Os pesquisadores utilizaram dados gerados por modelos complexos para treinar uma rede neural na mesma tarefa, reduzindo o custo computacional para a simulação do processo químico em 10 mil vezes.
Como muitas doenças raras se manifestam também por atributos faciais, um algoritmo foi treinado para reconhecer indivíduos similares entre si, e assim ajudar a diagnosticar a doença.
O sistema foi treinado com dados simulados para aprender a administrar e também a otimizar a administração de um agente anestésico, produzindo recomendações de dosagem similares às de médicos anestesistas.
O AlphaCode consegue desenvolver soluções inéditas para problemas complexos, superando os sistemas de IA mais recentes que se limitavam a “traduzir” problemas em linguagem de programação
O sistema usa sensores de alta resolução para monitorar com precisão as condições de trânsito em um cruzamento, e um algoritmo de aprendizagem por reforço para otimizar o tempo em que os veículos ficam parados.
O algoritmo consegue predizer os pontos de contato mais eficientes para a ligação entre duas proteínas, ajudando a estabelecer os complexos que terão melhor desempenho biológico.
Utilizando exames de imagem da retina e técnicas de análise preditiva, o estudo revelou quais variantes de um gene mutado são responsáveis pelo aparecimento dos sintomas e pelo perfil de progressão da doença.
O sistema usa imagens com dados de profundidade para identificar os tipos de alimentos e estimar os volumes ingeridos em uma refeição, permitindo o registro automático dos ingredientes consumidos.
O sistema usa as imagens para prever o tamanho de uma câmara do coração cujo crescimento está associado a episódios de ataque cardíaco.
O estudo demonstrou quais os fatores de maior impacto nos quadros de mortalidade, mas também revelou que a importância desses fatores variava em função da localidade, o que deve permitir desenvolver programas de prevenção mais adequados para cada local.
