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.
O modelo desenvolvido usou a técnica de transfer learning para conseguir generalizar as propriedades físico-químicas das moléculas inibidoras a partir de um dataset pequeno, produzindo ao final 79 novas moléculas candidatas. O estudo foi validado confirmando o potencial dessas moléculas através de métodos tradicionais, mais complexos e dispendiosos.
O sistema foi treinado com imagens disponíveis publicamente no GitHub. Por enquanto ele pode ser usado para direcionar pacientes em atendimento inicial para exames mais específicos, mas se treinado com mais dados, ele poderá fazer predições sobre o avanço da doença nos pacientes infectados.
O número de camadas escondidas depende da complexidade da relação entre as dimensões dos dados tratados, indo desde os casos lineares (que não precisam de camada escondida) até os casos que não podem ser descritos por equações (onde geralmente 2 camadas escondidas são suficientes). O número de neurônios é uma questão mais empírica, mas existem algumas sugestões para a abordagem inicial.
O modelo foi treinado com quatro datasets diferentes: o primeiro contendo diálogos reais, o segundo com diálogos de teor empático, o terceiro contendo diferentes tipos de personalidade, e o quarto com conhecimento geral sobre o mundo. Assim, o chatbot desenvolvido é capaz de se engajar em diálogos mais naturais.
Neste post iremos finalizar a série sobre: “Como simular emoções em agentes?” Irei descrever como robôs considerados simples conseguem fazer com que pessoas percebam que esse agentes tenham emoções.
