزانه استفاده کرد. بانک VTB و دانشگاه سنت پترزبورگ همچنین به وظیفه دانش آموزان سیریوس داد. بچه ها باید شبکه های اجتماعی را تجزیه و تحلیل کنند و بر اساس اطلاعات دریافت شده برای ایجاد یک عکس از یک متقاضی مدرسه کسب و کار.
دانشمندان دانش آموزان را با یک آرزو پیچیده دفن کردند: بچه ها باید هوش مصنوعی را آموزش دهند تا دقیقا با کمک مدل سازی کامپیوتری ساختار پیچیده مولکولی هنگام ایجاد داروهای جدید پیش بینی کنند. این خودرو باید ترکیب های قابل اعتماد ترین و کسانی را که واقعا در طبیعت وجود دارد پیدا کنند. روش جدید باید پیش بینی شود که آماده سازی آماده سازی موثر است. پیشنهادات از دانش آموزان دبیرستان در الگوریتم Hedge Biocad استفاده می شود.
فن آوری های دیجیتال بر اساس هوش مصنوعی به طور فعال در صنعت پزشکی در بسیاری از کشورهای جهان اعمال شده است. این امر با آغاز بیماری همه گیر کورونویروس تسهیل شد. فن آوری های Telemedicine نشان داده اند که مزایای اتوماسیون بسیاری از فرآیندها، کمک به کاهش کلینیک ها و پزشکان از بارها افزایش یافته است، موفق به ارائه مراقبت های پزشکی از راه دور با کیفیت بالا به بیماران.
در چارچوب پروژه علمی و تکنولوژیکی Sirius "چالش های بزرگ 2020"، دانش آموزان شرکت کننده در این برنامه یک کار دشواری را از اجاره دهندگان روسیه دریافت کردند. پزشکان خواسته می شود تا اطلاعات مصنوعی را برای تجزیه و تحلیل تصاویر پزشکی با استفاده از دیدگاه کامپیوتری و به سرعت و با دقت آسیب شناسی در ریه ها را آموزش دهند. کمک و راهنمایی های عصبی تسهیل عملکرد رادیولوژیست ها را تسهیل می کند، زمان را برای پردازش تصاویر کاهش می دهد.
برای چنین گونه های مختلف و پیچیده، به عنوان دریافت تصاویر پزشکی، یادگیری عمیق نیاز به مجموعه داده های بزرگ برای رسیدن به سطح مورد نیاز دقت. توصیه های هوش مصنوعی معمولا بسیار دقیق است. نتایج کار به کتابخانه منبع باز آپلود می شود، دسترسی به آنها برای متخصصان از همه کشورها کشف خواهد شد. راه حل های دانش آموزان را می توان در عمل آزمایش و اعمال کرد اگر کیفیت توسعه یک کاربر را ترتیب دهد. کمک شریک به دانش آموزان به وسیله مرکز هوش مصنوعی دانشگاه Innopolis ارائه شده است.
تیم پروژه از شش نمره 11 نمره از Okrug مستقل Khanty-Mansiysk، سواستوپول، قلمرو خاباروفسک، جمهوری Bashkortostan، Tyumen و Kemerovo و مناطق استفاده می کند. آنها توسط کارشناسان مرکز Innopolis کمک می کنند.
منی Kiselev، محقق مرکز هوش مصنوعی دانشگاه Innopolis، یک پروژه هدایت شده، گفت که توسعه دهندگان کودکان را با روش های یادگیری ماشین و بینایی کامپیوتر معرفی می کنند. محبوبیت ریاضیات، روشهای برنامه نویسی و یادگیری ماشین به شما این امکان را می دهد که نگرش را به فرصت های باز از بسیاری از کسانی که نیاز به این تغییر دارند تغییر دهید. این پروژه دانش آموزان را تشویق می کند تا در مطالعه چشم انداز تحول دیجیتال جامعه بیشتر فعال شوند و آنها را متقاعد سازند که می تواند آنها را به زندگی جالب تر و فکری کامل تبدیل کند. تجربه کار با شبکه های عصبی منجر به انتخاب حرفه ای آینده می شود، به شما این امکان را می دهد که فعالیت های خود را در فضای آزادی لمس کنید، اعتماد به نفس خود را توسعه می دهد و فرزندان و نوجوانان را که در آینده نیاز دارند، فراهم می کند.
