"Store utfordringer-2020" er så ambisiøst kalt en av prosjektene som holdes i andre halvdel av desember i Sirius-utdanningssenteret. I løpet av dette vitenskapelige og teknologiske prosjektprogrammet trente videregående studenter kunstig intelligens. Gutta skulle lære bilen til neste visdom:
- Skriv nyheter.
- Utvikle nye stoffer.
- Analyser bildene av CT.
- Studieprofiler av søkere i sosiale nettverk.
SchoolChildren hjalp eksperter fra University Innopolis, Yandex, Høyere School of Management SPBSU, VTB Bank, Biocad. Det er planlagt at de beste tilbudene vil bli implementert i praksis.
Andrei Rasjorgorodsky, leder av "Big Data" -retten, direktøren for Fiztech-skolen for anvendt matematikk og informatikk av MFTI, er spesifisert at økten varer i 10 dager. I løpet av denne tiden har gutta lært å jobbe med ulike digitale teknologiske verktøy, og vil nå kunne bruke sine ferdigheter i fremtiden hjemme.
Prosjektet gir en egen retning "store data, kunstig intelligens, økonomisk teknologi og maskinlæring". 28 Eleventh gradere fra 18 regioner i Russland ble invitert til å jobbe i den. Disse gutta ble finalister i den all-russiske konkurransen om design og forskningsarbeid.
For deltakere i denne retningen har Yandex dannet en spesiell ordre: å utvikle et program for å generere nyheter, slik at moderne utgaver kan brukes i daglig arbeid. VTB Bank og St. Petersburg State University ga også oppgaven med Sirius Schoolchildren. Gutta må analysere sosiale nettverk og basert på informasjonen mottatt for å gjøre et portrett av en forretningskoleansøker.
Forskere forvirret skolebarn med et komplekst ønske: gutta bør lære kunstig intelligens for å nøyaktig forutsi ved hjelp av datamodellering av strukturen til det molekylære komplekset når de skaper nye stoffer. Bilen må finne de mest troverdige kombinasjonene, og de som virkelig eksisterer i naturen. Den nye metoden må forutsies hvor effektivt forberedelsen opprettet. Forslag fra videregående studenter skal brukes i sikringsalgoritmen til Biocad.
Digital teknologi basert på kunstig intelligens har blitt aktivt brukt i medisinsk industri i mange land i verden. Dette ble forenklet av begynnelsen av koronaviruspandemien. Telemedisin teknologier har vist fordelen av å automatisere mange prosesser, bidro til å laste ut klinikker og leger fra flere ganger økte belastninger, klarte å gi høy kvalitet fjernkontrollpleie til pasienter.
Innenfor rammen av det vitenskapelige og teknologiske prosjektet i Sirius "store utfordringer-2020", mottok studentene i programmet en vanskelig oppgave fra Russlands Russlesologer. Legene blir bedt om å undervise i kunstig intelligens for å analysere medisinske bilder ved hjelp av datasyn og raskt og nøyaktig finne patologi i lungene. Hjelp og tips fra neurosette lette driften av radiologer, redusere tiden for å behandle bildene.
For en slik rekke og komplekse problemer, som mottak av medisinske bilder, krever dyp læring store datasett for å oppnå det nødvendige nivået på nøyaktighet. Anbefalingen av kunstig intelligens er vanligvis veldig nøyaktige. Resultatene av arbeidet vil bli lastet opp til det åpne kildebiblioteket, tilgang til som vil bli oppdaget for spesialister fra alle land. SchoolChildren-løsninger kan testes og brukes i praksis hvis utviklingskvaliteten vil ordne en bruker. Partner bistand til skolebarn er gitt av sentrum for kunstig intelligens av University of Intopolis.
Prosjektteamet sysselsetter seks 11 karakterer fra Khanty-Mansiysk Autonomous Okrug, Sevastopol, Khabarovsk territorium, Republikken Bashkortostan, Tyumen og Kemerovo og regioner. De blir hjulpet av eksperter fra Innopolis sentrum.
