V této poznámce budu odkazovat na současné snahy o využití umělé inteligence (AI) v boji proti COVID-19, upozorním na její sliby, omezení, potenciální úskalí a určím priority pro rozvojové země. Umělá inteligence je použití algoritmů, dat a statistik k tomu, aby se počítače naučily rozpoznávat vzorce a předpovídat výsledky. Rozpoznávání vzorů a predikce jsou základem strojového učení (ML), zpracování přirozeného jazyka (NLP) a počítačového vidění, hlavních aplikací moderní umělé inteligence.

Příslib AI versus COVID-19

Od vypuknutí pandemie v prosinci 2019 došlo k spěchu využít AI v boji. Umělá inteligence může pomoci sledovat a předvídat šíření infekce, může pomoci stanovit diagnózy a prognózy a může vyhledávat způsoby léčby a vakcíny. Může být také použit pro sociální kontrolu – například pomoci izolovat infikované osoby a sledovat a vynucovat dodržování blokovacích opatření. Tyto snahy dokumentuji v diskusním dokumentu IZA.

Omezení

Umělá inteligence bohužel v současné době nedokáže infekci sledovat a předpovídat. Spolehlivou pomoc v diagnóze zatím poskytnout nemůže. A i když jeho nejslibnějším využitím je hledání vakcíny a léčby, bude to trvat dlouho. Hlavním důvodem tohoto poněkud pesimistického závěru jsou nedostatečné údaje. Problémem současné krize je, že na jedné straně nejsou k dispozici dostatečně vhodná (tedy nezaujatá a dostatečná) data pro trénování modelů umělé inteligence pro predikci a diagnostiku COVID-19. Většina studií, které vycvičily modely umělé inteligence pro diagnostiku COVID-19 pomocí CT skenů nebo rentgenových paprsků, využila malé, neobjektivní a nereprezentativní vzorky z Číny. Mnohé z těchto studií nejsou (zatím) publikovány v recenzovaných časopisech.

Na druhou stranu globální dopad a zaměření na pandemii vedly k příliš velkému množství dat. S COVID-19 je spojeno příliš mnoho hlučných dat na sociálních sítích, což před více než pěti lety ilustroval neúspěch Chřipkových trendů Google. Toto selhání rozebírá Lazer a jeho kolegové v dokumentu z roku 2014 Věda, ve kterém identifikovali hlučná data sociálních médií jako „nafoukanou aroganci a dynamiku algoritmů“. Tyto faktory v současnosti také maří snahy o sledování COVID-19 pomocí velkých dat ze sociálních médií.

Navíc, a to je možná ještě důležitější, systémový šok, který epidemie způsobila, vedl k záplavě odlehlých údajů. COVID-19 je v podstatě obrovská jedinečná událost. Tato náhlá záplava nových dat znehodnocuje téměř všechny predikční modely v ekonomice, financích a podnikání. Důsledkem je, že „mnoho průmyslových odvětví zatáhne lidi zpět do prognostického křesla, které jim vzaly modely“.

Dohled

I když tedy během současné pandemie pravděpodobně neuvidíme umělou inteligenci v předpovědích a diagnózách, pravděpodobně uvidíme její rostoucí využití pro sociální kontrolu. Na rozdíl od omezení AI v predikci a diagnóze kvůli problémům s daty, žádné takové problémy neexistují při používání sledovací technologie. Použití hromadného sledování k vynucení uzamčení a izolačních opatření v Číně, včetně infračervených kamer k identifikaci potenciálně infikovaných osob na veřejnosti, bylo dobře zdokumentováno. Ty nebyly omezeny na Čínu, ale jsou přijímány mnoha demokraciemi, včetně Austrálie, Německa, Jižní Koreje, Španělska, Spojeného království a USA. Zde se nepoužívají ani tak veřejné infračervené kamery, ale spíše aplikace pro sledování kontaktů využívající data z osobních mobilních telefonů.

ČTĚTE VÍCE
Je normální slyšet v autě tekutiny?

