در حالی که COVID-19 به همهمه جهانی ادامه می دهد ، دانشمندان و مقامات بهداشتی در سراسر جهان حداقل از یک مسئله متحیر شده اند – نرخ بالای عفونت و مرگ و میر در ایتالیا ، در مقایسه با بقیه جهان. چندین نظریه مطرح شده است. آیا این امر به دلیل نامتناسب بودن درصد بالای افراد مسن در ایتالیا بوده است؟ اما پس از آن ژاپن نیز جمعیت بسیار پیری دارد و با این حال تأثیر Covid-19 در ژاپن به اندازه ایتالیا بسیار بد نبود. آیا درصد بالای افراد سیگاری در ایتالیا و ظرفیت ریه آنها بود؟ اما پس از آن کشورهایی مانند یونان و روسیه از نظر سیگار کشیدن رتبه بالاتری دارند و با این وجود میزان نفوذ کووید در این کشورها نسبت به ایتالیا نسبتاً کوچک است.
Vodafone اخیراً داده های ناشناس مشتری را برای ردیابی و تجزیه و تحلیل تحرکات جمعیت در ایتالیا ، جایی که یک قفل به دستور دولت وجود دارد ، در اختیار مقامات ایتالیایی قرار داد. یک بینش اساسی از تجزیه و تحلیل داده های مخابراتی این بود که با وجود قفل شده ، 40 درصد از ساکنان میلان هنوز هر روز از محدوده 300 تا 500 متری خانه خود نقل مکان می کنند. در حالی که کاملاً قانونی بود ، ردیابی قبلاً به ساکنان اعلام نشده بود.
این داده های زمان واقعی شرکت های مخابراتی بود که میزان عدم انطباق با اقدامات فاصله اجتماعی را نشان داد. این عدم انطباق فاصله اجتماعی و انزوا از خود احتمالاً عامل مهمی در میزان انتشار Covid-19 در ایتالیا است. استفاده از چنین تجزیه و تحلیل داده هایی در درک ما از دلایل همه گیری سلامتی ، نتیجه تحول قابل توجهی در توانایی شرکت ها برای جمع آوری مجموعه داده های عظیم و مهار آنها با استفاده از الگوریتم های AI است.
سرعت نوآوری شرکت ها برای جمع آوری و پردازش داده های زمان واقعی بسیار حیرت انگیز است. شرکت های فناوری در آسیا برنامه های موبایلی را توسعه داده اند تا به مردم کمک کند بررسی کنند آیا همان پرواز یا آموزش بیمارهای ویروس تایید شده را انجام داده اند یا نه. مقامات دولتی از این داده ها برای ردیابی افرادی که ممکن است در معرض قرار گرفته باشند ، برای غربالگری آنها و در صورت لزوم قرنطینه استفاده کرده اند. بایدو برای تشخیص تب در فرودگاه ها و ایستگاه های راه آهن از تشخیص چهره مادون قرمز و مجهز به هوش مصنوعی استفاده کرد.
برنامه های یادگیری ماشین برای پیش بینی اندازه و سرعت شیوع در مناطق مختلف چین ، پست های رسانه های اجتماعی و داده های جستجوی موتور جستجو را تجزیه و تحلیل کرده اند. شرکت های چینی از پهپادها و روبات ها برای انجام تحویل بدون تماس و اسپری مواد ضد عفونی کننده در مکان های عمومی استفاده می کنند. DeepMind گوگل با استفاده از یادگیری عمیق اطلاعات جدیدی در مورد ساختار پروتئین های مرتبط با Covid-19 پیدا می کند که به نوبه خود می تواند سرنخ های مهمی در فرمول واکسن ویروس کرونا فراهم کند.
بنابراین ، پاسخ همه گیر امروز می تواند به دلیل پیشرفت در جمع آوری داده ها و مهار آن داده ها از طریق الگوریتم های AI ، تا حدی متفاوت باشد. قابل توجه است که یک استارت آپ کوچک AI AI کانادایی BlueDot Covid-19 را نه روز قبل از اینکه WHO به مردم در مورد ظهور این ویروس کرونا هشدار دهد ، مشاهده کرد. دانشمندان از نقشه های زمان واقعی و الگوریتم های پیچیده پیش بینی از اپیدمیولوژی برای پیش بینی تعداد افراد آلوده ای که از ووهان خارج شده و با تجزیه و تحلیل الگوهای ترافیک هوایی در سراسر چین ، ویروس کرونا ویروس جدید را ردیابی می کنند ، استفاده کرده اند.
