O algoritmo foi treinado para classificar os atributos de personalidade de acordo com a escala Big Five, usando apenas fotografias estáticas, sem expressões faciais. O desempenho foi melhor do que o de pessoas fazendo a mesma avaliação em encontros presenciais.
Através de uma nova métrica, o trabalho consegue identificar as sub-redes que serão relevantes na tarefa para qual a rede neural está sendo treinada. Assim, é possível “podar” a rede numa etapa bem inicial do treinamento, o que diminui seu tamanho e, com isso, o tempo necessário para o treinamento, o que tem impacto direto no custo energético envolvido.
Inspirados por um trabalho do ano passado relatando sucesso na predição de transplante de rim bem sucedido, uma empresa canadense está iniciando um programa para treinar um modelo mais robusto, a ser disponibilizado para auxiliar o paciente recipiente na hora de decidir entre um órgão disponível ou esperar por maior compatibilidade.
Os sensores têm um chip para captura da imagem e outro para processamento, o qual é equipamento com inteligência artificial. Assim, o sensor pode ser ajustado para não produzir a imagem, mas sim a informação de interesse, como presença e contagem de objetos, o que diminui o tempo de processamento e resolve problemas associados à segurança dos dados.
Os dados foram coletados através das informações fornecidas por usuários de um aplicativo de celular. O modelo identificou os sintomas mais relacionados com resultado positivo para a presença do novo coronavírus, permitindo agora gerar alertas sobre a provável infecção quando uma pessoa apresente sintomas similares.
Uma rede neural convolucional foi treinada para contar as células da retina, que morrem durante a progressão do glaucoma, e assim produzir medidas objetivas do estado do paciente com 18 meses de antecedência em comparação ao diagnóstico produzido por médicos especialistas.
Além de modelos de IA treinados para detectar a COVID-19 a partir de exames de imagens, que terá aplicação clínica e científica, a empresa também está lançando uma ferramenta que usa análise inteligente de vídeo e discurso para monitorar os ambientes hospitalares.
A ferramenta foi treinada com mais de 1 milhão de músicas de diferentes gêneros, pareadas com as letras e seus metadados. O modelo aprendeu primeiro a comprimir o áudio original em um espaço latente, e depois a produzir novas músicas nesse espaço latente, a partir do qual uma etapa de descompressão produz as novas músicas.
Usando princípios da área da ciência da computação chamada de ontologia, pesquisadores estabeleceram as características dos conceitos associados ao domínio da doença, assim como suas relações, dotando a inteligência artificial da capacidade de diagnosticar o tipo de epilepsia com poucos dados do paciente.
A rede neural desenvolvida foi treinada em um regime especial, possibilitando grande capacidade de generalização com um número extremamente reduzido de dados de treinamento. Assim foi possível medir o fluxo sanguíneo através de MRI, uma novidade recente, mas num intervalo de tempo de 21 segundos, em comparação com os 25 minutos tradicionalmente necessários.