Mnoho rozvíjejících se ekonomik následuje příklad. OneZero sestavil seznam nejméně 25 zemí, které se do poloviny dubna 2020 uchýlily k technologiím sledování, aby sledovaly dodržování předpisů a prosazovaly opatření k sociálnímu distancování. Mnohé z nich porušují normy ochrany osobních údajů. Patří mezi ně rozvojové země jako Argentina, Brazílie, Ekvádor, Indie, Indonésie, Írán, Keňa, Pákistán, Peru, Rusko, Jižní Afrika a Thajsko. V případě Jižní Afriky se uvádí, že tato země uzavřela smlouvu se singapurskou společností zabývající se umělou inteligencí, aby implementovala „systém sledování kontaktů a komunikace v reálném čase“. Singapur používá aplikaci „TraceTogether“, která odesílá varování, pokud jsou překročeny limity sociálního distancování.

Kromě sociální kontroly a měření dodržování předpisů mohou systémy umělé inteligence prostřednictvím aplikací a mobilních zařízení také pomoci zdravotnickým úřadům řídit poskytování péče. Podle Petropoulose mohou „pacientům umožnit dostávat informace o čekací době v reálném čase od svých poskytovatelů zdravotní péče, poskytovat lidem rady a aktuální informace o jejich zdravotním stavu, aniž by museli osobně navštívit nemocnici, a upozorňovat jednotlivce na potenciální ohniska infekce v reálném čase, takže se těmto oblastem lze vyhnout.“

Sociální kontrola a veřejné informace, které lze šířit prostřednictvím mobilních zařízení, mohou být prospěšné, pokud nemáme vakcínu proti viru způsobujícímu COVID-19. Bez vakcíny jsou vlády ponechány, aby „vyrovnaly“ epidemiologickou křivku, aby zabránily zahlcení zdravotnických systémů náhlým nárůstem pacientů. A přestože blokování a opatření k sociálnímu distancování mohou být účinná pro snížení rychlosti šíření viru, jsou spojena s přemrštěnými ekonomickými náklady, a proto musí být časem vyřazena ve prospěch chytřejších, méně tupých politických nástrojů.

Aby se omezilo nebezpečí, že po zrušení omezení dojde k opětovnému nárůstu infekcí, může být nutné provést rozsáhlé diagnostické testování k identifikaci stále infikovaných a jejich udržení v karanténě. V tomto přístupu mohou být cenné nástroje pro sledování AI. Rozsáhlé diagnostické testování je také nezbytné k vyplnění mezery v datech, která charakterizuje znalosti o rozsahu a smrtelnosti koronaviru. V době psaní tohoto článku není přesně známo, kolik lidí je ve skutečnosti infikováno a kolik je asymptomatických. Studie v Věda navrhl, že až 86 procent všech infekcí může být nezdokumentovaných. Pokud je to přesné, pak z toho plynou dva důležité důsledky – jedna je špatná a druhá dobrá. Za prvé, pandemie se může snadno vrátit, jakmile budou blokování zrušena. Za druhé, virus nemusí být tak smrtící, jak se předpokládá. V tomto kontextu, The Economist zdůrazňuje: ‚Pokud byly miliony lidí nakaženy před týdny, aniž by zemřely, virus musí být méně smrtelný, než naznačují oficiální údaje.‘

ČTĚTE VÍCE
Proč moje rádio stále ztrácí signál?

Příspěvek sledovací technologie přichází s jedním podstatným rizikem, jmenovitě plížením mise: že jakmile epidemie pomine, narušení soukromí dat nebude zvráceno a že vlády budou i nadále držet rušivé záznamy o své populaci. Mohou dokonce potenciálně použít data získaná v boji proti COVID-19 k jiným, nekalým účelům.

Úskalí

Toto riziko používání AI v boji proti COVID-19 možná odráží obecné riziko používání AI. AI má pozitivní i negativní dopady. Vždy budou existovat kompromisy. Například, pokud vezmeme v úvahu cíle udržitelného rozvoje (SDGs) široce, nedávný průzkum zveřejněný v Nature Communications zdůraznil, že „AI může umožnit dosažení 134 cílů napříč všemi cíli, ale může také zabránit 59 cílům“. Umělá inteligence může dělat dobro, ale také zlo.

