IBM Quantum Experience รวบรวมโมเมนตัม

IBM Quantum Experience รวบรวมโมเมนตัม

เครดิตฟรี

น้อยกว่าหนึ่งเดือนที่ผ่านมา เราเปิดตัวโปรเซสเซอร์ควอนตัมขั้นสูงของเราสู่สายตาชาวโลกโดยรวม ทำให้สมาชิกของชุมชนวิทยาศาสตร์และประชาชนทั่วไปลงทะเบียนเพื่อเข้าถึงแพลตฟอร์มคอมพิวเตอร์ควอนตัมที่พวกเขาสามารถใช้ได้จากเดสก์ท็อปหรืออุปกรณ์พกพาใดๆ ผ่านระบบคลาวด์
นับตั้งแต่เปิดตัว IBM Quantum Experienceตอนนี้เรามีผู้ใช้ที่ลงทะเบียนแล้วมากกว่า 20,000 รายที่ได้อ่านบทช่วยสอนของเรา กำลังทดสอบอัลกอริทึม และได้ทำการทดลองมากกว่า 100,000 ครั้ง รวมถึงการทำงานของอุปกรณ์จริงมากกว่า 4,000 รายการบนโปรเซสเซอร์ควอนตัม 5-qubit ของเรา

สล็อต

ผู้ใช้มาจากทุกมุมโลก รวมถึงทวีปแอนตาร์กติกา ที่ซึ่งDr. C. Corbett Moranนักวิทยาศาสตร์ที่ทำงานเกี่ยวกับกล้องโทรทรรศน์ขั้วโลกใต้ ณ สถานที่เกิดเหตุในแอนตาร์กติกากับมหาวิทยาลัยชิคาโก ได้ใช้เครื่องจำลองของเธอเองในงูหลาม .
ประสบการณ์ควอนตัมยังส่งผลให้เกิดเอกสารทางวิทยาศาสตร์ใหม่ โดยนักวิจัยจากมหาวิทยาลัยบาร์เซโลนาและศูนย์ RIKEN for Emergent Matter Scienceในญี่ปุ่นพยายามอธิบายลักษณะอุปกรณ์ทั้งหมดและแบ่งปันผลการทดลองของพวกเขา เราพบว่ามีความกระตือรือร้นอย่างล้นหลามตั้งแต่โปรแกรมเมอร์ไปจนถึงชุมชนวิชาการ ซึ่งตอนนี้กำลังเขียนบล็อกและสอนนักเรียนเกี่ยวกับวิธีการคิดแบบใหม่เกี่ยวกับกลศาสตร์ควอนตัมและการคำนวณ
เรายินดีเป็นอย่างยิ่งที่ได้เห็นนักเรียนจำนวนเท่าไรที่ใช้งาน Quantum Experience คณาจารย์ด้านฟิสิกส์ปฏิบัติต่อประสบการณ์ควอนตัมเหมือนเครื่องมือในการสอน โดยกระตุ้นให้นักศึกษาระดับปริญญาตรีนำทฤษฎีที่ได้เรียนรู้ในชั้นเรียนมาใช้กับฮาร์ดแวร์คอมพิวเตอร์ควอนตัมจริงๆ ผู้ใช้เหล่านี้จำนวนมากกำลังเยี่ยมชมแพลตฟอร์มของเราเพื่อเรียนรู้เกี่ยวกับพื้นฐานของกลศาสตร์ควอนตัมและฝึกปฏิบัติจริง ผู้เริ่มต้นทำทุกอย่างตั้งแต่เรียนรู้เพื่อดำเนินการอัลกอริทึมควอนตัมขนาดเล็กที่แสดงคุณสมบัติของควอนตัมที่ไม่เหมือนใคร เช่น การซ้อนทับ ไปจนถึงการสร้างสถานะเบลล์ที่พัวพันอย่างง่าย ผู้คนเริ่มก้าวหน้าจากการใช้สอง qubits เป็นสามหรือสี่ รวมถึงการใช้ประโยชน์จากความสามารถของโปรเซสเซอร์ 5-qubit เต็มรูปแบบเพื่อเรียกใช้อัลกอริธึมใหม่
