Оценка того, как можно использовать подход науки о данных для контроля границ во время пандемии Covid-19…

Абстрактный

Сотрудники пограничного контроля могут разумно использовать ключевые принципы науки о данных для выработки эффективных рекомендаций по распределению тестов для прибывающих путешественников. Такой инновационный инструмент, как Eva, может превзойти выборочное тестирование, эпиднадзор или общенациональные методы категоризации, особенно в сложных ситуациях, когда не хватает ресурсов и качественных данных. Это в значительной степени связано с его исследованием данных, которое направлено на группы населения, которым не хватает надежных данных, а также с его способностью оценивать распространенность Covid путем анализа демографической информации пассажиров.

Безусловно, такой алгоритм не может быть единственным решением для защиты границ страны от глобальной пандемии. Но это может быть эффективным способом координации ресурсов тестирования в стране для выявления как можно большего числа бессимптомных путешественников. Обучение с подкреплением является ключевым аспектом этого подхода и позволяет ему распознавать изменяющуюся динамику пандемии, включая всплески в некоторых странах за девять дней до того, как она будет публично признана (Knowledge Wharton 2021). Скептики могут привлечь внимание к проблемам конфиденциальности, стоящим за подходом данных к пограничному контролю, и неизбежному компромиссу между защитой конфиденциальности и здоровьем.

Введение

Еще в самом начале пандемии Covid-19 премьер-министр Греции Кириакос Мицотакис признал, что у его правительства не хватает опыта, чтобы точно решить, как возобновить несущественные поездки. Как описано в редакционной статье Nature (2021 г.), он использовал подход искусственного интеллекта, возглавляемый специалистом по данным из Университета Южной Калифорнии Кимоном Дракопулосом, чтобы наилучшим образом справиться с нехваткой тестовых мощностей и ресурсов. В этом обзоре литературы будет критически оценено применение этой технологии и влияние, которое она оказала на Грецию летом 2020 года, а также будущее использование машинного обучения для достижения общественного блага в сложных обстоятельствах.

Учитывая беспрецедентный масштаб проблем, которые принес Covid, каждое правительство использовало разные подходы к защите своего национального здоровья, иногда ценой социальной свободы. Гупта и др. (2021) объяснил, как некоторые страны, такие как Гавайи, Канада и Новая Зеландия, решили держать свои границы почти полностью закрытыми, что, в свою очередь, разрушило их местную экономику туризма. Реализация такой политики в Греции была бы еще более разрушительной из-за ее экономической зависимости от международного туризма. Летний доход часто может обеспечить финансовую поддержку сектора до конца года, поэтому решение об открытии границ Греции имело особенно высокие экономические альтернативные издержки. Таким образом, требовалось динамичное и интеллектуальное решение для защиты здоровья населения и содействия краткосрочному международному туризму.

Решением стала Eva: алгоритм машинного обучения, который летом 2020 года был развернут в сорока пунктах въезда, включая аэропорты, порты и наземные границы (Gupta et al. 2021). Ответственный за принятие решения о том, какие пассажиры должны быть проверены и изолированы по прибытии в Грецию, он принял во внимание возможности и ресурсы, находящиеся в его распоряжении. Чиригати (2021) выделяет две основные цели инструмента: во-первых, максимизировать выявление инфицированных бессимптомных путешественников (эксплуатация) и, во-вторых, рационально распределять тесты среди категорий путешественников, которые не уверены в данных (исследование).

Уникальным аспектом применения Eva был не байесовский анализ данных о пассажирах, а обстоятельства, в которых оно использовалось, в первую очередь серьезная общенациональная нехватка ресурсов для тестирования и инфраструктуры отслеживания контактов. В пик сезона вместимость позволяла протестировать только 18,4% прибывающих пассажиров, несмотря на одобрение группового тестирования (Obermeyer 2021). Таким образом, его рекомендации должны были быть деликатными, чтобы не перегружать цепочки поставок, мощности лабораторий, транспортную логистику и расходы на персонал.

Учитывая столь быстрое и неожиданное распространение пандемии, было важно не попасть во «вчерашнюю пандемию», используя устаревшие данные или данные, не отражающие ситуацию, в которой находилась Греция в тот конкретный момент времени. В статье Knowledge Wharton (2021) объясняется, что Eva стремилась предложить разумную альтернативу проверке пассажиров по странам и показала, что может определить, наблюдается ли в стране всплеск инфекций, на девять дней раньше, чем при использовании общедоступных данных. Такое сочетание обучения с подкреплением и целевых наборов данных сделало его амбициозным и инновационным пограничным контролем.

