Banco de dados de inteligência artificial →
A inteligência artificial nos salvará do coronavírus. Ele descobre novos surtos, identifica pessoas com febre, diagnostica casos, prioriza os pacientes mais necessitados, lê a literatura científica e está a caminho de encontrar a cura.
OPINIÃO COM FIO
SOBRE O SITE
Alex Engler é David M. Rubenstein Fellow na Brookings Institution e professor adjunto e acadêmico afiliado na McCourt School of Public Policy da Georgetown University.
Agora, enquanto o mundo enfrenta o surto de coronavírus, muitos estão a promover a IA como a nossa arma secreta onisciente. Embora os comunicados de imprensa corporativos e alguma cobertura mediática cantem os seus louvores, a IA desempenhará apenas um papel menor na nossa luta contra a Covid-19. Embora existam certamente formas em que será útil – e ainda mais em futuras pandemias -, por agora, tecnologias como a comunicação de dados, a telemedicina e as ferramentas de diagnóstico convencionais estão a ter um impacto muito maior. Como você pode evitar ser pego pelo hype da IA? Num relatório recente da Brookings Institution, identifiquei as heurísticas necessárias para um ceticismo saudável em relação às alegações de IA na Covid-19.
Vamos começar pela regra mais importante: sempre entre em contato com especialistas na área. Se eles usam IA, ótimo! Caso contrário, tome cuidado com aplicações de IA de empresas de desenvolvimento que não possuem tais especialistas. Os dados dependem sempre do contexto, o que requer experiência para serem compreendidos. Os dados da China se aplicam aos Estados Unidos? Por quanto tempo o crescimento exponencial pode continuar? Até que ponto a nossa intervenção reduzirá a transmissão? Todos os modelos, mesmo os modelos de IA, fazem suposições sobre questões como essas. Se os modeladores não compreenderem estes pressupostos, os seus modelos causarão mais danos do que benefícios.
Felizmente, no caso da Covid-19, os epidemiologistas sabem bastante sobre o contexto dos dados. Embora o vírus seja novo e ainda haja muito a aprender, há muita experiência sobre quais perguntas fazer e como respondê-las. A epidemiologia estatística moderna tem as suas raízes no início dos anos 1900, o que significa que a sua análise se baseia num século de investigação científica. Em contraste, os métodos de aprendizagem automática tendem a assumir que tudo pode ser aprendido diretamente a partir de um conjunto de dados, sem levar em conta o contexto científico mais amplo.
Considere, por exemplo, a afirmação de que a IA foi a primeira a descobrir Koronavírus. O treinamento da máquina depende muito de dados históricos para criar conclusões significativas. Como os bancos de dados CoVID-19 não existem, a IA por si só não pode prever a propagação dessa nova pandemia. Além disso, essa afirmação exagera implicitamente a capacidade da IA de nos informar sobre eventos enormes e raros, o que não é um lado forte da IA. Como se viu, embora o software possa ter entupido o alarme, uma análise humana era necessária para entender o significado do surto.
O valor real da IA reside em sua capacidade de criar previsões mult i-media. Por exemplo, Bluedot, que está envolvido em epidemiologia com a ajuda da IA, ajudou com sucesso o estado da Califórnia a rastrear a disseminação do coronavírus. A empresa complementou modelos epidemiológicos tradicionais com aprendizado de máquina, usando modelos de vôo para prever a propagação do vírus no nível dos índices de email. Este é o valor da IA. Tais notas detalhadas permitem distribuir com precisão financiamento, materiais e pessoal médico.
Mais popular
A ciência
Uma bomba demográfica de uma ação lenta está prestes a atingir a indústria de carne bovina
Matt Reynolds
Negócios
Dentro do complexo supe r-secreto Mark Zuckerberg no Havaí
Gatrine Skrimjor
Engrenagem
Primeira olhada em Matic, um aspirador de robô processado
Adrienne co
Negócios
Novas declarações de Elon Mask sobre a morte do macaco estimulam novos requisitos para a investigação da Comissão de Valores Mobiliários dos EUA
Dhruv Mehrotra
No entanto, não confie em todas as avaliações individuais da IA. Muitas vezes, as empresas indicam precisão – a porcentagem das previsões corretas feitas no processo de desenvolvimento – para declarar a eficácia do modelo de IA. Infelizmente, esse número é fácil de desaparecer e, muitas vezes, fornece uma imagem incompleta. Por exemplo, Alibaba disse que poderia diagnosticar o Covid-19 de imagens de tomografia computadorizada com precisão de 96 %. Mas se você recorrer a especialistas nessa área, verá que o Colégio Americano de Radiologia disse que a tomografia computadorizada não deve ser usada como teste de teste “Covid-19”. Outros especialistas confirmam que esse método ainda não foi comprovado e alerta que, embora o algoritmo possa ser rápido, é necessário limpar as recirculações de TC entre cada paciente.
Quanto à precisão impressionantemente alta, é hora de compartilhar o segredo sujo do mundo do aprendizado de máquina: qualquer cientista de dados que trabalhe na área riria desse nível de precisão. Ele é incrivelmente alto. Sem quaisquer reservas, autocríticas ou confirmações externas, ele desconfia de si mesmo. Mesmo que isto seja verdade, muitas vezes precisamos de mais do que apenas métricas de precisão para compreender a eficácia de um modelo, como a percentagem de pacientes que são diagnosticados corretamente. Enquanto sistemas médicos cansados recorrem à IA para analisar raios X para fazer a triagem de pacientes com base na gravidade das suas condições pulmonares, a IA atualmente não consegue diagnosticar a Covid-19 por si só.
Mesmo os modelos de IA que foram exaustivamente testados e verificados durante o desenvolvimento necessitam de ceticismo adicional, uma vez que as situações do mundo real quase sempre reduzem a eficácia da IA. Num artigo recente sobre o diagnóstico de pintas malignas, os investigadores notaram que os seus modelos de IA aprenderam que os governantes médicos estavam frequentemente presentes em imagens de pintas conhecidas por serem malignas. Isto tem um efeito duplo: a precisão aumenta no laboratório, mas diminui no mundo real.
Esta lição nos dá motivos para suspeitar de sistemas de inteligência artificial que tentam detectar febres usando câmeras térmicas. A empresa de tecnologia CCTV Athena Security disse que adaptou seu software existente no mês passado para fazer exatamente isso. Mesmo antes de ser revelado que Athena supostamente fraudou a demonstração do software, a alegação gerou ceticismo. Embora a tecnologia de detecção de febre possa funcionar bem em laboratório, o software requer uma imagem clara e precisa do rosto interno de uma pessoa, o que pode ser difícil para uma câmera capturar, por exemplo, uma pessoa caminhando rapidamente até o supermercado. Sem falar que a análise é afetada pela temperatura ambiente, umidade e até pelo gênero do sujeito, o que claro abre a possibilidade de preconceito.
