機器之心發佈

機器之心編輯部

由南京大學人工智能創新研究院孵化的 AI 新銳公司南棲仙策自主研發了 AI 決策平臺 Universe,爲疫情防控貢獻自己的力量。

讓機器學會決策,用決策改變世界

新型肺炎疫情防控戰火熱進行中,除了逆行的醫護人員外,AI 領域也力求爲疫情防控工作貢獻自己的一份力量。

作爲一家有情懷、有擔當的企業,在祖國正面臨危機的時刻,南棲仙策有義務、更有能力爲抗「疫」貢獻一份自己的力量。

南棲仙策自主研發的 Universe 平臺,搭建數據驅動疫情傳播模型,區別於傳統流行病傳播模型,可以融入更多的專業模型,結合 AI 和疫情傳播專業領域知識,通過對病情傳播進行推演,可有助於疫情防控決策。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

流行病傳播模型
在流行病領域,SIR 模型是常用的流行病傳播模型。SIR 模型關注三類人羣數量,即易感染人數、感染人數、康復人數,如圖 1 所示,SIR 模型主要通過兩個參數來調整三類人羣的轉換,從而模擬疾病的傳播感染和康復過程。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

圖 1. SIR 流行病傳播模型示意圖

顯然,發明於 1760 年的 SIR 模型過於抽象,很多實際影響傳染過程的因素難以在模型中體現,其中一個重要因素就是大多數傳染病都有潛伏期。SEIR 模型在 SIR 模型的基礎上增加了潛伏人羣,如圖 2 所示,SEIR 具有三個待定參數。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

圖 2. SEIR 流行病傳播模型示意圖

SEIR 模型仍然過於簡化,並且由於模型基於動力學方程演算,得到的結果往往過於理想,例如從圖 3 的示例結果可以看到,所有人羣的曲線都非常光滑,與真實數據只能進行大致的匹配。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

圖 3. SIR 和 SEIR 模型的推演結果示例(圖片來源:知乎用戶 qwe14789cn)

是否能設計更加複雜的傳染病傳播模型,既可以符合人們對疾病傳播的理解,又可以更好的描述多種影響因素?要達到這樣的目的,需要模型能夠融入人類知識、又要能夠通過擬合數據來確定模型的多個參數,目前的 AI 模型很難同時具備這兩點。
AI 決策新星公司南棲仙策的 Universe 平臺提供了這樣的能力。下面我們來看看如何在 Universe 中構建更加複雜的傳染病傳播模型。
用 Universe 搭建一個傳染病傳播模型
圖 4 顯示了 Universe 的初始界面。在上方是數據領域,默認有參數模塊用於設置待確定的參數,和變量模塊用於設定計算過程中的變量。在下方是機器學習領域,默認放置了損失函數模塊用於評判模型結果的好壞,以及機器學習算法模塊用於選擇學習方法,系統提供了默認的通用學習方法,一般情況無需修改。其餘界面空間用於搭建模型,系統默認提供了初始化函數。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

圖 4. Universe 模型編輯初始界面

對於模型,我們可以做這樣的假定(注:該假定缺乏專家的支持,不具備權威性,不應被加以任何應用):從某個起點開始,出現了第 0 位感染者;感染者具有潛伏期,這裏我們假設最大潛伏期是 20 天(沒有任何依據),並且我們假設潛伏期具備感染力;潛伏期感染者有一定的機率發病(根據媒體報道,有相當數量沒有任何症狀的感染者),發病的患者有一定機率在醫院被確診(據報道有部分患者未去醫院);在醫院的患者得到了很好的隔離,不再具備傳染能力。
以上假設當然仍然是非常簡化的,這裏我們僅僅根據這樣的假設,演示如何搭建模型。我們在 Universe 中增加傳染函數 FInfection、確診函數 FConfirmation、潛伏期死亡函數 FDeath,和病程發展函數 FProgress。由於我們假設確診患者已隔離,其中的死亡人數對於疾病傳播沒有影響,故略去。另外,我們在數據區域加入某地區真實的累計確診數據 Records。形成的模型我們命名爲「潛伏期發展」模型,結構如圖 5 所示。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

圖 5. Universe 模型構建

下面我們說明每一個模塊的實現。模塊內的編程均爲標準的 Python 語言。在變量模塊中,我們設置的變量包含

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

在初始化函數 Init function 中,我們主要處理初始感染人數。注意到我們假設有最多 20 天的潛伏期,那麼在觀察到第一個確診病人時,潛伏期數組就應該填有前 20 天的感染潛伏人數。然而潛伏人數是未知數,因此我們設定一個待確定參數 PInit,表示第一個確診病人 20 天前的潛伏感染人數。因此 Init function 中的代碼僅僅爲