แพลตฟอร์มคลาวด์คอมพิวเตอร์ควอนตัมของเราไม่ได้จำกัดเฉพาะนักวิทยาศาสตร์และนักฟิสิกส์เท่านั้น อันที่จริง เราได้เห็นผู้ที่ชื่นชอบการเล่นเกมและผู้ใช้ที่เป็นผู้บริโภครู้สึกตื่นเต้นกับช่วงเวลานี้ และถึงแม้เราจะเพิ่งออกจากประตู ไม่ได้ตั้งใจเล่น เราขอเชิญผู้ที่สนใจเรียนรู้เกี่ยวกับหรือใช้คอมพิวเตอร์ควอนตัมมาร่วมงานกับเรา สามารถทำให้ชุมชนเติบโตได้ การขอสิทธิ์เข้าถึงเป็นขั้นตอนแรกที่เรียบง่าย และไม่ว่าคุณจะเป็นมือใหม่ที่ต้องการเรียนรู้กลศาสตร์ควอนตัม 101 หรือนักทฤษฎีที่อยากจะแก้ไขด้วย 5 คิวบิต นวัตกรรมแบบเปิดแบบนี้จะช่วยให้ก้าวต่อไปของการพัฒนาเทคโนโลยีสารสนเทศควอนตัม และช่วยผลักดันคอมพิวเตอร์ควอนตัมสากลให้เป็นจริงได้เร็วยิ่งขึ้น
ความฝันสูงสุดของเราคือความก้าวหน้าของคอมพิวเตอร์ควอนตัมในอนาคตที่ยังไม่ได้จินตนาการ อาจได้รับจุดเริ่มต้นหรือแรงบันดาลใจในประสบการณ์ควอนตัมด้วยความช่วยเหลือจากชุมชน การวิจัยในความก้าวหน้าเหล่านี้กำลังดำเนินต่อไปในIBM Research Frontiers Instituteซึ่งเป็นสมาคมที่พัฒนาและแบ่งปันเทคโนโลยีคอมพิวเตอร์ที่ก้าวล้ำและสำรวจความหมายทางธุรกิจของพวกเขา และที่ซึ่งแอพพลิเคชั่นควอนตัมในอนาคตกำลังถูกสำรวจในหลายอุตสาหกรรมกับบริษัทสมาชิก
ขณะนี้ทีมของเรากำลังมีส่วนร่วมกับข้อเสนอแนะทั้งหมด เรากำลังปรับแต่งองค์ประกอบทั้งหมดของประสบการณ์ควอนตัมเพื่อให้ใช้งานได้จริงและมุ่งเน้นชุมชนมากขึ้น เรากำลังเพิ่มบทแนะนำเพิ่มเติมและหวังว่าจะทำมากขึ้นเพื่อช่วยกระตุ้นชุมชนผ่านเวิร์กช็อปและกิจกรรมต่างๆ การมีชุมชนนี้อยู่เบื้องหลังแพลตฟอร์มเป็นสิ่งสำคัญ ที่ซึ่งผู้คนสามารถถามคำถามซึ่งกันและกัน แบ่งปันข้อสังเกตของพวกเขา เสนอแนวทางใหม่ ๆ นี่คือวิธีที่เราทุกคนจะเรียนรู้ได้เร็วขึ้น เปลี่ยนวิธีที่เราคิดเกี่ยวกับการประมวลผล และค้นพบศักยภาพสูงสุดของการประมวลผลควอนตัม
