Para peneliti menciptakan sistem AI yang dapat memprediksi kondisi angin matahari hingga empat hari sebelum mencapai Bumi, sehingga menawarkan akurasi yang jauh lebih baik dibandingkan metode saat ini. Dengan melatih model gambar ultraviolet Matahari dari Solar Dynamics Observatory NASA, tim menemukan pola yang membantu memperkirakan cuaca luar angkasa yang berpotensi berbahaya. AI Memajukan Tenaga Surya (…)

JetMedia Digital Agency

Bealls, yang mengoperasikan 660 toko di 22 negara bagian, bekerja untuk meningkatkan keakuratan alokasi barang dagangan.

Atas perkenan Bealls

Bealls, pengecer milik keluarga dengan lebih dari satu abad operasi, berupaya meningkatkan keakuratan perencanaan barang dagangannya dan meningkatkan profitabilitas, sehingga bermitra dengan Profitmind, platform AI asli pertama untuk pengecer, diluncurkan pada Januari 2024.

“Kami sedang membangun agen AI untuk perencanaan barang dagangan dan sejauh yang kami ketahui itu adalah agen AI pertama yang melakukan perencanaan barang dagangan dan analitik dan tugas-tugas lainnya,” kata Dr. Mark Chrystal, CEO dan salah satu pendiri Profitmind. “Bealls benar-benar berpikiran maju dan mengatakan ini bisa menjadi pasangan yang sangat bagus untuk apa yang mereka coba lakukan. Kami pergi melalui pilot dengan tim Bealls dan itu bekerja dengan sangat baik.”

“Profitmind telah berada di radar kami selama beberapa tahun,” kata Matt Beall, ketua dan CEO Bealls Inc. “Data akan dikumpulkan dengan cara yang kami buat keputusan logis untuk apa yang harus dibeli lebih banyak, apa yang harus dibeli dengan kami yang akan membantu kami, dan di mana kami akan melakukan lamban, dan tempat-tempat yang dibeli dengan kami.

Beall mengatakan Profitmind akan membantu Bealls, yang berbasis di Bradenton, Florida dan mengoperasikan lebih dari 660 toko di 22 negara bagian, mengidentifikasi dan bertindak berdasarkan tren mikro kecil yang terjadi di tingkat toko individu dan bahwa pembeli mungkin akan kehilangan.

“Kami mungkin telah memasang pagar penjaga dan membatasi diri dari sudut pandang perencanaan dan alokasi dengan jendela pengiriman berdasarkan musim dan transisi yang bahkan tidak nyata,” kata Beall. “Kami mungkin telah membuat keputusan manusia yang bodoh. Solusi ini akan dapat membantu kami memperbaiki itu dan benar -benar membantu kami mendapatkan jauh lebih cepat dan lebih pintar dengan keputusan pembelian kami. Bermacam -macam di tingkat lokasi individu akan jauh lebih baik oleh kemitraan ini.”

Menurut Chrystal, Bealls melihat peningkatan 20% dalam akurasi rencana umum. “Kami juga melihat bahwa tim pembelian menerima 80% dari rekomendasi dari sistem ProfitMind,” katanya. “Ini melihat bisnis dan berkata, ‘Ini tindakan yang harus diambil.’

“Bisnis Bealls sebenarnya adalah bisnis yang sangat dinamis dan sulit untuk diperkirakan mengingat tingkat turnover produk yang tinggi, jadi di pihak kami, kami senang melihat bahwa tim menerima 80% dari peluang yang disajikan ProfitMind kepada mereka,” lanjut Chrystal. “Dalam hal produk, Anda berbicara jual dan seberapa cepat produk bergerak melalui sistem. Pasar sangat dinamis dalam hal membawa produk baru.”