بچه ها نشان می دهند که در آن مناطقی که می توانند دانش را به دست آورند. شرکت کنندگان چنین مدل ها و الگوریتم هایی را برای تجزیه و تحلیل عکس های فوری ریه ها ایجاد می کنند که در آن باعث می شود تا خود پیشرفت را به رسمیت شناختن پنومونی و سایر بیماری های تنفسی، پنوموتوراکس یا تومور ایجاد کند. با این حال، مدل های یادگیری عمیق می توانند پیش بینی هایی را با دقت تقریبا غیرمعمول پیش بینی کنند، زیرا منطق داخلی مدل برای کشف و تفسیر دشوار است، استدلال هایی که به نفع این تصمیم درست است، اغلب باقی می ماند.
از آنجا که تصمیمات پزشکی ممکن است وزن باور نکردنی داشته باشد، بسیاری از آنها به چشم انداز اتوماسیون کامل اشاره می کنند. بسیار مهم است که به یاد داشته باشید که ماشین دکتر را جایگزین نمی کند، بلکه دستیار و مشاور خود می شود، در واقع این فقط چشم سوم برای دکتر است. AI برای بهینه سازی وظایف روزمره مورد نیاز است، با اجرای همه جا که عمدتا تخصص را با یک جزء بصری قوی مانند رادیولوژی و آسیب شناسی تغییر می دهد. تمرینکنندگان، از جمله جراحان، به طور فعال علاقه مند به توسعه و اجرای چنین دستگاه هایی هستند. AI برای بهینه سازی وظایف روزمره مورد نیاز است، با معرفی گسترده آن، تخصص با یک مولفه بصری قوی مانند رادیولوژی و آسیب شناسی تغییر خواهد کرد. تمرینکنندگان، از جمله جراحان، به طور فعال علاقه مند به توسعه و اجرای چنین دستگاه هایی هستند.
دانش آموزان الگوریتم های مورد مطالعه در تعداد زیادی از تصاویر پزشکی واقعی از بیمارستان های واقعی مورد آزمایش قرار می گیرند.
برنامه نویسان جوان باید هوش مصنوعی را برای محاسبه ابعاد دقیق و مکان فرآیندهای پاتولوژیک در ریه ها آموزش دهند، پزشک را در ناهنجاری های ارگان نشان می دهد. مواد تحقیقاتی پروژه شرکت کنندگان در منابع باز، پایگاه های داده های این مقالات علمی دانشگاه های داخلی و خارجی یافت می شوند. آنها الگوریتم های خود را در صدها عکس پزشکی واقعی از LPU های واقعی بررسی می کنند، زیرا دسترسی به داده های مربوطه و کافی در الگوریتم های آموزشی AI مهم است.
Danila Pechenev، یازده درجه از Kemerovo، می گوید که او این کار را انتخاب کرده است، زیرا او قبلا با چشم انداز ماشین کار کرده است. پروژه او از یک شبکه عصبی، که دست خط را به رسمیت می شناسد، به فینالیست مسابقه "چالش های بزرگ" تبدیل شد. و کار بر روی وظیفه جدید به شما این امکان را می دهد که روش های یادگیری پیشرفته ماشین را بیاموزید. تجزیه و تحلیل تصاویر پزشکی امروز یک وظیفه فوری برای استفاده از شبکه های عصبی است. فناوری در دسترس است، در اغلب موارد نشان دهنده دقت بالا بر چک برای تأیید است.
برای فینالیست های این پروژه، فرصت های خوب برای توسعه بیشتر و خودآموزی باز می شود. بسیاری از شرکت کنندگان از "چالش بزرگ" قبلی در بزرگترین دانشگاه های کشور ثبت نام شده اند و فعالانه با متخصصان آزمایشگاه های MFTI کار می کنند. فارغ التحصیلان دانشگاه پروژه های اصلی را در سراسر زمان آموزش و اطلاع رسانی در مورد دستاوردها و تحولات در مطبوعات علمی جهانی. بسیاری از ایده های شرکت کنندگان "چالش های بزرگ" در حال حاضر در عمل توسط شرکت های شریک استفاده می شود.