PaccMann ใช้ประโยชน์จากข้อมูลเกี่ยวกับการแสดงออกของยีนในสายเซลล์ภายใต้การศึกษา ตลอดจนข้อมูลเกี่ยวกับโครงสร้างโมเลกุลของสารประกอบต้านมะเร็ง นอกจากนี้ PaccMann ยังคำนึงถึงความรู้เดิมเกี่ยวกับปฏิกิริยาของโปรตีนที่เกี่ยวข้องกับการทำความเข้าใจว่าสายเซลล์ตอบสนองต่อยาอย่างไร ความรู้ก่อนหน้านี้ไม่ขึ้นอยู่กับคู่สายเซลล์-ยาที่กำลังพิจารณา ในการศึกษาพื้นฐาน เราใช้ PaccMann เพื่อทำนายความไวของยาในคู่สายเซลล์ยาจำนวนมาก (มากกว่า 200,000 คู่) ที่มีอยู่ในฐานข้อมูล GDSC. จากข้อมูลเหล่านี้ PaccMann ไม่เพียงแต่ทำนายความไวของคู่สายเซลล์ยาได้แม่นยำกว่าเครื่องมือทางเลือกเท่านั้น แต่ยังให้คำอธิบายที่อธิบายได้ โดยเน้นว่ายีนใดเฉพาะและส่วนใดของโครงสร้างโมเลกุลของสารประกอบที่ให้ความสนใจมากที่สุดในขณะที่ดำเนินการทำนาย นักวิจัยสามารถใช้ข้อมูลนี้เพื่อเป็นแนวทางในการปรับปรุงหรือนำยาที่มีอยู่กลับมาใช้ใหม่ได้ เช่นเดียวกับการพัฒนายาใหม่
นักวิจัยสามารถลองออกในขณะนี้และคาดการณ์ความไวของยาต้านมะเร็งที่มีของเราบริการเว็บ รายละเอียดเพิ่มเติมเกี่ยวกับ PaccMann มีอยู่ในเว็บไซต์ของโครงการเช่นเดียวกับการใช้งานโอเพ่นซอร์ส
INtERAcT : เครื่องมือในการดึงความรู้จากสิ่งพิมพ์ทางวิทยาศาสตร์โดยอัตโนมัติ
INtERAcT (Interaction Network infErence จาก vectoR เป็นตัวแทนของคำ) เป็นแนวทางใหม่ในการดึงข้อมูลเกี่ยวกับปฏิกิริยาระหว่างโปรตีนกับโปรตีนจากเอกสารทางวิทยาศาสตร์ในลักษณะที่ไม่ได้รับการดูแลอย่างสมบูรณ์
โดยปกติวิธีที่โปรตีนโต้ตอบกันจะได้รับการควบคุมอย่างดี อย่างไรก็ตาม ในโรคต่างๆ เช่น มะเร็ง กระบวนการทางชีววิทยาที่ถูกรบกวนจะสะท้อนให้เห็นและอาจเกิดจากปฏิกิริยาระหว่างโปรตีนกับโปรตีนที่เปลี่ยนแปลงไป ความรู้จำนวนมหาศาลเกี่ยวกับปฏิสัมพันธ์ของโปรตีนที่สำคัญเหล่านี้ถูกฝังไว้เป็นข้อความที่ไม่มีโครงสร้าง ในรูปและแผนภูมิที่มีอยู่ในสิ่งพิมพ์ทางวิทยาศาสตร์ แม้ว่าความรู้ที่ครอบคลุมเกี่ยวกับปฏิกิริยาของโปรตีนเป็นพื้นฐานในการวิจัยทางชีวการแพทย์ แต่นักวิทยาศาสตร์คนใดจะพยายามเข้าถึงข้อมูลนั้นโดยการอ่านสิ่งตีพิมพ์ที่มีอยู่ทั้งหมดจริงๆ จากการศึกษาบรรณานุกรมเมื่อเร็ว ๆ นี้มีการเผยแพร่บทความทางวิทยาศาสตร์ประมาณ 17,000 บทความโดยเฉลี่ยทุกปีในด้านการวิจัยโรคมะเร็งเพียงอย่างเดียว – และผลลัพธ์ก็เพิ่มขึ้นอย่างทวีคูณ