Vezměte si další dva příklady toho, jak umělá inteligence může dělat dobro i zlo zároveň. Zatímco algoritmy NLP mohou varovat před možným vypuknutím epidemie těžbou písemných zpráv na sociálních sítích a online zprávách, nedávná studie zjistila, že trénování standardního modelu NLP k tomu pomocí hardwaru grafické procesorové jednotky (GPU) emituje 626,155 2 liber CO120,000. To je pětkrát více, než průměrné auto vypustí za svou životnost (XNUMX XNUMX liber). Dalším příkladem je, že automatizace řízená umělou inteligencí může zvýšit produktivitu a efektivitu firmy, ale může zvýšit nezaměstnanost a nekvalitní pracovní místa („gigy“), což má za následek vyšší chudobu a nerovnost.

Proto autoři v Nature Communications doporučují, že „rychlý rozvoj umělé inteligence musí být podpořen nezbytným regulačním přehledem a dohledem nad technologiemi založenými na umělé inteligenci, aby byl umožněn udržitelný rozvoj. Pokud tak neučiníte, může to mít za následek mezery v transparentnosti, bezpečnosti a etických standardech.

Klíčovým bodem je, že musíme omezit potenciální nepříznivé důsledky umělé inteligence, a to prostřednictvím přiměřeného řízení umělé inteligence.

Po identifikaci současných snah o využití umělé inteligence proti COVID-19 a po zjištění jejich slibů, omezení a potenciálních úskalí zbývá určit priority pro rozvojové země.

Priority

Rozvojové země se již musí vypořádat s ekonomickým dopadem pandemie. Jak tvrdí Hausmann, s klesajícími příjmy, obchodem a investicemi by rozvojové země musely masivně zvýšit svou zadluženost, pokud mají proti této nemoci zavést základní zdravotní podporu a sociální distancování. Ztrácejí politický prostor přesně ve chvíli, kdy ho nejvíce potřebují. Proto je priorita zdrojů životně důležitá.

ČTĚTE VÍCE
Mám používat 4WD auto za deště?

Rozvojové země by měly upřednostnit své vzácné zdroje na podporu svého zdravotnického sektoru a poskytování sociálního zabezpečení svým občanům. V podstatě by neměli investovat své zdroje do umělé inteligence v naději, že zlepší efektivitu nemocnic nebo do nalezení vakcíny.

Ačkoli umělá inteligence může být užitečná při hledání vakcíny, rozvojové země, a zejména ty v Africe, do značné míry zaostávají, pokud jde o možnosti výzkumu a vývoje umělé inteligence. Jak dokumentuji jinde, asi 30 společností ve třech regionech – Severní Americe, EU a Číně – provádí obrovskou část výzkumu, patentování 1 a přijímání financování rizikového kapitálu 2 pro AI.

To neznamená, že rozvojové země nemají zájem využít AI k nalezení vakcíny – mají, protože lze tvrdit, že taková vakcína je globálním veřejným statkem. Scott Barret představil koncept „veřejného statku s nejlepší snahou“, který lze použít při hledání vakcíny proti COVID-19. V případě „veřejného statku s nejlepším úsilím“ jej může vytvořit jedna nebo několik zemí ve prospěch všech zemí. Požadavkem však je, aby výsledná vakcína byla dostupná nevylučitelným a nekonkurenčním způsobem. Rozvojové země by tedy neměly utrácet prostředky na hledání farmaceutických řešení krize prostřednictvím umělé inteligence, měly by být součástí globální koalice, která by Schopnosti AI vysokopříjmových ekonomik a Číny v tomto ohledu. Je třeba se vyhnout nekoordinované reakci, „závodům ve zbrojení AI“, chcete-li, mezi zeměmi a regiony, a nejistotě ohledně distribuce a přístupu k takové vakcíně. S možností, že bohaté země mohou hromadit vakcíny, by měly existovat jasné a spravedlivé protokoly pro distribuci a přístup k takové vakcíně. Jak financovat a motivovat takový výsledek, je další naléhavou výzvou, před kterou ekonomové stojí, v neposlední řadě k překonání výrobních a logistických omezení.