Tidak ada PHK PHK atau kehilangan pekerjaan akibat program, kata Beall. Sebaliknya, waktu pembeli dibebaskan, terutama pada hari Senin pagi ketika mereka “terbiasa mengubur kepala mereka di spreadsheet dan data dan mencoba membuat keputusan,” tambahnya. “Alat ini akan memungkinkan kita untuk menghilangkan semua waktu yang kita habiskan untuk itu dan memungkinkan orang untuk fokus kembali dan melakukan percakapan yang lebih strategis dan membuat keputusan yang lebih strategis tentang cara -cara untuk memajukan bisnis.”

Teknologi ini berbeda dari model pembelajaran mesin tradisional. Tujuannya benar -benar untuk berpikir dan mengoperasikan cara tim ritel itu sendiri, “kata Chrystal, menambahkan bahwa ProfitMind menemukan peluang sehingga dapat mempercepat mereka dan” benar -benar mengeluarkan tim dari jarum taktis di mana analisis tumpukan jerami “.

Dengan begitu, kata Chrystal, mereka dapat bergerak lebih cepat dan lebih fokus pada eksekusi dan pengiriman versus hanya menganalisis bisnis.

Para peneliti telah menemukan tanda molekuler Long Covid pada anak-anak, dapat dideteksi melalui tes darah dan didiagnosis dengan akurasi 93% menggunakan AI. Terobosan ini menandakan kemajuan besar dalam layanan kesehatan anak, yang menawarkan harapan untuk deteksi dini dan perawatan yang disesuaikan. Diagnosis Long Covid Pediatrik Suatu hari nanti, mendiagnosis Long Covid pada anak bisa dilakukan dengan sederhana (…)

RisalahPos.com Network

Related

Peneliti Mount Sinai telah meningkatkan alat AI untuk mendiagnosis gangguan tidur utama dari tes tidur video. Pendekatan mereka, yang menangkap seluk-beluk gerakan tidur dengan peningkatan akurasi, menjanjikan deteksi dini penyakit seperti Parkinson, sehingga menghasilkan perawatan yang lebih disesuaikan. Diagnosis Gangguan Tidur yang Didukung AI Sebuah tim peneliti yang dipimpin oleh Mount Sinai telah (…)

RisalahPos.com Network

Related

Model AI dari Universitas Cambridge dapat memprediksi Penyakit Alzheimer perkembangan dengan 82% ketepatan menggunakan tes kognitif sederhana dan pemindaian MRI, menawarkan alternatif non-invasif dan lebih murah untuk diagnostik tradisional.

Ilmuwan Cambridge telah mengembangkan alat kecerdasan buatan yang mampu memprediksi dalam empat dari lima kasus apakah orang dengan tanda-tanda awal demensia akan tetap stabil atau mengembangkan penyakit Alzheimer.

Tim mengatakan pendekatan baru ini dapat mengurangi kebutuhan akan tes diagnostik yang invasif dan mahal sekaligus meningkatkan hasil pengobatan sejak dini ketika intervensi seperti perubahan gaya hidup atau obat-obatan baru mungkin memiliki peluang untuk bekerja paling baik.

Tantangan Global Demensia

Demensia menimbulkan tantangan kesehatan global yang signifikan, yang memengaruhi lebih dari 55 juta orang di seluruh dunia dengan perkiraan biaya tahunan sebesar $820 miliar. Jumlah kasus diperkirakan akan meningkat hampir tiga kali lipat dalam 50 tahun ke depan.

Penyebab utama demensia adalah penyakit Alzheimer, yang mencakup 60-80% kasus. Deteksi dini sangat penting karena pada saat itulah pengobatan kemungkinan besar akan paling efektif, namun diagnosis dan prognosis demensia dini mungkin tidak akurat tanpa penggunaan tes invasif atau mahal seperti pemindaian tomografi emisi positron (PET) atau pungsi lumbal, yang tidak tersedia di semua klinik memori. Akibatnya, hingga sepertiga pasien mungkin salah didiagnosis dan yang lainnya didiagnosis terlambat sehingga pengobatan tidak efektif.