Semen Kiselev, forsker av Senteret for kunstig intelligens av University of Inopolis, et veiledende prosjekt, sa at utviklerne innfører barn med metoder for maskinlæring og datasyn. Popularisering av matematikk, programmering og maskin læringsmetoder vil tillate deg å endre holdningen til åpningsmulighetene til mange som trenger denne endringen. Prosjektet vil oppmuntre skolebarn til å bli mer aktive i å studere utsiktene for digital transformasjon av samfunnet, overbevise dem om at det kan føre dem til mer interessant og intellektuelt fullverdig liv. Opplevelsen av å jobbe med nevrale nettverk fører til valget av det fremtidige yrket, gjør at du kan berøre aktivitetene i frihetsatmosfæren, utvikler tilliten til deg selv og vil gi barn og ungdommer de kompetansene de trenger i fremtiden.
Gutta viser hvor i hvilke områder de kan bruke kunnskapen som er oppnådd. Deltakerne lager slike modeller og algoritmer for å analysere lungene på lungene, hvor manaliserende selvfremgang for å gjenkjenne lungebetennelse og andre respiratoriske sykdommer, pneumothorax eller svulst. Deep læring modeller kan gjøre spådommer med nesten umiskjennelig nøyaktighet, men siden den interne logikken til modellen er vanskelig å avdekke og tolke, er argumentene til fordel for hvorfor denne avgjørelsen er riktig, ofte forblir unallimy.
Siden medisinske beslutninger kan ha utrolig vekt, refererer mange kritisk til prospektet for full automatisering. Det er veldig viktig å huske at bilen ikke erstatter legen, men blir hans assistent og rådgiveren, faktisk er det bare det tredje øyet for legen. AI er nødvendig for å optimalisere rutinemessige oppgaver, med sin allestedsnærværende implementering dypt endrer spesialitet med en sterk visuell komponent, for eksempel radiologi og patologi. Utøvere, inkludert kirurger, er aktivt interessert i å utvikle og implementere slike enheter. AI er nødvendig for å optimalisere rutinemessige oppgaver, med sin utbredte introduksjon, vil spesialitet endres med en sterk visuell komponent, for eksempel radiologi og patologi. Utøvere, inkludert kirurger, er aktivt interessert i å utvikle og implementere slike enheter.
De studerte algoritmer skolebarnene blir testet på et stort antall ekte medisinske bilder fra ekte sykehus.
Unge programmerere må lære kunstig intelligens for å beregne de nøyaktige dimensjonene og plasseringen av patologiske prosesser i lungene, angi legen på orgelens anomalier. Materialer for forskning Prosjektdeltakere finnes i åpne kilder, databaser av disse vitenskapelige artiklene i innenlandske og utenlandske medisinske universiteter. De sjekker sine algoritmer på hundrevis av ekte medisinske bilder fra ekte LPUer, fordi tilgang til relevante og tilstrekkelige data er av avgjørende betydning i treningsalgoritmer av AI.
Danila Pechenev, Eleven-Grader fra Kemerovo, sier at han valgte denne oppgaven, fordi han allerede jobbet med maskinvisjonen. Hans prosjekt av et neuralt nettverk, som anerkjenner håndskriftet, ble finalisten til de "store utfordringene" konkurranse. Og arbeidet på den nye oppgaven vil tillate deg å lære avanserte maskinlæringsmetoder. Analyse av medisinske bilder i dag er en presserende oppgave å bruke nevrale nettverk. Teknologi er tilgjengelig, i de fleste tilfeller demonstrerer høy nøyaktighet på kontroller for verifisering.
For finalistene i prosjektet åpnes gode muligheter for videreutvikling og selvrealisering. Mange deltakere i den forrige "store utfordringen" ble registrert i de største universitetene i landene og jobber aktivt med spesialister i MFTI-laboratoriene. Universitetsutdannede blyprosjekter gjennom hele treningstidspunktet og informerer om prestasjoner og utviklinger i Global Scientific Press. Mange ideer om deltakere i "store utfordringer" er allerede brukt i praksis av partnerfirmaer.