INtERAcT ใช้ประโยชน์จากแนวคิดของการฝังคำ[v]ประมวลผลข้อความจากสิ่งพิมพ์ด้านชีวการแพทย์ขนาดใหญ่ และกำหนดตัวชี้วัดใหม่เพื่อหาปริมาณปฏิสัมพันธ์ระหว่างโปรตีน คุณลักษณะที่โดดเด่นที่สุดของ INtERAcT คือไม่ต้องใส่คำอธิบายประกอบหรือปรับแต่งข้อความด้วยตนเอง ในการศึกษาเมื่อเร็วๆ นี้ เราเปรียบเทียบ INtERAcT กับเมตริกมาตรฐานจำนวนหนึ่ง และมีประสิทธิภาพเหนือกว่าเมตริกเหล่านั้นอย่างมากในกลุ่มมะเร็ง 10 ชนิดโดยใช้ฐานข้อมูลSTRINGเป็นข้อมูลอ้างอิง [vi]ยิ่งกว่านั้น INtERAcT เมื่อเปรียบเทียบกับการโต้ตอบที่ขุดด้วยข้อความที่มีอยู่ใน STRING พบว่ามีความสัมพันธ์ที่แน่นแฟ้นยิ่งขึ้นกับการโต้ตอบที่ตรวจสอบโดยใช้ระดับหลักฐานต่างๆ
จุดแข็งเฉพาะของ INtERAcT คือความสามารถในการอนุมานปฏิสัมพันธ์ในบริบทของโรคที่เฉพาะเจาะจง การเปรียบเทียบกับปฏิสัมพันธ์ปกติในเนื้อเยื่อที่มีสุขภาพดีอาจช่วยให้เข้าใจกลไกของโรคได้
โต้ตอบเป็นโอเพนซอร์สและสามารถใช้ได้เป็นบริการเว็บ เรียนรู้ทุกอย่างเกี่ยวกับเรื่องนี้ในเว็บไซต์ของโครงการ

สล็อตออนไลน์

PIMKL : สู่การทำนายฟีโนไทป์ที่ตีความได้โดยใช้ข้อมูลเส้นทาง
การทำนายความก้าวหน้าของโรคโดยอาศัยข้อมูลระดับโมเลกุลที่ได้จากตัวอย่างเนื้อเยื่อที่เป็นโรคและการแบ่งชั้นหรือการจำแนกประเภท ผู้ป่วยจึงเป็นขั้นตอนสำคัญที่จะช่วยให้แพทย์ปรับแต่งและออกแบบการรักษาที่มีประสิทธิภาพได้ดียิ่งขึ้น แม้ว่าจะมีการเสนออัลกอริธึมเครื่องจักรจำนวนหนึ่งเพื่อแก้ปัญหานี้ แต่หลายขั้นตอนล้มเหลวในการให้การคาดการณ์ที่ตีความได้ ซึ่งเป็นลักษณะสำคัญสำหรับการนำวิธีการดังกล่าวไปใช้ในอุตสาหกรรมการดูแลสุขภาพ
IBM ได้สร้างPIMKL (การเรียนรู้หลายเคอร์เนลที่เกิดจากวิถี) ซึ่งเป็นอัลกอริธึมการเรียนรู้ด้วยเครื่องใหม่ที่สามารถสร้างประสิทธิภาพการทำนายสูงและความสามารถในการตีความในการทำนายฟีโนไทป์ตามข้อมูลระดับโมเลกุล PIMKL เปิดใช้งานสิ่งนี้โดยใช้ประโยชน์จากความรู้เดิมเกี่ยวกับปฏิสัมพันธ์ระดับโมเลกุล โดยเฉพาะอย่างยิ่ง เราป้อนข้อมูล PIMKL เกี่ยวกับเครือข่ายระดับโมเลกุลและเส้นทางที่อธิบายกระบวนการทางชีวโมเลกุลที่กำหนดไว้อย่างดี