Memajukan Diagnosis Alzheimer dengan AI

Sebuah tim yang dipimpin oleh para ilmuwan dari Departemen Psikologi di Universitas Cambridge telah mengembangkan sebuah pembelajaran mesin model yang mampu memprediksi apakah dan seberapa cepat seseorang dengan masalah memori dan berpikir ringan akan berkembang menjadi penyakit Alzheimer. Dalam penelitian yang dipublikasikan hari ini (12 Juli) dalam jurnal Kedokteran eKlinismereka menunjukkan bahwa alat tersebut lebih akurat daripada alat diagnostik klinis saat ini.

Untuk membangun model mereka, para peneliti menggunakan data pasien yang dikumpulkan secara rutin, non-invasif, dan berbiaya rendah – tes kognitif dan pemindaian MRI struktural yang menunjukkan atrofi materi abu-abu – dari lebih dari 400 individu yang menjadi bagian dari kelompok penelitian di AS.

Mereka kemudian menguji model tersebut menggunakan data pasien dunia nyata dari 600 peserta lebih lanjut dari kelompok AS dan – yang penting – data longitudinal dari 900 orang dari klinik memori di Inggris dan Singapura.

Implementasi dan Dampak Model AI

Algoritme tersebut mampu membedakan antara orang dengan gangguan kognitif ringan yang stabil dan mereka yang mengalami perkembangan menjadi penyakit Alzheimer dalam kurun waktu tiga tahun. Algoritme tersebut mampu mengidentifikasi dengan tepat individu yang kemudian mengalami Alzheimer dalam 82% kasus dan mengidentifikasi dengan tepat mereka yang tidak mengalaminya dalam 81% kasus hanya dari uji kognitif dan pemindaian MRI.

Algoritme tersebut sekitar tiga kali lebih akurat dalam memprediksi perkembangan Alzheimer daripada standar perawatan saat ini; yaitu, penanda klinis standar (seperti atrofi materi abu-abu atau skor kognitif) atau diagnosis klinis. Hal ini menunjukkan bahwa model tersebut dapat mengurangi kesalahan diagnosis secara signifikan.

Model ini juga memungkinkan para peneliti untuk mengelompokkan orang-orang dengan penyakit Alzheimer menggunakan data dari kunjungan pertama setiap orang di klinik memori menjadi tiga kelompok: mereka yang gejalanya akan tetap stabil (sekitar 50% dari peserta), mereka yang akan berkembang menjadi Alzheimer secara perlahan (sekitar 35%) dan mereka yang akan berkembang lebih cepat (sisanya 15%). Prediksi ini divalidasi ketika melihat data tindak lanjut selama 6 tahun. Hal ini penting karena dapat membantu mengidentifikasi orang-orang tersebut pada tahap yang cukup awal sehingga mereka dapat memperoleh manfaat dari perawatan baru, sementara juga mengidentifikasi orang-orang yang memerlukan pemantauan ketat karena kondisi mereka cenderung memburuk dengan cepat.

Yang penting, 50% orang yang memiliki gejala seperti kehilangan ingatan tetapi tetap stabil, akan lebih baik diarahkan ke jalur klinis yang berbeda karena gejala mereka mungkin disebabkan oleh penyebab lain selain demensia, seperti kecemasan atau depresi.

Potensi dan Aplikasi Masa Depan

Penulis senior Profesor Zoe Kourtzi dari Departemen Psikologi di Universitas Cambridge berkata: “Kami telah menciptakan sebuah alat yang, meskipun hanya menggunakan data dari tes kognitif dan pemindaian MRI, jauh lebih sensitif daripada pendekatan saat ini dalam memprediksi apakah seseorang akan mengalami perkembangan dari gejala ringan menjadi Alzheimer – dan jika demikian, apakah perkembangan ini akan cepat atau lambat.

