O algoritmo prediz quais porções do vírus serão capazes de gerar resposta imunológica na maior proporção da população, direcionando o desenvolvimento de vacinas para cobrir o maior número possível de pessoas.
Uma pesquisa usando modelos de machine learning conseguiu elucidar quais receptores olfativos respondem a diferentes tipos de molécula, e a partir disso, prever como as moléculas geram diferentes experiências subjetivas do olfato.
Uma rede neural convolucional foi treinada para ser capaz de reconhecer os indivíduos de três espécies de pássaros pequenos, permitindo sua identificação automatizada em estudos que dependem dessa tarefa.
O algoritmo e-prop imita a forma com que os neurônios do cérebro se comunicam, e que é responsável pela alta eficiência energética deste órgão, o que tem aplicação promissora principalmente em dispositivos móveis.
O novo método não depende da marcação química das amostras; os features são obtidos por leitura no infravermelho, e um modelo do tipo random forest faz a classificação entre as duas tipologias possíveis, que têm tratamento clínico diferenciado.
O algoritmo usa princípios de processamento de linguagem natural para procurar perspectivas diferentes sobre vários aspectos de interesse público relacionados ao tema, e os ranqueia com base na qualidade da informação, usando critérios como a confiabilidade da fonte.
Imagens termais obtidas por drones foram analisadas pela inteligência artificial para identificar os ninhos das aves que os fazem no chão, permitindo seu realocamento antes da aragem mecânica do campo.
O projeto que está sendo iniciado vai permitir o monitoramento da ocupação dos veículos de transporte público em tempo real, o que vai permitir aos usuários observar os protocolos de distanciamento social, e às empresas estabelecer o número de veículos que devem atender cada rota para manter o serviço confiável e seguro.
O algoritmo foi treinado em simulações dos níveis de glicose no sangue para propor a dose correta de insulina a ser administrada. Apesar de os dados serem simulados, o modelo foi validado com dados reais, alcançando desempenho equivalente ao de médicos endocrinologistas.
O algoritmo, uma rede neural convolucional, foi treinado para avaliar lâminas com células coletadas durante o exame ginecológico das mulheres participantes, tendo desempenho melhor que as técnicas manuais de análise, além de diminuir a necessidade de exames mais invasivos.
