"Suuret haasteet-2020" on niin kunnianhimoisesti kutsuttu joulukuun toisella puoliskolla Sirius-opetuskeskuksessa. Tämän tieteellisen ja teknologisen projektiohjelman aikana lukion opiskelijat koulutti keinotekoisen älykkyyden. Kaverit olivat opettamaan autoa seuraavaan viisauteen:
- Kirjoita uutisia.
- Kehittää uusia lääkkeitä.
- Analysoi CT: n kuvat.
- Sosiaalisten verkkojen hakijoiden tutkimusprofiilit.
Schoolchildren auttoi asiantuntijoita yliopiston Innopolis, Yandex, korkeampi johtaja SPBSU, VTB Bank, Biocad. On suunniteltu, että parhaat tarjoukset toteutetaan käytännössä.
Andrei Rasjorgorordsky, "Big Data" -johtajan päällikkö, Sovelletun matematiikan ja MFTI: n tietotekniikan johtaja, määritellään, että istunto kesti 10 päivää. Tänä aikana kaverit ovat oppineet työskentelemään erilaisten digitaalisten teknologiatyökalujen kanssa ja pystyvät nyt käyttämään taitojaan tulevaisuudessa kotona.
Hankkeessa on erillinen suunta "Suuret tiedot, keinotekoinen älykkyys, taloudellinen teknologia ja koneen oppiminen". 28 Yhdestoista luokkalaiset Venäjän 18 alueesta kehotettiin työskentelemään siinä. Nämä kaverit tulivat kaikkien venäläisen kilpailun ja tutkimustyöstä.
Tämän suuntaan osallistujille Yandex on muodostanut erityisen järjestyksen: kehittää ohjelmaa uutisten tuottamiseksi, jotta nykyaikaisia versioita voidaan käyttää päivittäisessä työssä. VTB Pankki ja Pietari State University antoivat myös Sirius Schoolchildrenin tehtävän. Kavereiden on analysoitava sosiaaliset verkostot ja perustuvat vastaanotettuihin tietoihin, jotka voivat tehdä liikeseuranhakijan muotokuvan.
Tutkijat hämmästyivät koululaiset, joilla on monimutkainen toive: kaverit pitäisi opettaa keinotekoista älykkyyttä ennustaa apua tietokone mallinnetaan molekyylikompleksin rakenteen luomisessa uusia lääkkeitä. Auton on löydettävä uskolliset yhdistelmät ja ne, jotka todella ovat luonteeltaan. Uusi menetelmä on ennustettava, kuinka tehokkaasti valmistettu valmiste. High School -opiskelijoiden ehdotuksia on tarkoitus käyttää Biocadin suojausalgoritmissa.
Digitaaliset tekniikat, jotka perustuvat keinotekoiseen älykkyyteen, ovat aktiivisesti sovellettu lääketieteellisessä teollisuudessa monissa maailman maissa. Tätä helpottivat Coronavirus Pandemian alku. Telelääketieteelliset teknologiat ovat osoittaneet hyödykkeen monien prosessien automatisointiin, auttoi purkamisen klinikoita ja lääkäreitä toistuvasti lisääntyneistä kuormituksista, jotka onnistuivat tarjoamaan korkealaatuisia kaukohoidon potilaille.
Sirius "BIGS-2020 -ohjelman tieteellisen ja teknologisen hankkeen puitteissa ohjelmaan osallistuvat opiskelijat saivat vaikean tehtävän Venäjän Rentgesologistista. Lääkäreitä pyydetään opettamaan keinotekoisia älykkyyttä analysoimaan lääketieteellisiä kuvia tietokoneen vision avulla ja nopeasti ja tarkasti löytämään patologia keuhkoissa. Neurosettin ohjeet ja vinkit helpottavat radiologien toimintaa, vähentämään aikaa käsittelemään kuvia.
Tällaisille erilaisille ja monimutkaisille ongelmille, koska saaneet lääketieteelliset kuvat, syvä oppiminen edellyttää suuria tietojoukkoja tarvittavan tarkkuuden saavuttamiseksi. Keinotekoisen älykkyyden suositukset ovat yleensä erittäin tarkkoja. Työn tulokset ladataan avoimen lähdekoodin kirjastoon, joka löytyy kaikkien maiden asiantuntijoille. SchoolFildren Solutions voidaan testata ja soveltaa käytännössä, jos kehitysmalli järjestää käyttäjälle. Kumppanin avustus koululaisille tarjoaa Innopolis-yliopiston keinotekoisen älykkyyden keskus.
Projektiryhmä työllistää Khanty-MansiSkin autonomisesta Okrugista, Sevastopolista, Khabarovskista, Bashkortostanista, Tyumenista ja Kemerovosta ja alueilta. Heitä auttavat asiantuntijoita Innopolis-keskustasta.
