discussões
Discussões
O artigo que segue discute muitos pontos que podem auxiliar, dentre eles o fato de o Machine Learning, um ramo da IA, agora pode prever as propriedades físicas e químicas de pequenas moléculas com precisão no nível da mecânica quântica, com custo de tempo muito menor.
Uma explosão de dados biológicos levará aos primeiros candidatos a medicamentos descobertos por um sistema de inteligência artificial nos próximos anos, um feito que promete mudar a maneira como as empresas farmacêuticas conduzem pesquisas.
Como funciona um projeto de data science? Como começar? O que é importante quando se trata desse tema? Muita reflexão no artigo do Technology Review
Artigo do Politico.com mostra fatores pelos quais ainda não se sabe muito sobre IA na saúde, um deles: o desenvolvimento está acontecendo a portas fechadas em laboratórios corporativos.
O fato é, também, que se os formuladores de políticas públicas não puderem ficar de olho na tecnologia, a IA pode ser um exemplo de algo que não sabemos a respeito e que pode prejudicar a população.
Com a atuação da tecnologia na atenção básica, “é possível evitar o desperdício e o mau uso dos recursos.
Já é viável o manejo adequado dos pacientes com doenças crônicas e a promoção da efetiva prevenção, monitorando as pessoas, auxiliando os médicos com prontuários atualizados, antecipando necessidades e indicando hábitos básicos para uma vida mais saudável, para o despertar do autocuidado.”
Pesquisadores de Inteligência Artificial do IIT Hyderabad propuseram um novo método para calcular o Efeito Médio Causal de um neurônio de entrada em um neurônio de saída, dando a possibilidade de entendimento sobre qual parâmetro de entrada é 'causalmente' responsável por uma determinada saída.
Por exemplo, no campo da medicina, é possível, a partir desta ferramenta, saber qual atributo do paciente foi causalmente responsável pelo ataque cardíaco.
Podemos confiar no diagnóstico de modelos de aprendizado de máquina? O impacto da mudança de domínio na classificação de radiografia de peito. Cientistas de Porto Alegre fizeram cruzamento do algoritmo com diferentes bancos de imagem de Raio X e acharam resultados bem diferentes uns dos outros.
Foi avaliada a extensão da mudança de domínio em três dos maiores conjuntos de dados de radiografias de tórax. Mostramos como o treinamento e o teste com conjuntos de dados diferentes (por exemplo, treinamento em ChestX-ray14 e testes no CheXpert) afeta drasticamente o desempenho do modelo, grande questão sobre a confiabilidade dos modelos de aprendizado profundo.
Last updated