การใช้เทคนิคการเรียนรู้ด้วยเครื่องที่เรียกว่าการเรียนรู้หลายเคอร์เนล PIMKL ระบุเส้นทางของโมเลกุลที่มีความสำคัญสำหรับการจำแนกกลุ่มผู้ป่วย ข้อมูลเชิงลึกเกี่ยวกับความแตกต่างระหว่างกลุ่มผู้ป่วยที่มีให้ ต้องขอบคุณความสามารถในการตีความของแบบจำลอง จึงสามารถนำไปสู่ความเข้าใจที่ดีขึ้นเกี่ยวกับความก้าวหน้าของมะเร็ง
ในการศึกษาของเรา เราได้กล่าวถึงงานคาดการณ์โดยเฉพาะว่าผู้ป่วยมะเร็งเต้านมจะมีอาการกำเริบภายในห้าปีหลังจากการรักษาครั้งแรกหรือไม่ เพื่อเปรียบเทียบ PIMKL เราเปรียบเทียบกับอัลกอริธึมที่คล้ายกันอีก 14 แบบที่เคยใช้กับกลุ่มมะเร็งเต้านม 6 กลุ่ม PIMKL มีประสิทธิภาพเหนือกว่าคู่แข่งอย่างต่อเนื่องหรือติดอันดับหนึ่งในอัลกอริธึมที่มีประสิทธิภาพสูงสุดในแต่ละกลุ่ม [vii]
ลายเซ็นระดับโมเลกุลที่ระบุโดย PIMKL กลายเป็นว่ามีความเกี่ยวข้องสูงเช่นกันเมื่อเราใช้อัลกอริทึมกับข้อมูลที่มองไม่เห็นจากกลุ่มอื่นกับที่ใช้ในการฝึกอบรม นี่เป็นข้อบ่งชี้ว่าความรู้ที่ได้รับเกี่ยวกับความก้าวหน้าของโรคสามารถถ่ายโอนข้ามชุดข้อมูลและกลุ่มประชากรตามรุ่นได้ จุดแข็งของ PIMKL ปรากฏขึ้นเมื่อเราฝึกมันด้วยข้อมูลที่มีเสียงดังจากเลเยอร์ omicต่างๆ เช่น ข้อมูลทางพันธุกรรม ข้อมูลทางพันธุกรรม หรือโปรตีน ถึงอย่างนั้น PIMKL ก็พิสูจน์แล้วว่าสามารถทิ้งเสียงรบกวนและเลือกข้อมูลที่มีข้อมูลมากที่สุดโดยไม่ลดประสิทธิภาพลง
เราปรับใช้ PIMKL บน IBM Cloud นักวิจัยสามารถเข้าถึงบริการเว็บหรือใช้โอเพ่นซอร์สโค้ดและใช้ข้อมูลของตนเองเพื่อทำการทดลอง และรับลายเซ็นโมเลกุลที่เสถียร เรียนรู้เพิ่มเติมเกี่ยว PIMKL บนเว็บไซต์ของโครงการ
อัลกอริธึมที่นำเสนอทั้งสามนี้แสดงให้เห็นว่าสามารถใช้วิธีการเรียนรู้ด้วยเครื่องเพื่อความก้าวหน้าในการวิจัยทางชีวการแพทย์เกี่ยวกับโรคที่ซับซ้อน เช่น มะเร็งได้อย่างไร งานของเรายังแสดงให้เห็นว่าเป็นไปได้ที่จะรวมการอธิบายไว้ในอัลกอริธึม ซึ่งจะช่วยเสริมความไว้วางใจในขณะเดียวกันก็เป็นแนวทางในการค้นหากลไกการเกิดโรค เรายังคงทำงานเพื่อปรับปรุงโซลูชันเหล่านี้ต่อไป เราหวังว่าจะเพิ่มผลกระทบเชิงบวกในชุมชนวิทยาศาสตร์ด้วยการทำให้เผยแพร่ต่อสาธารณะ