Методология

Чтобы подготовить этот обзор, я изучил различную соответствующую литературу, касающуюся использования подходов науки о данных для контроля границ летом 2020 года. Использованы первоисточники в виде отчета создателей Евы и интервью для СМИ с Хамсой Бастани, который был одним из его ведущих разработчиков. Хотя основное внимание уделяется пограничной политике Греции, проводятся сравнения с политикой других стран, в первую очередь с национальными показателями на уровне населения и выборочным наблюдением. Основными элементами, проанализированными в этом обзоре, являются качество общедоступных данных, обучение с подкреплением, распределение тестов и конфиденциальность данных. В каждом литературном произведении есть своя интерпретация того, как Ева и пограничный контроль в целом относятся к этим элементам. Внимание уделяется автору и дате каждого источника, чтобы лучше понять его точку зрения и сферу компетенции.

Основные элементы

Гибкость

Eva была разработана с тремя отдельными элементами: распределение тестов, оценка и извлечение типов. Каждый из них может быть обновлен независимо, без изменения двух других разделов. Это обеспечивает гибкость для корректировки алгоритма в зависимости от развития событий и изменения обстоятельств. За период, когда он действовал в прошлом году, Bastani et al. (2021) сообщили о значительных различиях в пропускной способности между греческим пиковым и непиковым туристическими сезонами. Базовая политика случайного наблюдения выявила бы на 45,9% меньше путешественников, чем Ева, в пик сезона и на 27,6% меньше после октября, когда начинается непиковый сезон. Это демонстрирует, насколько ИИ комфортно превзошел случайное тестирование в оба сезона, но особенно в то время, когда важность разумных решений о распределении тестов была повышена из-за нехватки ресурсов. Точно так же его адаптируемость к потенциальным изменениям, таким как развертывание вакцины или одобрение экспресс-тестирования, означало, что Eva, скорее всего, будет установлена ​​как более постоянная функция, которая может развиваться вместе с пандемией, а не как краткосрочное решение для пограничного контроля. Это связано с тем, что элементы могут быть обновлены в Eva без необходимости внесения масштабных изменений или разработки новой модели.

Качество данных

Оценивая успех Eva и его сравнение с другими мерами пограничного контроля, важно признать его отход от общедоступных данных, который ограничен непоследовательными методами отчетности между странами. Поскольку Covid был настолько беспрецедентным, страны по-разному реагировали на то, как они понимали пандемию и относились к ней. Это включало различия в методах тестирования, задержки в отчетности, цензуру и несоответствие в том, что именно представляет собой смерть, вызванную Covid. Все эти факторы подрывали достоверность международных общедоступных данных и благоприятствовали динамическому наблюдению, основанному на пограничном тестировании. Например, понятно, что тестирование имеет приоритет для людей с симптомами, в то время как у путешественников, как правило, нет симптомов. Таким образом, изучаемая популяция с симптомами не точно представляет бессимптомных пассажиров, которые, вероятно, отправятся в Грецию. В Knowledge Wharton (2021) Бастани даже сказал: «Если у стран нет ресурсов для активного наблюдения за тем, кто приближается к их границам, вероятно, лучше использовать политику, которая имитирует другую страну, которая делает это, а не полагаться только на общественность. данные." Создатели Eva утверждали, что такие средства контроля, не зависящие от страны, были очень ограничены из-за их неспособности определить распространенность среди бессимптомных пассажиров. Это искажение означало, что Eva была в 1,25–1,45 раза эффективнее, чем при использовании метода целевого тестирования, основанного на показателях на уровне населения (Chirigati 2021). Включив демографические данные в свою политику пограничного контроля, он признал разницу в распространенности Covid между подгруппами населения.