“Hal ini berpotensi meningkatkan kesejahteraan pasien secara signifikan, menunjukkan kepada kita orang mana yang membutuhkan perawatan terdekat, sekaligus menghilangkan kecemasan bagi pasien yang kami prediksi akan tetap stabil. Di saat tekanan yang sangat besar pada sumber daya perawatan kesehatan, hal ini juga akan membantu menghilangkan kebutuhan akan tes diagnostik yang invasif dan mahal yang tidak perlu.”

Sementara para peneliti menguji algoritme pada data dari kelompok penelitian, algoritme tersebut divalidasi menggunakan data independen yang mencakup hampir 900 orang yang menghadiri klinik memori di Inggris dan Singapura. Di Inggris, pasien direkrut melalui Studi Quantiative MRI in NHS Memory Clinics (QMIN-MC) yang dipimpin oleh rekan penulis studi Dr Timothy Rittman di Cambridge University Hospitals NHS Trust dan Cambridgeshire and Peterborough NHS Foundation Trusts (CPFT).

Para peneliti mengatakan hal ini menunjukkan bahwa hal itu seharusnya dapat diterapkan pada pasien di dunia nyata, dalam lingkungan klinis.

Dr Ben Underwood, Konsultan Psikiater Kehormatan di CPFT dan asisten profesor di Departemen Psikiatri, Universitas Cambridge, mengatakan: “Masalah ingatan umum terjadi seiring bertambahnya usia. Di klinik, saya melihat bagaimana ketidakpastian tentang apakah ini mungkin merupakan tanda-tanda awal demensia dapat menimbulkan banyak kekhawatiran bagi orang dan keluarga mereka, serta membuat frustrasi bagi dokter yang lebih suka memberikan jawaban pasti. Fakta bahwa kita mungkin dapat mengurangi ketidakpastian ini dengan informasi yang sudah kita miliki sangat menarik dan kemungkinan akan menjadi lebih penting seiring munculnya perawatan baru.”

Profesor Kourtzi berkata: “Model AI hanya sebaik data yang digunakan untuk melatihnya. Untuk memastikan bahwa model kami berpotensi diadopsi dalam lingkungan perawatan kesehatan, kami melatih dan mengujinya pada data yang dikumpulkan secara rutin, tidak hanya dari kelompok penelitian, tetapi juga dari pasien di klinik memori yang sebenarnya. Ini menunjukkan bahwa model ini dapat digeneralisasikan ke lingkungan dunia nyata.”

Tim sekarang berharap untuk memperluas model mereka ke bentuk demensia lain, seperti demensia vaskular dan demensia frontotemporal, dan menggunakan berbagai jenis data, seperti penanda dari tes darah.

Profesor Kourtzi menambahkan: “Jika kita akan mengatasi tantangan kesehatan yang semakin besar yang disebabkan oleh demensia, kita akan membutuhkan alat yang lebih baik untuk mengidentifikasi dan melakukan intervensi pada tahap sedini mungkin. Visi kami adalah untuk meningkatkan alat AI kami guna membantu dokter menentukan orang yang tepat pada waktu yang tepat untuk jalur diagnostik dan perawatan yang tepat. Alat kami dapat membantu mencocokkan pasien yang tepat dengan uji klinis, sehingga mempercepat penemuan obat baru untuk perawatan yang mengubah penyakit.”

Referensi: “Penanda yang kuat dan dapat ditafsirkan yang dipandu AI untuk prediksi demensia dini dalam pengaturan klinis dunia nyata” oleh Lee, LY & Vaghari, D et al., 12 Juli 2024, Kedokteran Klinis.
DOI: 10.1016/j.eclinm.2024.102725

Penelitian ini didanai oleh Wellcome, Royal Society, Alzheimer's Research UK, Alzheimer's Drug Discovery Foundation Diagnostics Accelerator, Alan Turing Institute, dan National Institute for Health Research Cambridge Biomedical Research Centre.