57 THการประชุมประจำปีของสมาคมภาษาศาสตร์ ( ACL 2019 ) จะเกิดขึ้น 28 กรกฎาคม – 2 สิงหาคมในฟลอเรนซ์, อิตาลี มี IBM วิจัย AIจะนำเสนอเอกสารทางเทคนิคอธิบายผลล่าสุดในการผลักดันในระยะยาวของเราที่จะช่วยเหลือ AI ระบบภาษาหลัก
ผู้คนจำนวนมากโต้ตอบกับแชทบอทและผู้ช่วยในตัวทุกวันเพื่อแบ่งปันและรับข้อมูล — แต่การโต้ตอบส่วนใหญ่เป็นการแลกเปลี่ยนถามตอบอย่างง่าย ๆ ที่ได้รับการสนับสนุนโดยการประมวลผลภาษาธรรมชาติ (NLP) เป้าหมายระยะยาวของเราใน IBM Research คือการพัฒนาให้เหนือกว่า NLP เพื่อให้ AI สามารถสะท้อนปฏิสัมพันธ์ระหว่างมนุษย์กับมนุษย์ได้ดียิ่งขึ้น แม้กระทั่งให้เหตุผลและสร้างการตอบสนองต่อคำถามของตัวเอง
IBM Research มุ่งเน้นเฉพาะการย้ายจาก NLP ไปเป็นการทำความเข้าใจภาษาธรรมชาติ (NLU) NLU ก้าวไปไกลกว่า NLP ขั้นพื้นฐานในปัจจุบัน ด้วยการติดตั้งระบบ AI ที่มีความสามารถในการดูดซับ แยกแยะ และสร้างการตอบสนองตามการวิเคราะห์ข้อมูลเชิงบริบทโดยรอบ นักวิทยาศาสตร์ของไอบีเอ็มจะเปิดเผยงานวิจัยใหม่ที่ก้าวหน้าในด้านการศึกษานี้ที่ ACL ตั้งแต่การแยกวิเคราะห์เชิงความหมาย ไปจนถึงการทำความเข้าใจข้อความที่ไม่สมบูรณ์และผลลัพธ์ที่ดีขึ้นของระบบ NLP
[NPC4]IBM Research ภูมิใจสนับสนุน ACL 2019 ในระดับแพลตตินัม ที่บูธของเรา (#2) เราจะจัดแสดงนวัตกรรมล่าสุดหลายอย่างจากทีมวิจัยระดับโลกของเรา รวมถึงสองนวัตกรรมจากแทร็กการสาธิตระบบที่ได้รับการยอมรับ: GLTRซึ่งเป็นวิธี ‘visual forensics’ ใหม่ที่ช่วยให้มนุษย์และ AI ทำงานร่วมกันเพื่อตรวจจับของปลอม text และHEIDLซึ่งเป็นเครื่องมือที่ช่วยสร้างแบบจำลองที่มนุษย์สามารถตีความได้สำหรับ NLP
นอกจากนี้ ในบูธของเรายังมีการสาธิต IBM Research Project Debaterซึ่งเป็นระบบ AI แรกที่อภิปรายเกี่ยวกับมนุษย์ในหัวข้อที่ซับซ้อน โปรเจ็กต์นี้เป็นก้าวสำคัญสู่การเรียนรู้ภาษา ที่ ACL นักวิจัยที่อยู่เบื้องหลังเทคโนโลยีจะนำเสนอเอกสารสี่ฉบับที่บรรลุเป้าหมายนี้
โปรดแวะที่บูธ (หยิบของติดตัว) และเข้าร่วมการนำเสนอและเวิร์กช็อปของเราตามรายการด้านล่าง หวังว่าจะได้พบคุณที่ฟลอเรนซ์!