Сравнения с другими политиками

Летом 2020 года широко распространенная политика пограничного контроля заключалась в категоризации пассажиров по странам (Obermeyer 2021). Это означает, что пассажиры считались более или менее вероятными инфицированными исключительно на основании общедоступных данных, доступных для каждой страны. Часто применялась политика с цветовой кодировкой, когда страны помещались в «списки» разного цвета в зависимости от их предполагаемой вероятности заражения пассажиров. Опять же, в этом методе преобладали расхождения, поскольку у каждого правительства были бы свои собственные критерии, по которым можно было бы классифицировать другие страны, и в любом случае используемые данные были, как обсуждалось ранее, непоследовательными. У правительств, естественно, будут свои собственные интересы и программы в пользу или не в пользу определенных стран, а также свое собственное мнение о том, как лучше всего рассчитать распространенность Covid. Ева порекомендовала внести в серый список некоторые страны, в которых требуется тестовая поездка с ПЦР. По подсчетам Bastani et al. (2021), летом 2020 года рекомендации серого списка сократили второстепенные поездки на 39% из-за того, что пассажирам было неудобно проходить тест. Поэтому его рекомендация была использована для сокращения количества не пойманных инфицированных путешественников, которые в противном случае могли бы стать расходом для внутренних должностных лиц, занимающихся отслеживанием контактов. По сути, подход, основанный на науке о данных, демонстрирует неадекватность популярной политики пограничного контроля, в которой правительства принимают решения на основе грубых и непоследовательных цифр, а не рекомендаций инструментов машинного обучения, основанных на обновленных и многогранных данных.

Стоимость и распределение тестов

Согласно Чиригати (2021), в период с августа по ноябрь 2020 года было обнаружено, что Ева в два раза эффективнее выявляла инфицированных путешественников, чем выборочное тестирование, которое в какой-то момент было предложенной политикой. Выборочное тестирование может быть полезно для изучения данных, но имеет ограниченную эффективность для распределения тестов, поскольку оно рассматривает группы населения с очень низкой и высокой распространенностью Covid как равные. При координации ресурсов и затрат на тестирование Обермейер (2021) предлагает оценивать ценность теста исключительно по его результату. Отрицательные результаты — это чистая стоимость, не только финансовые затраты на сам тест, но и неудобная задержка для пассажира, свободного от Covid. Принимая во внимание, что положительный результат дает значительные преимущества для пограничного контроля, поскольку он служит для предотвращения въезда инфицированного пассажира в страну и потенциального распространения болезни и / или серьезного заболевания. Вот почему Ева отдавала приоритет пассажирам, которые считаются подверженными наибольшему риску заражения, а не тратила скудные ресурсы на подгруппы пассажиров, вероятность заражения которых статистически доказана. Тем не менее, эта литература не принимает во внимание потенциальную пользу исследования данных отрицательного результата. Например, даже если пассажир может быть не заражен, тест может позволить алгоритму извлечь уроки из этого опыта и обрести уверенность в том, что ранее было неизвестной категорией.

Обучение с подкреплением

Возможно, самой большой силой Евы и аспектом, который отличал ее от ненаучных подходов к пограничному контролю, был ее элемент обучения с подкреплением. Это включало в себя усовершенствование алгоритма на основе собственного опыта обработки информации о пассажирах, касающейся страны происхождения, ранее посещенной страны, демографических данных и других данных (Политика конфиденциальности 2021 г.) из ежедневного в среднем 38 500 форм определения местоположения пассажиров (PLF). Chirigati (2021) подробно описывает регрессию LASSO, которую Eva использовала для извлечения набора интерпретируемых типов пассажиров, а затем метод Байеса, используемый для статистического расчета вероятности распространенности каждого типа. Тесты не были просто распределены по типам на основе высокой распространенности Covid, потому что это было бы пренебрежением к категориям с низкой распространенностью. Этот шаг обратной связи поддерживал исследование данных во всех категориях и был жизненно важен по двум причинам. Во-первых, обеспечить, чтобы в его понимании данных о распространенности Covid не образовались слепые пятна, а во-вторых, предложить своевременную реакцию на недавнюю динамику и развитие передачи вируса. Его тщательное тестирование инфицированных путешественников, у которых не было или еще не было симптомов, позволило распознать всплески в странах на полторы недели раньше общедоступных данных, как это было в случае с Мальтой и Испанией (Gupta et al. 2021). . Поскольку обучение с подкреплением постоянно совершенствует алгоритм машинного обучения, Eva служила более современной альтернативой, которая была особенно применима к Греции, чем другие политики пограничного контроля, благодаря своей постоянно развивающейся интеллектуальной функции сбора данных.

