"सिरीयस" मधील हायस्कूल विद्यार्थ्यांना न्यूरेलेटला शिकवते की फुफ्फुसांमध्ये पॅथॉलॉजी शोधा

"मोठ्या आव्हाने -2020" सिरीयस एज्युकेशनल सेंटरमध्ये डिसेंबरच्या दुसऱ्या सहामाहीत आयोजित केलेल्या प्रकल्पांपैकी एक महत्वाकांक्षी आहे. या वैज्ञानिक आणि तांत्रिक प्रकल्प कार्यक्रमात, हायस्कूल विद्यार्थ्यांनी कृत्रिम बुद्धिमत्ता प्रशिक्षित केली. पुढच्या शहाणपणाची कार शिकवायची होती:

1. बातम्या लिहा.
2. नवीन औषधे विकसित करा.
3. सीटीच्या चित्रांचे विश्लेषण करा.
4. सामाजिक नेटवर्कमध्ये अर्जदारांचे अभ्यास प्रोफाइल.

स्कूली मुलांनी विद्यापीठाच्या अनोळखी, यांडेक्स, उच्च स्कूल ऑफ मॅनेजमेंट एसपीबीएसयू, व्हीटीबी बँक, बायोकाड यांच्या तज्ञांना मदत केली. हे ठरविले आहे की सर्वोत्तम ऑफर सराव मध्ये लागू केले जाईल.

आंद्रेई rasjorodsky, "बिग डेटा" दिग्दर्शक, फिजटेक-स्कूल ऑफ अप्लाइड स्कूल ऑफ अप्लाइड ऑफ ऍप्लिकेशन ऑफ अप्लाइड ऑफ एप्लिकेशन आणि एमएफटीआयच्या माहितीशास्त्रांचे संचालक म्हणतात. या काळात, लोकांनी विविध डिजिटल तंत्रज्ञान साधनांसह कार्य करण्यास शिकले आणि आता भविष्यात त्यांच्या कौशल्यांचा उपयोग करू शकतील.

प्रकल्प वेगळ्या दिशानिर्देश "मोठा डेटा, कृत्रिम बुद्धिमत्ता, आर्थिक तंत्रज्ञान आणि मशीन लर्निंग" प्रदान करते. 28 रशियाच्या 18 क्षेत्रांतील 28 अकरावा गप्पांनी त्यात काम करण्यास आमंत्रित केले गेले. हे लोक डिझाइन आणि संशोधन कामाच्या सर्व-रशियन स्पर्धेत फाइनल होते.

या दिशेने सहभागींसाठी, यान्डेक्सने एक विशेष ऑर्डर तयार केली आहे: बातम्या निर्माण करण्यासाठी प्रोग्राम विकसित करण्यासाठी, जेणेकरून आधुनिक आवृत्त्या दररोज कामात वापरली जाऊ शकतात. व्हीटीबी बँक आणि सेंट पीटर्सबर्ग स्टेट युनिव्हर्सिटीने सिरीयस स्कूलीयोडेनचे कार्य दिले. मुलांनी सामाजिक नेटवर्कचे विश्लेषण केले पाहिजे आणि व्यवसाय स्कूल आवेदकाचे चित्र तयार करण्यासाठी प्राप्त केलेल्या माहितीवर आधारित.

शास्त्रज्ञांनी एका कॉम्प्लेन्डच्या विवेकबुद्धीबद्दल शास्त्रज्ञ गोंधळून टाकले: नवीन औषधे तयार करताना आण्विक कॉम्प्लेक्सच्या संरचनेच्या संरचनेच्या मदतीने अचूकपणे अंदाज करणे. कार सर्वात विश्वासार्ह संयोजन आणि खरोखर निसर्ग अस्तित्वात आहे. तयार केलेली तयारी किती प्रभावीपणे तयार केली गेली याची भविष्यवाणी करणे आवश्यक आहे. हायस्कूल विद्यार्थ्यांमधील सूचना बायोकॅडच्या हेज अल्गोरिदममध्ये वापरल्या जाणार आहेत.

कृत्रिम बुद्धिमत्ता आधारित कृत्रिम बुद्धिमत्ता आधारित डिजिटल तंत्रज्ञान जगातील अनेक देशांमध्ये वैद्यकीय उद्योगात सक्रियपणे लागू झाले आहे. हे कोरोव्हायरस महामारीच्या सुरूवातीस सुलभ होते. टेलीमेडिसिन टेक्नोलॉजीजने बर्याच प्रक्रिया स्वयंचलित करण्याचा फायदा दर्शविला आहे, वारंवार वाढलेल्या लोडमधून क्लिनिक आणि डॉक्टर अनलोड करण्यात मदत केली, रुग्णांना उच्च दर्जाचे रिमोट वैद्यकीय सेवा प्रदान करण्यात यशस्वी झाली.