سازمان بهداشت جهانی (WHO) از کشورها خواسته است که هر مورد Covid-19 را ردیابی و ردیابی کنند. ردیابی و نظارت بر تماس فعالانه افرادی که با هر بیمار مشکوک به Covid-19 تماس گرفته اند ، در کاهش تأثیر و مقیاس این بیماری همه گیر ضروری است. نمونه های موفقی از این روشهای پیش بینی مبتنی بر داده و فناوری که در تایوان ، چین ، سنگاپور ، اسرائیل و کره جنوبی نشان داده شده است. بیمار 31 مورد درخشان تجزیه و تحلیل داده هایی از این دست است.
در طی شیوع های قبلی مانند SARS ، H1N1 و MERS ، نفوذ تلفن های هوشمند ، دقت و ریز بودن داده های مکان مصرف کنندگان ، تنوع رسانه های اجتماعی و داده های وب و پیچیدگی الگوریتم های یادگیری ماشین برای مهار همه این اطلاعات هنوز در مراحل ابتدایی بود. . تلفن های هوشمند امروزی به اندازه کافی پیچیده اند که می توانند نقشه برداری دقیق از الگوهای سفر مصرف کننده را انجام دهند. مصرف کنندگان به تلفن های هوشمند خود چسبیده اند و از این طریق به ارائه دهندگان مخابرات ، سیستم عامل های دیجیتال ، شرکت های فناوری پوشیدنی و توسعه دهندگان برنامه ها می توانند به داده های زمان واقعی دسترسی داشته باشند. در سنگاپور و کره جنوبی ، مقامات همچنین از تصاویر دوربین مدار بسته و سوابق معاملات خودپرداز برای ارتباط با هزاران شهروند استفاده کرده اند. در هنگ کنگ تازه واردان از خارج از کشور ملزم به استفاده از دستبندهای الکترونیکی هستند تا مقامات را قادر به ردیابی حرکات خود کنند.
با وجود چنین نمونه های فزاینده ای از هوش مصنوعی و دانش داده برای ردیابی رفتار مصرف کننده ، یک سوال مهم که ما را مجبور کرده است تجارت بین حریم خصوصی داده ها و بقای انسان است. افراد مشکوک به هوش مصنوعی شکایت دارند که دسترسی به چنین اطلاعات مصرف کننده اتمی نقض حقوق مدنی ما است. این ممکن است یکی از راه های بررسی این مسئله باشد. چشم انداز دیگر این است که از آنجا که زندگی در معرض خطر است ، ضروری است که همه ما از یک لنز متفاوت به حریم خصوصی داده ها نگاه کنیم ، حداقل تا زمانی که این همه گیری کاهش یابد و سرکوب شود.
ما باید هماهنگی م ofثر در به اشتراک گذاری داده ها بین بخش های دولتی و خصوصی را فراهم کنیم. برای تسهیل این امر ، دولت ها باید به ارائه دهندگان مخابرات و شرکت های فنی اطمینان دهند که چنین اشتراک داده ای از هرگونه اقدام منفی نظارتی یا دعاوی خصوصی ، اکنون یا دیرتر ، مستثنی خواهد بود. این معافیت های اجباری اشتراك داده به شدت مورد نیاز است. کار با هم و ایجاد استثنائات محدود در مورد به اشتراک گذاری داده ها در انواع مختلف مجموعه داده ، فراخوان ساعت است. البته ، باید هشدارهای مناسبی در این شیوه های به اشتراک گذاری داده ها لحاظ شود تا تحمل صفر در برابر سو the استفاده از داده ها توسط مقامات دولتی که ممکن است حریم خصوصی افراد را نقض کند ، وجود داشته باشد.
همه گیری هر روز اتفاق نمی افتد. زمانهای چالش برانگیز ، اقدامات نوآورانه و م moreثرتری را با توجه به تفکر نظارتی می طلبند. سیستم عامل های فناوری ، شرکت های مخابراتی و دولت ها باید در چنین شرایطی گرد هم آیند تا با هم همکاری کنند تا تعادل بین محافظت از حریم خصوصی افراد و اشتراک داده ها را که برای منافع عمومی حیاتی است ، برطرف کنند. مصرف کنندگان باید سطح قابل قبولی از حریم خصوصی را مجدداً محاسبه و درونی کنند که نمی توانند در حین موارد اضطراری بهداشت عمومی شامل بیماری های عفونی ، از همان سطح حریم خصوصی شخصی نیز انتظار داشته باشند.
(نویسنده استاد هینز ریل استاد فن آوری ، تجزیه و تحلیل و بازاریابی در دانشکده تجارت لئونارد N. Stern دانشگاه نیویورک است. نظرات بیان شده شخصی است.)