Конфиденциальность

Одним из основных соображений использования такого подхода, ориентированного на данные, который исследует данные на индивидуальном уровне, а не на национальном уровне, является возможность соблюдения индивидуальных прав пассажиров на данные и конфиденциальности. Посоветовавшись с юристами и эпидемиологами, создатели Eva разработали структуру, которая могла бы обрабатывать данные безопасным и надежным образом. Гупта и др. (2021) признали такие меры, как отказ от сбора ненужной информации, такой как номера социального страхования, и отказ от ввода имен или идентифицирующих данных в сам алгоритм. Эти процедуры соответствуют всем законам ЕС о конфиденциальности GDPR. Хотя в данном случае искусственный интеллект выполнил свою задачу, важно помнить об опасностях дальнейшего использования больших данных и машинного обучения для реагирования на чрезвычайные ситуации. Редакция журнала Nature (2021 г.) подкрепила этот тезис, обсуждая, как подобные технологии, такие как распознавание лиц, если они не регулируются и не внедряются безопасным образом, могут быть использованы для вторжения в личную жизнь, даже если они используются от имени политиков. Важно отметить, что в данном случае правила конфиденциальности не были нарушены, однако разработчики должны быть очень осторожны в расширении любого такого инструмента в будущем, поскольку вопрос согласия на конфиденциальность, особенно при работе с разными странами, очень сложен.

Минимизация данных

Принятие метода минимизации данных влечет за собой естественный компромисс с точностью. Есть множество точек данных, например, профессия, которые имеют более высокую корреляцию с распространенностью Covid, чем некоторая информация в PLF. Однако из-за ограничений, связанных с защитой данных и вторжением, создатели Eva не включили их. Obermeyer (2021) признает, что, хотя такие законы о защите данных действуют из лучших побуждений и предназначены для защиты частной жизни населения, в данном случае они могли оказать негативное влияние на его здоровье. Более информированный инструмент пограничного контроля работал бы лучше и максимально увеличил число выявленных инфицированных бессимптомных путешественников (эксплуатация). В литературе не признается, что это тот момент, когда технологическая проблема становится очень политическим решением, поскольку правительство несет ответственность за принятие решения о том, что должно быть приоритетом: контроль за здоровьем или защита конфиденциальности.

Влияние на науку о данных и общество

Искусственный интеллект во время пандемии

Хотя искусственный интеллект и машинное обучение использовались в государственном секторе и раньше, справедливо сказать, что этот метод стал первопроходцем в области использования науки о данных для помощи в контроле границ во время чрезвычайной ситуации. Covid-19 начался как проблема здравоохранения, которая превратилась в глобальную пандемию, проникнув почти во все аспекты общественной жизни, включая безопасность границ. ОЭСР (2021) перечисляет другие способы использования ИИ во время пандемии, включая системы отслеживания контактов, использующие данные геолокации в Израиле, поисковые системы, использующие алгоритмы для отключения дезинформации, и виртуальные медицинские чат-боты во Франции. Теперь, когда со стороны правительства есть явная заинтересованность в использовании таких методов для оказания помощи в социальных вопросах, вполне вероятно, что подобные алгоритмы станут более заметными в других областях государственной политики.

Предвзятость

Фундаментальным вкладом в любые инициативы, использующие ИИ, являются надежные и объективные наборы данных. Если будут разработаны инструменты, помогающие обществу в принятии решений и управлении, то важно обращать внимание на недостатки общества, а не просто отражать их. Это означает, что алгоритмы должны быть сформированы таким образом, чтобы они не увековечивали предубеждения, преобладающие в обществе, а вместо этого предлагали статистически доказуемый подход. Ева помогла правительству Греции решить, какие страны включить в серый список, на основе нескольких проанализированных наборов данных, а не просто оставить это на усмотрение правительств, на которые неизбежно повлияли бы предубеждения и планы. В статье Nature Editorial (2021) исследователи обнаружили, что в таких областях, как медицина и уголовное правосудие, модели с благими намерениями не смогли объективно решить социальные проблемы и вместо этого увековечили предубеждения общества. Таким образом, прозрачный инструмент, такой как Eva, может стать важным инструментом, который заставит другие европейские правительства использовать науку о данных для поиска объективных и статистических решений.

Сбор данных

Уроки, которые можно извлечь из создания Eva, — это тщательный процесс сбора данных, который был разработан в консультации с юристами и эпидемиологами. Как подчеркивается в работе Кана (2021 г.), применяя минимизацию данных, PLF стремились получить только демографическую информацию, которая была бы полезной и придавала силу оценке распространенности. Как всегда, в данных существует компромисс между полезностью и инвазивностью, а другая личная информация, такая как род занятий, хотя и была бы полезна для исследовательских целей, была сочтена слишком навязчивой. Ева является доказательством того, что с минимальным объемом данных от подмножества населения можно создать интеллектуальные и ценные инструменты машинного обучения.