सिरीयस "मोठ्या आव्हान -20 2020" च्या वैज्ञानिक आणि तांत्रिक प्रकल्पाच्या अंतर्गत, विद्यार्थ्यांना या कार्यक्रमात भाग घेणार्या विद्यार्थ्यांना रशियाच्या भाड्याने घेण्यात आले. वैद्यकीय प्रतिमा विश्लेषित करण्यासाठी आणि फुफ्फुसांमध्ये पॅथॉलॉजी शोधण्यासाठी डॉक्टरांचे विश्लेषण करण्यासाठी डॉक्टरांना कृत्रिम बुद्धिमत्ता शिकविण्यास सांगितले जाते. न्युरोसेटची मदत आणि युक्त्या रेडियोलॉजिस्टचे ऑपरेशन सुलभ करतात, चित्रांवर प्रक्रिया करण्यासाठी वेळ कमी करतात.

वैद्यकीय प्रतिमा प्राप्त केल्याप्रमाणे, अशा विविध आणि जटिल समस्यांसाठी, खोल शिकणे आवश्यक पातळी अचूकते प्राप्त करण्यासाठी मोठ्या डेटा सेट आवश्यक आहे. कृत्रिम बुद्धिमत्तेच्या शिफारसी सामान्यत: अचूक असतात. कामाचे परिणाम ओपन-सोर्स लायब्ररीवर अपलोड केले जातील, जे सर्व देशांतील तज्ज्ञांसाठी प्रवेश शोधण्यात येईल. विकास गुणवत्ता वापरकर्त्याने व्यवस्था केल्यास शाळेच्या मुलांचे सोल्यूशन तपासले आणि लागू केले जाऊ शकतात. शाळेच्या विद्यापीठाच्या कृत्रिम बुद्धिमत्तेच्या केंद्राने शाळेच्या साहाय्याने भागीदारांना दिले आहे.

प्रकल्प टीम खंटी-मानसिस्क स्वैच्छिक ओकगग, सेवेस्टोपोल, खाबरोवास्क प्रांतातील, बेशकोस्टोस्टोस्टोन, टियूमन आणि केमेरोव्हो आणि प्रदेश गणराज्य आहे. त्यांना निपुणांच्या मध्यभागी तज्ञांनी मदत केली आहे.

एक मार्गदर्शक विद्यापीठाच्या कृत्रिम बुद्धिमत्तासाठी केंद्राचे संशोधक वीर्य किसेलेव्ह यांनी सांगितले की विकासकांनी मशीन शिक्षण आणि संगणकाच्या दृष्टीकोनातील मुलांचा परिचय करून दिला आहे. गणित, प्रोग्रॅमिंग आणि मशीन लर्निंग पद्धतींचे लोकप्रियकरण आपल्याला या बदलाची आवश्यकता असलेल्या अनेकांच्या सुरुवातीच्या संधींबद्दल वृत्ती बदलण्याची परवानगी देईल. प्रकल्प समाजाच्या डिजिटल परिवर्तनासाठी प्रॉस्पेक्ट्सच्या अभ्यासासाठी अधिक सक्रिय होण्यासाठी प्रोत्साहित करेल, ज्यामुळे ते त्यांना अधिक मनोरंजक आणि बौद्धिक पूर्ण-चढलेले जीवन जगू शकतात. न्यूरल नेटवर्क्ससह काम करण्याचा अनुभव भविष्यातील व्यवसायाची निवड करतो, आपल्याला स्वातंत्र्याच्या वातावरणात क्रियाकलापांना स्पर्श करण्यास परवानगी देतो, स्वत: वर आत्मविश्वास विकसित करतो आणि भविष्यकाळात त्यांना आवश्यक असलेली क्षमता प्रदान करते.

लोक दर्शवितात की ते कोणत्या क्षेत्रात आहेत ते ज्ञान प्राप्त करू शकतात. सहभागी फुफ्फुसांच्या स्नॅपशॉट्सचे विश्लेषण करण्यासाठी अशा मॉडेल आणि अल्गोरिदम तयार करतात, ज्यामध्ये निमोनिया आणि इतर श्वासोच्छवासाचे रोग, न्यूटोथोरॅक्स किंवा ट्यूमर ओळखण्यासाठी स्वत: ची प्रगती तपासावी. ग्रीन लर्निंग मॉडेल जवळजवळ अचूक अचूक अचूकतेसह अंदाज करू शकतात, तथापि, मॉडेलचे अंतर्गत तर्क उघड करणे कठीण आहे आणि समजून घेणे कठीण आहे, हे निर्णय का बरोबर आहे याच्या बाजूने युक्तिवाद, बर्याचदा असंबद्ध राहतात.