Rozvojové země by se také měly podílet na shromažďování a budování rozsáhlých veřejných databází, na kterých se bude AI školit. Náklady na to jsou malé a potenciální přínosy vzhledem k potřebě nezaujatých a reprezentativních údajů o pandemii jsou vysoké. Budování takových databází by mělo být považováno za investici proti budoucím pandemiím.

A konečně, kombinace dohledu, umělé inteligence a testování může rozvojovým zemím pomoci dříve zmírnit omezení a uzamčení. Ale, jak bylo diskutováno, bude to spojeno s rizikem ohrožení soukromí dat – s rizikem, které bude možná nutné podstoupit v zájmu veřejného zdraví a znovuotevření ekonomik. Riziko lze řídit pomocí vhodného řízení.

Proč investovat do čističky vzduchu?

Zásadní bude způsob, jakým rozvojové země provedou dohled a testování založené na umělé inteligenci. Vlády rozvojových zemí a globální společenství musí zajistit dodržování nejvyšších etických standardů a transparentnosti. Pokud tak neučiní, pak mohou čelit vyhlídce, že lidé ztratí tu malou důvěru, kterou měli ve vládu, což způsobí, jak zdůraznily Ienca a Vayena, „že lidé budou méně pravděpodobně dodržovat rady nebo doporučení veřejného zdraví a bude pravděpodobnější, že budou mají horší zdravotní výsledky.“ Pro rozvojové země Afriky je proto nezbytné, aby co nejdříve ratifikovaly úmluvu Africké unie o kybernetické bezpečnosti a ochraně osobních údajů – Úmluvu z Malabo. Dosud to udělaly pouze dvě země. A také by měly v souladu s konvencí přestat omezovat přístup k internetu a omezovat toky digitálních informací.

ČTĚTE VÍCE
Proč přestali vyrábět Saturn Vue?

Rozvojové země stále čelí značné digitální propasti a nejchudší region světa, subsaharská Afrika, čelí obzvláště skličující výzvě. Krize COVID-19 a její pravděpodobné dlouhodobé důsledky – pokud jde o zrychlující se automatizaci, online obchod, přeskupování a zvýšení tržní síly velkých zavedených digitálních platforem – by měly tyto země podnítit, aby současnou krizi vnímaly jako příležitost. urychlit jejich digitalizaci a využít finanční prostředky na dlouhodobou modernizaci datových infrastruktur a dovedností.

Tento dokument poskytuje včasné hodnocení umělé inteligence (AI) proti COVID-19. Diskutuje se o hlavních oblastech, kde může umělá inteligence přispět k boji proti COVID-19. Dospělo se k závěru, že umělá inteligence dosud neměla vliv na COVID-19. Jeho použití brání nedostatek dat a příliš mnoho dat. Překonání těchto omezení bude vyžadovat pečlivou rovnováhu mezi soukromím dat a veřejným zdravím a důslednou interakcí mezi člověkem a AI. Je nepravděpodobné, že budou řešeny včas, aby během současné pandemie hodně pomohly. Mezitím bude rozsáhlé shromažďování diagnostických dat o tom, kdo je infekční, nezbytné pro záchranu životů, výcvik umělé inteligence a omezení ekonomických škod.

Klíčová slova: AI; COVID 19; Data věda; Veřejné zdraví; Dohled.

Podobné články

Ahuja AS, Reddy VP, Marques O. Ahuja AS, et al. Integr Med Res. září 2020; 9(3):100434. doi: 10.1016/j.imr.2020.100434. Epub 2020 27. května Integr Med Res. 2020. PMID: 32632356 Článek PMC zdarma.

Shachar C, Gerke S, Adashi EY. Shachar C, a kol. Hastings Cent Rep. 2020 May;50(3):18-21. doi: 10.1002/hast.1125. Hastings Cent Rep. 2020. PMID: 32596887 Zdarma článek PMC.