ในปี 2016 เราได้เปิดตัวโครงการScience for Social Good ที่ IBM Research เพื่อจัดการกับความท้าทายทางสังคมและมนุษยธรรมด้วยข้อมูลและปัญญาประดิษฐ์ การทำงานร่วมกันระหว่างนักวิทยาศาสตร์และวิศวกรระดับแนวหน้าของเรา องค์กรเพื่อการเปลี่ยนแปลงทางสังคม และเพื่อนร่วมงานจากมหาวิทยาลัย โปรแกรมของเราพยายามที่จะบ่มเพาะแนวทางใหม่ ๆ ให้กับปัญหาเร่งด่วนที่สุดบางประเด็นที่มนุษยชาติกำลังเผชิญอยู่
ตั้งแต่นั้นมาเราได้ดำเนินการ 28 โครงการจากโรคระบาดความเข้าใจในการสร้างเปปไทด์ต้านจุลชีพในการสร้างแบบจำลอง ความเกลียดชัง, การพัฒนาองค์ความรู้ให้คำปรึกษาว่าคู่มือผู้คนออกจากความยากจน เราทำได้โดยอาศัยนักวิจัยของเรามากกว่า 110 คนที่อาสาใช้ทักษะ ความเชี่ยวชาญ และความสนใจเฉพาะตัวในโครงการเหล่านี้ เรายังมีส่วนสนับสนุนเอกสารทางวิทยาศาสตร์ 47 ฉบับและมอบทุนสำหรับนักเรียนดีเพื่อสังคม 36 ทุน มันเป็นการเดินทางที่ค่อนข้าง
เรายินดีที่จะประกาศโปรแกรมของเราในวันนี้ ฉบับที่ 4 ปี 2019 โครงการในปีนี้ ได้แก่
แนวทางการกำหนดแนวทางในการจัดการกับการระบาดของโรคฝิ่น ( พันธมิตร: IBM Watson Health ): การใช้ยาในทางที่ผิดเป็นหนึ่งในวิกฤตการณ์ด้านสุขภาพของประชากรที่อันตรายที่สุดในสหรัฐอเมริกา ในกรณีส่วนใหญ่นี้เกิดจากใบสั่งยา การทำความเข้าใจรูปแบบของการเสพติด การเรียนรู้แนวทางตามหลักฐานสำหรับการสั่งจ่ายยาที่รับผิดชอบ และการสร้างระบบเตือนภัยล่วงหน้าเป็นเครื่องมือสำคัญในการต่อสู้กับโรคระบาด ทีมงานจะจับคู่แมชชีนเลิร์นนิงขั้นสูงและวิธีการอนุมานเชิงสาเหตุกับความมั่งคั่งของข้อมูล IBM Watson Health เพื่อพัฒนาข้อมูลเชิงลึกและให้บริการแก่ผู้ให้บริการ ผู้จ่ายเงิน และเจ้าหน้าที่สาธารณสุข
Causal Pathways Out of Poverty (พันธมิตร: CityLink Center) : ทีมงานจะมุ่งสร้างแบบจำลองเส้นทางออกจากความยากจนสำหรับลูกค้าของ CityLink Center ซึ่งเป็นผู้ให้บริการทางสังคมแบบบูรณาการที่ไม่แสวงหาผลกำไรในซินซินนาติ รัฐโอไฮโอ โดยเฉพาะอย่างยิ่ง ทีมงานจะสำรวจการสร้างแบบจำลองการบริการทางสังคม เช่น การให้คำปรึกษาแบบตัวต่อตัวและชั้นเรียนแบบกลุ่มเป็นกิจกรรมที่เกี่ยวข้องกับการประทับเวลา ด้วยการใช้ชุดข้อมูลตามยาวที่เป็นเอกลักษณ์ แบบจำลองเชิงสาเหตุของเหตุการณ์และผลลัพธ์ เช่น การจ้างงาน สุขภาพ การศึกษา และที่อยู่อาศัย จะถูกพัฒนาที่เผยให้เห็นความน่าจะเป็นการเปลี่ยนแปลงที่อาจเกิดขึ้นและเวลาที่คาดหวังในการเปลี่ยนแปลง – มาตรการที่มีความหมายต่อ CityLink Center สำหรับการวางแผนการดำเนินงานและการให้ข้อมูลเชิงลึกแก่ ที่ปรึกษา