वैद्यकीय निर्णयांमध्ये अविश्वसनीय वजन असू शकते, कारण बर्याच गंभीरतेने पूर्ण ऑटोमेशनच्या संभाव्यतेचा संदर्भ घ्या. हे लक्षात ठेवणे फार महत्वाचे आहे की कार डॉक्टरांना पुनर्स्थित करीत नाही, परंतु त्याचे सहाय्यक आणि सल्लागार बनते, खरं तर ते डॉक्टरसाठी फक्त तिसरे डोळा आहे. नियमित कार्ये ऑप्टिमा करण्यासाठी एआय आवश्यक आहे, त्याच्या सर्वव्यापी अंमलबजावणीमुळे रेडिओलॉजी आणि पॅथॉलॉजीसारख्या मजबूत व्हिज्युअल घटकासह वैशिष्ट्यपूर्ण बदलते. सर्जनसह प्रॅक्टिशनर्स, अशा डिव्हाइसेस विकसित आणि अंमलबजावणीमध्ये सक्रियपणे स्वारस्य आहेत. नियमित कार्ये अनुकूल करण्यासाठी एआयची आवश्यकता आहे, त्याच्या व्यापक परिचयाने, रेडिओलॉजी आणि पॅथॉलॉजीसारख्या मजबूत व्हिज्युअल घटकासह वैशिष्ट्य बदलेल. सर्जनसह प्रॅक्टिशनर्स, अशा डिव्हाइसेस विकसित आणि अंमलबजावणीमध्ये सक्रियपणे स्वारस्य आहेत.

अभ्यास अल्गोरिदम स्कूली मुलांच्या वास्तविक रुग्णालयांमधील मोठ्या संख्येने वास्तविक वैद्यकीय चित्रे तपासली जातात.

यंग प्रोग्रामर्सने कृत्रिम बुद्धिमत्तेला अचूक परिमाण आणि फुफ्फुसांमध्ये पॅथॉलॉजिकल प्रक्रियांची ठिकाणे मोजण्यासाठी, अंगाच्या विसंगतींवर सूचित करते. संशोधनासाठी साहित्य प्रकल्प सहभागी खुल्या स्त्रोतांमध्ये आढळतात, स्थानिक आणि परदेशी वैद्यकीय विद्यापीठांच्या या वैज्ञानिक लेखांच्या डेटाबेसमध्ये आढळतात. ते त्यांच्या अल्गोरिदमला वास्तविक एलपीयूच्या शेकडो वास्तविक मेडिकल चित्रांवर तपासतात, कारण संबंधित आणि पुरेशी डेटा प्रवेश एआयच्या अल्गोरिदम प्रशिक्षणामध्ये महत्त्वपूर्ण आहे.

केमेरोव्हो येथून डॅनिला पेचेनेव्ह, दानीला पेचनर म्हणते की त्याने हे कार्य निवडले आहे कारण त्याने आधीच मशीन दृष्टीसह काम केले आहे. हस्तलेखन ओळखणारे न्यूरल नेटवर्कचे त्यांचे प्रकल्प, "मोठ्या आव्हान" स्पर्धेचे अंतिम मत बनले. आणि नवीन कार्य वर्क आपल्याला प्रगत मशीन लर्निंग पद्धती शिकण्यास परवानगी देईल. न्यूरल नेटवर्क्स लागू करण्याच्या वैद्यकीय प्रतिमांचे विश्लेषण आज एक त्वरित कार्य आहे. तंत्रज्ञान उपलब्ध आहे, बहुतेक बाबतीत सत्यापनासाठी चेकवर उच्च अचूकता दर्शविणारी.

प्रकल्पाच्या फाइनलिस्टसाठी पुढील विकास आणि स्वत: ची प्राप्तीसाठी चांगली संधी उघडली जाते. मागील "मोठ्या आव्हानाला" बर्याच सहभागींनी देशाच्या मोठ्या विद्यापीठांमध्ये नामांकित केले होते आणि एमएफटीआय प्रयोगशाळेच्या तज्ञांसह सक्रियपणे कार्यरत आहेत. विद्यापीठाचे पदवीधर संपूर्ण प्रशिक्षण वेळेत प्रमुख प्रकल्प आणि जागतिक वैज्ञानिक प्रेसमध्ये यश आणि विकासाची माहिती देतात. "मोठ्या आव्हानांच्या सहभागींच्या सहभागींची अनेक कल्पना आधीच भागीदार कंपन्याद्वारे प्रॅक्टिसमध्ये वापरली जातात.