SEMEN KISELEV, Innopolis-yliopiston keinotekoisen älykkyyden tutkija, jonka ohjausprojekti, sanoi, että kehittäjät esittelevät lapsia koneen oppimisen ja tietokoneen vision avulla. Matematiikan, ohjelmointi- ja koneen oppimismenetelmien suosion avulla voit muuttaa asennetta monien avausmahdollisuuksiin, jotka tarvitsevat tätä muutosta. Hanke kannustaa koululaisia aktiivisemmin tutkimaan yhteiskunnan digitaalisen muutoksen näkymiä, jotka ovat vakuuttaneet heitä, että se voi johtaa heidät mielenkiintoisempaan ja älyllisesti täysimittaiseen elämään. Kokemus työskennellä hermoverkkojen kanssa johtaa tulevaisuuden ammattin valintaan, voit koskettaa vapauden ilmapiiriä, kehittää luottamusta itseesi ja antaa lapsille ja nuorille toimivaltaa tulevaisuudessa.
Kaverit osoittavat, missä alueilla he voivat soveltaa saadut tiedot. Osallistujat luovat tällaisia malleja ja algoritmeja keuhkojen tilannekuvien analysoimiseksi, joissa tarttuvat itsestään edistymiseen keuhkokuume ja muut hengityselinten sairaudet, pneumothorax tai kasvain. Syvä oppimismalleja voi tehdä ennusteita lähes epäilemättä tarkkuudella, koska mallin sisäistä logiikkaa on vaikea paljastaa ja tulkita, miksi tämä päätös on oikea, usein epämiellyttävä.
Koska lääketieteellisillä päätöksillä voi olla uskomaton paino, monet viittaavat kriittisesti täydellisen automaation mahdollisuuteen. On erittäin tärkeää muistaa, että auto ei korvaa lääkäriä, vaan tulee hänen avustaja ja neuvonantaja itse asiassa se on vain kolmas silmä lääkärille. AI tarvitaan rutiinitutkimusten optimoimiseksi, ja sen valtuutettu toteutus muuttuu syvästi erikoisuuteen voimakkaalla visuaalisella komponentilla, kuten radiologialla ja patologialla. Harjoittelijat, mukaan lukien kirurgit, ovat aktiivisesti kiinnostuneita kehittämään ja toteuttamaan tällaisia laitteita. AI tarvitaan rutiinitutkimusten optimoimiseksi, sen laajalle levinneen käyttöönoton, erikoisuus muuttuu voimakkaalla visuaalisella komponentilla, kuten radiologialla ja patologialla. Harjoittelijat, mukaan lukien kirurgit, ovat aktiivisesti kiinnostuneita kehittämään ja toteuttamaan tällaisia laitteita.
Tutkittuja algoritmit koululaisia testataan suurella määrillä todellisia lääketieteellisiä kuvia todellisista sairaaloista.
Nuorten ohjelmoijien on opetettava keinotekoista älykkyyttä laskemaan tarkat mitat ja patologisten prosessien patologisten prosessien sijainti, osoittavat lääkärin organisaation poikkeavuuksista. Tutkimusmateriaalit Hankkeen osallistujat löytyvät avoimista lähteistä, tietokantoista näistä tieteellisistä artikkeleista kotimaisista ja ulkomaisista lääketieteellisistä yliopistoista. Ne tarkistavat algoritmit satoja aitoja lääketieteellisiä kuvia todellisesta LPUS: sta, koska asiaankuuluvat ja riittävät tiedot ovat ensiarvoisen tärkeitä AI: n koulutusalgoritmeissa.
Kemerovosta Danila Pechenev sanoo, että hän valitsi tämän tehtävän, koska hän jo työskenteli koneen vision kanssa. Hänen hermoverkon projekti, joka tunnistaa käsinkirjoituksen, tuli "suuret haasteet" -kilpailun finalistiksi. Ja uuden tehtävän työn avulla voit oppia kehittyneitä koneiden oppimismenetelmiä. Lääketieteellisten kuvien analysointi tänään on kiireellinen tehtävä soveltaa hermoverkkoja. Teknologia on käytettävissä useimmissa tapauksissa, jotka osoittavat suurta tarkkuutta tarkastusten tarkastuksista.
Hankkeen finalistien osalta hyvät mahdollisuudet avataan edelleen kehitykselle ja itse toteutumaan. Monet edellisen "suuren haasteen" osallistujat ilmoittautuivat suurimmille maiden yliopistoihin ja työskentelivät aktiivisesti MFTI-laboratorioiden asiantuntijoiden kanssa. Yliopisto tutkinnon suorittaneet johtavat projekteja koko koulutusajan koko koulutusajassa ja ilmoittavat maailmanlaajuisen tieteellisen lehdistön saavutuksista ja kehityksestä. Kumppanien yritykset ovat jo käytännössä monia "suuria haasteita" osallistujia.