Прозрачность

Бастани и др. (2021) отмечают, что прозрачность и удобство для пользователя были приоритетными, чтобы заинтересованные стороны, не имеющие опыта работы с данными, могли легко интерпретировать результаты и расчеты. Некоторые из результатов Eva могли сначала показаться непоследовательными, особенно определенные диапазоны достоверности и рекомендации для стран с низким уровнем заражения, поэтому интерпретируемые демонстрации в форме панели инструментов хорошо работали для объяснения этих процессов. Обновленные информационные панели, которые были переданы политикам, были частично разработаны для повышения доступности и поддержки со стороны лиц, принимающих решения. Можно надеяться, что после успешного пилотного запуска программы на основе ИИ лица, ответственные за разработку политики, решат использовать эти методы в дальнейшем не только в качестве инструмента пограничного контроля, но и в качестве устройства для исследования данных, которое может помочь в разработке других политик, связанных с Covid, таких как социальное дистанцирование.

v. Адаптация к другим отраслям

Ева, чья базовая модель во многом схожа с моделями, используемыми в цифровой рекламе в социальных сетях (Gersema 2021), продемонстрировала эффективный алгоритм, который учитывает данные отдельных лиц для выработки рекомендаций по распределению тестов. Этот сценарий не уникален для путешествий и, в зависимости от развития пандемии, может возникнуть во многих учреждениях по всему миру. Гупта и др. (2021) предполагают, что если бы университет столкнулся с возможностью тестировать, например, только 1000 человек в неделю, им лучше всего было бы использовать алгоритм, аналогичный Еве, а не случайное наблюдение. Конечно, алгоритм будет адаптирован для учета рискованного поведения и характеристик учащихся, а не информации пассажиров. Особенно с учетом того, что Eva, как технология с открытым исходным кодом, описывается как общедоступная «в интересах воспроизводимости» (Github Vgupta1 2020). Он также предлагает помощь «политикам и исследователям, стремящимся внедрить аналогичные системы», что означает, что его создатели готовы к тому, чтобы его использовала бесплатно любая страна, которая пожелает принять его. Любым пользователям Eva потребуется некоторый уровень адаптации, особенно в отношении сбора данных (PLF), но, учитывая модульность, в которой она была разработана, ее можно применять в различных условиях. Открытый исходный код повысит влияние Eva в будущем, поскольку его можно будет использовать, изучать и тестировать исследователи и новаторы, стремящиеся разработать новый алгоритм.

Логистическая реализация

Тем не менее, важно отметить, что для того, чтобы правительство приняло подход, основанный на методе науки о данных, для решения своих проблем с поездками, это не может быть предоставлено исключительно хорошо разработанному алгоритму. Гупта и др. (2021) описал, что одним из его «двух ключевых выводов» было то, что требуется эффективная реализация, включая функциональную инфраструктуру и операционные системы, которые координируют различные процессы, например сбор данных, связь и логистику тестирования. Чтобы ИИ играл большую роль, им необходимо управлять как частью более широкой программы, в которой различные части работают в тандеме друг с другом. Ведь Ева только дает рекомендации, операторы таких инструментов сами решают, как и принимать или отклонять рекомендации.

vii. Правовые рамки

Один урок, который, безусловно, можно извлечь из этого опыта, заключается в том, что, как обсуждалось в редакционной статье Nature (2021), отсутствует юридическое руководство и ясность в отношении международной политики в отношении данных. Беспрецедентный масштаб пандемии застал многие учреждения врасплох, но позитивное внедрение Евы должно означать новое решение для управления международными кризисами. Соглашения об обмене данными, подобные описанным в Shiraef et al. (2021) может иметь решающее значение для координации пограничного контроля и в значительной степени поможет будущим проектам по работе с большими данными в этой области. Точно так же пересмотр протоколов защиты конфиденциальности будет способствовать более быстрой разработке будущих подходов, ориентированных на данные, поскольку будет меньше неясностей в отношении международных законов GDPR. Правительства, работающие независимо в условиях глобальной пандемии, в лучшем случае неэффективны, а в худшем — контрпродуктивны. Сравнение Греции с другими странами ЕС показало, что совместный подход, подкрепленный правовыми рамками и соглашениями, лучше подготовит мир к следующей чрезвычайной ситуации такого масштаба.