การนำยามาใช้ใหม่เพื่อรักษาโรคมะเร็ง(พันธมิตร: การรักษามะเร็งในระยะใกล้) : ข้อมูลจำนวนมากชี้ให้เห็นว่ายานอกสิทธิบัตรหลายร้อยชนิดที่รู้จักกันดีในการรักษาสิ่งบ่งชี้ที่ไม่เป็นมะเร็งก็อาจมีประโยชน์สำหรับการรักษามะเร็งเช่นกัน ทีมงานจะใช้แนวทางที่เป็นระบบเพื่อค้นหาและประเมินหลักฐานทั้งหมดเกี่ยวกับยาสามัญที่ไม่เป็นมะเร็งเหล่านี้ ทีมงานจะใช้เทคนิคการประมวลผลภาษาธรรมชาติเพื่อวิเคราะห์วรรณกรรมทางวิทยาศาสตร์เพื่อเปิดเผยการวิจัยทางคลินิกในระยะพรีคลินิกและในระยะเริ่มต้นเกี่ยวกับยาเหล่านี้ที่กำลังได้รับการทดสอบเพื่อใช้ในการรักษามะเร็ง เนื่องจากมีสิ่งพิมพ์ที่เกี่ยวข้องหลายพันฉบับ ด้วยจำนวนนี้เพิ่มขึ้นอย่างต่อเนื่อง ทีมงานจะไปไกลกว่าแค่การค้นพบสิ่งพิมพ์ พวกเขายังจะพัฒนาแบบจำลองเพื่อเก็บข้อมูลสำคัญเกี่ยวกับเอกสารแต่ละฉบับโดยอัตโนมัติ เช่น ชนิดของมะเร็งที่ศึกษา ประเภทของการศึกษาที่ดำเนินการ และลักษณะของหลักฐานที่รายงาน
ความเป็นธรรมในการวินิจฉัยโรคมะเร็งผิวหนังด้วย AI: บุคคลที่ผิวเบามีความเสี่ยงสูงสุดในการพัฒนาโรคมะเร็งผิวหนัง แต่อัตราการตายสำหรับแอฟริกันอเมริกันในสหรัฐอเมริกาจะสูงเนื่องจากการวินิจฉัย ในต่างประเทศความท้าทายการตรวจหาเนื้องอกที่ผ่านมา วิธีการเรียนรู้เครื่อง achiev เอ็ด วิเศษประสิทธิภาพ ในการตรวจสอบเนื้องอก และ มันเป็นสิ่งสำคัญที่ไม่เสมอภาคที่ผ่านมาไม่ได้รับการแพร่กระจายในรูปแบบการเรียนรู้ ทีมงานจะพัฒนาวิธีการใหม่ๆ ในการสร้างแบบจำลองการวินิจฉัยโรคมะเร็งผิวหนังด้วย AI ที่เกี่ยวข้องกับประชากรทั้งหมดทั่วโลก
[NPC5]- ที่น่าเชื่อถือ AI ปัญจกรีฑา:มันเป็นที่รู้จักกันดีว่ามachine การเรียนรู้รูปแบบสามารถ achiev อี มีความแม่นยำสูงสำหรับงานต่างๆ แต่ความถูกต้องเพียงอย่างเดียวไม่ได้เป็นเกณฑ์ที่แข็งแรงพอที่จะรับความไว้วางใจของผู้ใช้โดยเฉพาะอย่างยิ่งสำหรับการเดิมพันสูงในการตัดสินใจ เกณฑ์อื่นๆ อีกหลายประการก็มีความสำคัญเช่นกัน เช่น การอธิบายได้ ความเป็นธรรม ความทนทานต่อการเปลี่ยนชุดข้อมูล และความทนทานต่อตัวอย่างที่เป็นปฏิปักษ์ ทีมงานจะมุ่งพัฒนาชุดข้อมูลการเปรียบเทียบ แบบจำลองพื้นฐาน และการแข่งขันสำหรับนักวิจัยด้านแมชชีนเลิร์นนิงเพื่อประเมินแบบจำลองตามเกณฑ์ทั้งห้าข้อดังกล่าว โครงการอาจใช้หลามเปิดแหล่งที่มาขัดแย้งทนทาน ToolboxและAI ความเป็นธรรม 360 ชุดเครื่องมือ