Vue d'ensemble

Alors que de plus en plus d'entreprises et d'organisations adoptent l'intelligence artificielle (IA) et l'apprentissage automatique (ML), l'un des plus grands obstacles auxquels elles sont confrontées est la pénurie de travailleurs qualifiés. En prévision de la croissance rapide de cette industrie, Amii a commencé à offrir le cours de certification de technicien ML I au début de 2020.

Le cours prépare les personnes ayant des aptitudes techniques à répondre à cette demande croissante et vise à doter les étudiants des compétences suivantes :

• Les compétences nécessaires pour créer avec assurance une analyse de rentabilité pour un projet de ML.

• La capacité d'entreprendre un projet de ML ou de postuler à un emploi comportant des exigences en matière d'IA/ML.

• Une compréhension de toutes les étapes d'un projet de ML

Approche

Dans le cadre du projet final de la première cohorte, en début d'année, les participants devaient définir un problème spécifique en utilisant les ensembles de données COVID-19 du défi UNCOVER COVID-19 sur Kaggle.com, organisé par la Roche Data Science Coalition.

Les étudiants ont mis en œuvre trois algorithmes d'apprentissage supervisé - deux pour la classification et un pour la régression - afin de créer des machines à réponses aux questions (QuAM) qui aident à la prise de décision dans une entreprise théorique. En équipes de quatre, les étudiants ont délimité leur problème, nettoyé, analysé et visualisé les données, construit une QuAM, puis évalué l'efficacité de ces modèles d'un point de vue technique et commercial.

Résultats

Les étudiants ont présenté les projets de base suivants à un panel d'experts du secteur de l'IA, composé de scientifiques, de chercheurs et d'experts commerciaux :

Prévision des niveaux de risque par zone géographique

Le premier groupe a cherché à réduire le nombre de décès dus au COVID-19 en utilisant les données du recensement américain des États et des comtés et le nombre de décès signalés quotidiennement. Compte tenu des tendances de la mortalité, les étudiants ont déterminé les différents niveaux de risque de diverses régions d'une semaine à l'autre, obtenant ainsi un aperçu géographique de la propagation du virus. En fin de compte, l'apprentissage automatique pourrait aider à guider les décideurs politiques dans leur prise de décision en donnant la priorité à la fourniture de ressources et de personnel de santé et en promulguant ou en supprimant les ordres de distanciation sociale et les interdictions de voyager.

Utilisation des tests sanguins pour le diagnostic et la planification du traitement

Le second groupe visait à contenir la propagation du COVID-19 en diagnostiquant avec précision les patients à l'aide de variables extraites de tests sanguins standard. En utilisant une combinaison de connaissances techniques et de connaissances du domaine, le groupe a offert une vision globale du problème qui envisageait les conséquences de fournir aux travailleurs de la santé de première ligne un modèle d'apprentissage automatique comme outil de prise de décision pour le diagnostic et la planification du traitement. L'un des résultats importants de la démonstration de concept de ce groupe est le potentiel de réduction significative du nombre de kits de tests nécessaires, en particulier dans les zones où les kits de tests sont très limités ou totalement inaccessibles.

Prévision de la vulnérabilité à une pandémie

Le troisième groupe s'est concentré sur une population spécifique, dans le but d'identifier les zones qui seraient les plus sensibles au COVID-19, sur la base de facteurs socio-économiques. Le groupe a identifié le potentiel de l'utilisation de l'apprentissage automatique pour classer les niveaux de vulnérabilité des différentes zones en fonction de la compréhension actuelle de l'impact des pandémies sur les communautés vulnérables. Le groupe prévoit que son approche pourrait contribuer à réduire l'impact inégal du COVID-19 ou de maladies infectieuses similaires sur les communautés vulnérables et à risque.

Prévision des admissions à l'hôpital

Le quatrième groupe a utilisé les données relatives aux admissions à l'hôpital pour prédire quels patients COVID-19 diagnostiqués positivement auraient eu besoin d'être hospitalisés. Cela aiderait les travailleurs de la santé à identifier les patients qui devraient être immédiatement admis, ce qui conduirait à un traitement plus efficace et à un rétablissement réussi des patients. En raison de la rareté des données disponibles et du manque d'informations sur l'admission des patients, le groupe a identifié les aspects critiques de l'admission qui peuvent avoir un impact sur le rétablissement des patients. Les facteurs comprennent la variabilité des admissions par rapport à la capacité de l'hôpital, ainsi que la variabilité des ressources disponibles qui peuvent entraîner le refus de patients en raison d'un manque de lits, de ventilateurs ou de personnel.

Conclusion

"La certification de technicien en ML d'Amii m'a permis de travailler sur un projet avec des données réelles et actuelles et m'a donné toutes les connaissances dont j'avais besoin pour commencer. J'ai terminé avec confiance dans ma capacité à comprendre et à mettre en œuvre des modèles ML du début à la fin et j'ai élargi ma compréhension de l'IA et de la façon dont elle peut être appliquée dans les industries actuelles." - Stephanie Husby, cohorte du printemps 2020

Les diplômés du cours de certification "Machine Learning Technician I" d'Amii ont tous obtenu un certificat d'achèvement. Ils sont désormais qualifiés pour intégrer l'IA/ML dans leurs postes actuels ou pour saisir des opportunités d'emploi exigeant l'IA/ML.