Заключение

В заключение справедливо сказать, что Eva успешно достигла своих целей, предложив улучшенный подход к использованию и исследованию данных. По сравнению с другими вариантами, доступными в то время, в частности, случайным наблюдением и контролем, не зависящим от страны, он получил более высокие показатели выявления бессимптомных путешественников. Это значительное достижение, особенно если учесть сложные условия, в которых он оказался, а именно беспрецедентную чрезвычайную ситуацию, ограниченные ресурсы и экономику, уже находящуюся на пределе. Греция эффективно открыла свои границы для международного туризма в разгар сезона 2020 года и смогла быстро отреагировать на изменения в динамике пандемии в этот период. Как отмечает Obermeyer (2021), партнерство между исследователями и просвещенными политиками привело к созданию инструмента, который принес огромную социальную ценность. Что еще более важно, это дает надежду на будущие решения в области искусственного интеллекта и машинного обучения для принятия решений в области общественного здравоохранения.

Eva не только продемонстрировала заметные успехи, но и выявила ключевые недостатки в политике, основанной на эпидемиологических данных на уровне страны и самих общедоступных данных. Существуют значительные различия между подмножеством населения, которое путешествует, и населением страны в целом. Игнорирование этой разницы при принятии решений о распределении тестов приводит к неэффективному пограничному контролю, при котором многие тесты в группах с низкой распространенностью тратятся впустую, бессимптомные путешественники не проходят тестирование, а слепые зоны данных с низкой достоверностью не исследуются. Конечно, еще большей эффективности можно было бы достичь, если бы мы собирали более подробные демографические данные, чтобы найти более тесную корреляцию между инфицированными пассажирами. Для развития использования науки о данных и искусственного интеллекта в пограничном контроле необходимы дальнейшие исследования и инвестиции в международное законодательство об обмене данными и конфиденциальности. Только тогда можно будет использовать алгоритм машинного обучения для контроля границ с максимальной эффективностью, поскольку он будет работать с более согласованными и подробными данными.

Ссылки

Чиригати, Ф. (2021) Ева спешит на помощь. Природа. Доступно по адресу: https://www.nature.com/articles/s43588-021-00147-3

Редакция Природа. (2021) Греция использовала ИИ для сдерживания COVID: чему могут научиться другие страны. Природа. Доступно по адресу https://www.nature.com/articles/d41586-021-02554-y.

Бастани, Х; Дракопулос, К.; Гупта, В.; Влахояннис, Дж.; Хаджикристодулу, К; Лагиу, П; Магиоркинис, Г.; Параскевис, Д. и Циодрас, С. (2021) Эффективное и целевое пограничное тестирование COVID-19 с помощью обучения с подкреплением. SSRN. Доступно по адресу: https://ssrn.com/abstract=3789038.

Герсима, Э. (2021) Как Греция впускала туристов и не допускала COVID-19. Университет Южной Каролины. Доступно по адресу: https://news.usc.edu/192093/greece-covid-testing-travel-eva-algorithm-usc-study/

GitHub Vgupta1 (2020) Eva Targeted Covid 19 Testing. GitHub. Доступно по адресу: https://github.com/vgupta1/EvaTargetedCovid19Testing

Гупта В. и Дракопулос К. (2021 г.) Мы помогли Греции создать систему искусственного интеллекта, чтобы сделать тестирование на Covid-19 более эффективным. Вот что мы узнали. Предприниматель. Доступно по адресу: www.entrepreneur.com/article/363706.

Кан, Дж. (2021) Уроки редкого успеха ИИ во время пандемии. Удача. Доступно по адресу: https://fortune.com/2021/09/28/ai-pandemic-lessons-eye-on-ai/

Знания Уортон. (2021) Как искусственный интеллект может замедлить распространение COVID-19. Университет Пенсильвании. Доступно по адресу: https://knowledge.wharton.upenn.edu/article/how-artificial-intelligence-can-slow-the-spread-of-covid-19/

Обермейер, З. (2021) Алгоритм машинного обучения для целевого тестирования путешественников на COVID. Природа. Доступно по адресу: ‹https://www.nature.com/articles/d41586-021-02556-w›

ОЭСР (2020 г.) Использование искусственного интеллекта для борьбы с COVID-19. ОЭСР. Доступно по адресу: https://www.oecd.org/coronavirus/policy-responses/using-artificial-intelligence-to-help-combat-covid-19-ae4c5c21/

Шираеф М.А., Херст С., Вайс М.А. и соавт. (2021) COVID Border Accountability Project, закодированная вручную глобальная база данных о закрытии границ, введенная в 2020 году. Научные данные Доступно по адресу: https://doi.org/10.1038/s41597-021-01031 -5