Adly AS, Adly AS, Adly čs. Adly AS a kol. J Med Internet Res. 2020. srpna 10;22(8):e19104. doi: 10.2196/19104. J Med Internet Res. 2020. PMID: 32584780 Článek PMC zdarma. Posouzení.

Chen J, Viz KC. Chen J, a kol. J Med Internet Res. 2020. října 27; 22(10):e21476. doi: 10.2196/21476. J Med Internet Res. 2020. PMID: 32946413 Článek PMC zdarma. Posouzení.

Abd-Alrazaq A, Alajlani M, Alhuwail D, Schneider J, Al-Kuwari S, Shah Z, Hamdi M, Househ M. Abd-Alrazaq A, et al. J Med Internet Res. 2020. prosince 15;22(12):e20756. doi: 10.2196/20756. J Med Internet Res. 2020. PMID: 33284779 Článek PMC zdarma. Posouzení.

ČTĚTE VÍCE
Je MG3 dobré první auto?

Citováno podle

Olawade DB, Wada OJ, David-Olawade AC, Kunonga E, Abaire O, Ling J. Olawade DB a kol. Přední veřejné zdraví. 2023. října 26; 11:1196397. doi: 10.3389/fpubh.2023.1196397. eCollection 2023. Front Public Health. 2023. PMID: 37954052 Článek PMC zdarma. Posouzení.

Soto J, Linsley C, Song Y, Chen B, Fang J, Neyyan J, Davila R, Lee B, Wu B, Li S. Soto J, et al. Nanomateriály (Basilej). 2023. srpna 30;13(17):2455. doi: 10.3390/nano13172455. Nanomateriály (Basilej). 2023. PMID: 37686965 Článek PMC zdarma. Posouzení.

Adadi A, Lahmer M, Nasiri S. Adadi A, et al. J King Saud Univ Comput Inf Sci. září 2022;34(8):5898-5920. doi: 10.1016/j.jksuci.2021.07.010. Epub 2021 Jul 15. J King Saud Univ Comput Inf Sci. 2022. PMID: 37520766 Článek PMC zdarma. Posouzení.

Anjaria P, Asediya V, Bhavsar P, Pathak A, Desai D, Patil V. Anjaria P, et al. Vakcíny (Basilej). 2023. června 26; 11 (7): 1154. doi: 10.3390/vakcíny11071154. Vakcíny (Basilej). 2023. PMID: 37514970 Článek PMC zdarma.

Haleem S, Albar NH, Al Fahad MS, AlWasem HO. Haleem S, a kol. Cureus. 2023. června 25;15(6):e40921. doi: 10.7759/cureus.40921. eCollection 2023 Jun. Cureus. 2023. PMID: 37496534 Článek PMC zdarma.

Reference

    1. Akhtar M, Kraemer M, Gardner L. Model dynamické neuronové sítě pro predikci rizika viru Zika v reálném čase. BMC Med. 2019 doi: 10.1186/s12916-019-1389-3. — DOI — PMC — PubMed
    1. Beck B, Shin B, Choi Y, Park S, Kang K. Predikce komerčně dostupných antivirových léků, které mohou působit na nový koronavirus (2019-nCoV), Wuhan, Čína prostřednictvím modelu hlubokého učení interakce mezi lékem a cílem. bioRxiv. 2020 doi: 10.1101/2020.01.31.929547. — DOI — PMC — PubMed
    1. Bullock J, Luccioni A, Pham KH, Lam CSN, Luengo-Oroz M (2020) Mapování krajiny aplikací umělé inteligence proti COVID-19. ArXiv, https://arxiv.org/abs/2003.11336v1
    1. Carroll J (2020) Propuknutí koronaviru: může hrát roli strojové vidění a zobrazování? Vis Syst Des (19. března)
    1. Chen E, Lerman K, Ferrara E (2020a). COVID-19: první veřejný datový soubor o koronaviru na Twitteru. ArXiv, https://arxiv.org/abs/2003.07372v1 (16. března)

    Zobrazit všech 36 referencí

    LinkOut — více zdrojů

    Plnotextové zdroje

    • Evropa PubMed Central
    • PubMed Central