Prvi put kada je Elizabet Ondula pomislila na korišćenje tehnologije za poboljšanje javnog zdravlja bila je kada se suočila sa ličnom tragedijom tokom pandemije COVID-19. Njen otac je umro i ona nije mogla da putuje na njegovu sahranu zbog ograničenja pandemije.
„Bilo je to izazovno vreme“, rekao je Ondula. „Ograničenja putovanja su me navela da se zapitam zašto su politike javnog zdravlja statične i kako bi ove strategije mogle biti prilagodljivije uslovima koji se razvijaju.“
Sada doktorant računarskih nauka na USC, Ondulino istraživanje ispituje kako kreatori politike i administratori mogu iskoristiti AI da se pripreme za izbijanje zarazne bolesti. Ondula je 21. februara predstavila svoj rad pod nazivom „Pojačano učenje za strategije bezbednog boravka u obrazovnim prostorima tokom epidemije“ u doktorskom konzorcijumu Udruženja za unapređenje veštačke inteligencije (AAAI). Dostupan je na arXiv serveru za preprint.
Ono što ovo istraživanje donosi na sto je razumevanje uticaja različitih politika“, rekao je Ondula. „Ako se dobro pripremite i planirate, možete minimizirati rizik od ozbiljne bolesti ili smrti, dok odgovarate na uslove koji se brzo razvijaju.“
Ondulina primena AI, posebno algoritama učenja za pojačavanje, za upravljanje lično prisustvo tokom epidemija nudi „važan doprinos na raskrsnici javnog zdravlja, obrazovanja i veštačke inteligencije“, rekao je njen savetnik i koautor Bhaskar Krishnamachari, Ming Hsieh fakultet. Saradnik u oblasti elektrotehnike i računarstva-sistemi i profesor elektrotehnike i računarstva i računarstva.
Konkretno, Ondula veruje da bi alat mogao da dovede do brže i bolje implementacije hibridnih politika u školi, na poslu i na putovanjima, i da pomogne bolnicama da upravljaju problemima kapaciteta usled skokova. Pokretanjem teoretskih scenarija, alat bi mogao da pomogne kreatorima politike i administratorima da bolje razumeju uticaj različitih mogućih odluka da pronađu onu koja je „upravna”.
Ondulina tehnologija ima za cilj da odredi koliko ljudi može bezbedno da pristupi javnom prostoru, kao što je kancelarija ili ustanova za učenje, tokom epidemije.
Tokom COVID-19, zatvaranje škola izbacilo je 50 miliona dece iz učionica, izbrisavši više od 20 godina napretka u rezultatima nacionalnih testova prema izveštaju Mekinzi i kompanije, što je problem koji je još izraženiji u siromašnijim okruzima.
Ali koliko je učenika moglo da prisustvuje ličnoj nastavi uz minimalan rizik od infekcije? Ondulin rad se fokusira na to kako faktori životne sredine utiču na odgovor na ovo pitanje.
Trenutno koristi stohastičke modele epidemije – matematičke modele koji simuliraju širenje zaraznih bolesti – i tehnike učenja uz pomoć – vrstu mašinskog učenja – da bi mapirala potencijalne scenarije za školski semestar. Na primer, Ondulina AI bi mogla da koristi podatke u realnom vremenu da bi delovala kao sistem ranog upozorenja i preporučila kada da se ograniči zauzetost zgrade.
Dok modeli epidemije razmatraju sve predvidljive načine na koje se bolest može širiti pod određenim uslovima, kao što su prenos i stepen imuniteta, stohastički modeli dodatno utiču na to kako se ljudi slučajno razbole. To ih čini posebno pogodnim za predviđanje scenarija iz stvarnog sveta, kaže Ondula.
„Na kraju krajeva, donekle, još uvek ne razumemo kako je širenje bolesti dinamično“, rekla je ona. „Kako bolest napreduje takođe je donekle nepoznato. Ovaj model pomaže da se uhvati ta slučajnost sa kojom se suočavate u scenarijima iz stvarnog sveta.“
Važna prednost njenog koncepta je njegova primenljivost na bilo koji zatvoreni prostor. Tokom COVID-19, na primer, bolnice su dostizale kapacitete potrebne da maksimiziraju zauzetost prostora, a da ne znaju kako bi njihove odluke mogle da ugroze bezbednost pacijenata. Ondulina tehnologija bi mogla dati odgovor.
Štaviše, softver može da istražuje druge epidemije, kao što je denga groznica, koja se širi ubodom komaraca. Ondula se nada da će tehnologija učiniti otvorenim kodom do maja 2024. godine, omogućavajući istraživačima da pokreću simulacije sa svim vrstama modela i postavki. Zatim će Ondula intervjuisati školske administratore i kreatore politike kako bi razumeo i rešio potencijalne probleme sa implementacijom.
„Integracijom stohastičkih modela epidemije sa učenjem sa pojačanjem, Elizabetin rad nudi novi pristup razvoju alata za pomoć pri odlučivanju zasnovanom na podacima za administratore kampusa koji može da predloži dobar kompromis između zdravstvenih problema i ciljeva učenja“, rekao je Krishnamachari. „Njeno istraživanje ne samo da unapređuje akademsko razumevanje, već ima i praktične implikacije za unapređenje strategija odgovora na epidemiju u budućnosti.