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

系統將只執行一次 Init function,然後迭代執行整個模型 UT 次。我們設計 FProgress 爲病情進展函數,即把每一天的潛伏期人數往後挪動一天。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

然後在 FInfection 計算一天的感染人數。設定參數有人均每日接觸人數 PContactNum 和接觸平均傳染率 PInfeRatio。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

FConfirmation 函數計算確診人數。假設感染 5 天后有概率 PCon 被確診,並且確診後移出潛伏隊列。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

FDeath 函數計算死亡人數,設定參數 PDeath 爲日均死亡率。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

Loss function 函數計算模型誤差。這裏我們考慮模型得到的確診人數與實際確診人數的誤差。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

最後在 Parameters 模塊列出待確定參數,PInit、PContactNum、PInfeRatio、PCon、PDeath 並並設定合理取值範圍。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

通過以上步驟,就完成了模型的構建,並留出了 5 個待確定參數。啓動系統的訓練過程,片刻即可得出最符合數據的參數值。
模型學習結果
以新加坡爲例,我們將新聞公開報道的新加坡感染者數據輸入,學習得到模型參數。圖 6 顯示了模型對比真實數據的結果,可以看到模型給出的數據已經捕捉到了真實數據的發展趨勢。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

圖 6. 實際數據與模型運行結果。 左: 累計確診人數。 右圖: 日增確診人數。

學到的模型,自然可以在真實數據結束的日期之後繼續推演未來的發展情況,同時還可以推演對疫情進行控制後的發展情況。這裏,我們在四種情況下推演未來 60 天的傳染走勢:不加防控,或者在 2 月 15 日開始加強防控,分別控制人均接觸 15 人、10 人、5 人,不同接觸人數可以通過修改模型的 PContactNum 值實現。圖 7 顯示了在三種情況下的累計和日增確診人數推演結果。可見,如果不加控制,未來 60 天感染人數將迅速增長,可能達到 5000 人,而當人均接觸人數控制在 10 以下時,傳染得以控制,確診人數在 300 人內。

南大孵化,南棲仙策獨創 AI 決策平臺,快速搭建疫情模型

圖 7. 模型推演未來 60 天確診人數發展情況。左:累計確診人數。右圖:日增確診人數。
AI 助力精準決策
在這次的疫情治理中,從體溫測量到機器人配送,人工智能可以在多個方面發揮作用,同時國家也對人工智能行業提出了更大的期望。我們希望能在疫情防控上結合自身的人工智能產品爲國家打贏這場不能輸的防疫戰役貢獻自己的力量,我們研發的可編程決策平臺 Universe 可以助力決策精準化,疫情防控的很多決策都關係到如何平衡經濟發展和疫情控制,一旦決策錯誤,都會付出大量的代價,這就需要人工智能來輔助精準決策。
本文提供的模型是非專業人士的構造的一個簡單模型,在此模型的模擬的結果我們可以看到國家的防控政策對感染率產生了很大的影響,顯然這是一個正確的決策,而且這個決策國家付出了很大的經濟發展的代價,這就凸顯了決策精準的重要性,必須要提升防控政策的準確度,避免防控不力或者過度防控,在什麼時間點,多少省份,實施多嚴格的防控措施都是需要決策的,而這個顯然不能在實際環境中試錯。我們的平臺就提供了一個「零試錯」的環境來給出決策方案,Universe 平臺可以結合其他行業的專業模型(病毒傳播模型,人口流動模型,經濟學模型等等),採用儘量多的數據快速的訓練出一個新的模型,這個模型更加貼近實際的疫情傳播,該模型可以助力提供防控措施的精準決策,使得疫情防控帶來的影響更小,效果更大,兼顧了民生和經濟。
同樣,這個平臺上可以給出更多其他的決策模型,用於各行各業,讓大家享受人工智能帶來的便利。
Universe 平臺即將開放試用,詳情請點擊「閱讀原文」查看。

南棲仙策是南京大學人工智能創新研究院孵化的一家專注於智能決策的人工智能新銳公司,專注於爲各行業客戶提供智能決策策略訓練、遷移等服務,幫助客戶實現自主、智能的決策。

南棲仙策核心技術團隊由首席科學家俞揚教授的帶領,在相關技術領域特別是強化學習、智能對抗等方面處於全國領先,全球知名的地位。俞揚教授被評爲國際「人工智能十大新星」,獲亞太數據挖掘「青年成就獎」。

本 文爲機器之心發佈, **轉載請聯繫本公衆號獲得授權 。**

✄------------------------------------------------ 加入機器之心(全職記者 / 實習生): hr@jiqizhixin.com 投稿或尋求報道:content @jiqizhixin.com 廣告 & 商務合作: bd@jiqizhixin.com

來源鏈接:mp.weixin.qq.com