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.
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 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.
O modelo foi treinado para identificar lesões malignas e classificar entre 134 doenças possíveis, a partir de imagens. Apesar do auto desempenho, o sistema foi de fato avaliado pelo seu potencial de melhorar o diagnóstico profissional, assim servindo como ferramenta de inteligência aumentada.
