Ciência de Dados e Inteligência Artificial ao resgate

Uma empresa local de tecnologia desenvolve em tempo recorde um chatbot que, alimentado com uma sequência de respostas lógicas via WhatsApp ou pela web, realiza um teste rápido com perguntas para identificar se as pessoas podem sofrer sintomas do coronavírus, para confirmar que os sintomas correspondem ao vírus, o chatbot tem a capacidade de encaminhar o paciente para uma consulta médica por videoconferência para verificar com um especialista se ele realmente será infectado e recebe instruções para proceder informado para iniciar a quarentena, e todas as informações coletadas servem para detectar e geolocalizar a evolução da epidemia, o que ajudaria a concentrar esforços para combater o desenvolvimento da doença, alimentando com dados em tempo real a evolução da epidemia, seja realidade ou fantasia? Bem, a realidade está acontecendo agora.

Desde o início da atual pandemia conhecida mundialmente como COVID-19, desenvolveu-se uma corrida para encontrar uma solução na forma de vacinas ou tratamentos eficazes e, a partir de diferentes frentes, trabalhos foram realizados, não estando isentos disso as Ferramentas de Inteligência Artificial articuladas no trabalho dedicado dos laboratórios que, com suas equipes de cientistas de dados, analisam montanhas de dados diariamente, gerando modelos dinâmicos para entender o comportamento do vírus, decifrar seu genoma e prever sua evolução.

Uma série de modelos dinâmicos baseados em Aprendizado de Máquina e Inteligência Artificial foi desenvolvida, analisando dados das ações estudadas do movimento de trabalhadores nas cidades, que visam focar no problema sob a perspectiva das estruturas de propagação de acordo com a forma como indivíduos com diferentes necessidades se deslocam pela cidade, e também são usados, entre outras coisas, para definir setores censitários que permitem, por meio de amostra, estabelecer o comportamento das diferentes fases epidêmicas, os cenários que ocorrerão focando no deslocamento ou deslocamento de indivíduos em uma área metropolitana para determinar como e de que forma será eficaz aplicar uma medida como uma quarentena e como distribuir efetivamente os recursos disponíveis em determinada área (Dalziel, Benjamin D Pourbohloul, Babak e Ellner, Stephen P. 2013)

Padrões de mobilidade de trabalhadores nas cidades. A espessura e a cor das bordas mostram o número de pessoas viajando entre os Setores Censitários (SCs). Os círculos são, na verdade, fronteiras curtas, representando indivíduos que vivem e trabalham no mesmo SC. Cidades maiores tendem a ter padrões de transporte mais organizados, medidos pelo número médio de trabalhadores que têm sua estação de trabalho no mesmo SC que um trabalhador escolhido aleatoriamente (m*). No entanto, as cidades também apresentam diferenças marcantes na organização que são independentes do tamanho populacional.

Vamos analisar um modelo evolutivo

SIR é um modelo matemático que descreve três curvas modelando primeiro a população suscetível a ser infectada, mas ainda não infectada, depois aqueles infectados e, finalmente, aqueles que se recuperam. Tudo isso ajustado conforme o tempo decorrido.

O modelo SIR descreve a mudança na população de cada um desses compartimentos em termos de dois parâmetros, β e γ. β descreve a taxa efetiva de contato da doença: um indivíduo infectado entra em contato com βN outros indivíduos por unidade de tempo (da qual a fração suscetível a contrair a doença é S/N). γ é a taxa média de recuperação: ou seja, 1/γ é o período médio de tempo durante o qual um indivíduo infectado pode transmiti-la.

As equações diferenciais que descrevem esse modelo foram derivadas pela primeira vez por Kermack e McKendrick [Proc. R. Soc. A, 115, 772 (1927)]

Programando um modelo em Python

O código Python a seguir integra essas equações para uma doença caracterizada pelos parâmetros β = 0,2, 1/γ = 10 dias em uma população de N = 500 (talvez gripe em uma escola). O modelo começa com uma única pessoa infectada no dia 0: I(0) = 1. As curvas plotadas de S(t), I(t) e R(t) foram projetadas para parecer um pouco melhores do que os padrões do Matplotlib.

Existem muitas maneiras que a ciência de dados hoje pode oferecer ao caso de contingência gerado pela Covid-19 ferramentas para tomar decisões e ajudar nas ações que as autoridades responsáveis: Será que essa crise será uma oportunidade para o que foi definido como o trabalho mais sexy e legal do século XXI?