二季度点块式DDoS攻击增长了570%

1.了解感染模式

了解冠状病毒感染的第一步也是最直接的措施：确定患者在何处感染以及如何传播，为此，图形数据库是一个特别强大的工具。图形数据库通常源自传统的SQL数据库，它使用GraphQL转换SQL信息，并允许用户更好地可视化各个数据点之间的关系。通过接触追踪，可以通过观察感染者之间的社会关系来确定谁有感染冠状病毒的风险，因此能够看到这种联系是至关重要的措施。

而在更大范围内，绘制社会关系图有助于研究人员确定哪些活动具有感染冠状病毒的更高风险，哪些活动更安全。研究人员使用图形数据库对一系列行为进行建模，并使用这些模型为社区提供关键信息，以减少病毒传播。

通过对冠状病毒数据库进行图形化和建模能够获得更多的见解。这个模型可以帮助研究人员确定这种疾病在很大程度上是人们交流互动时传播的，而不是所谓的线性阈值模型，该模型需要一定的暴露量。本质上，任何一个感染冠状病毒的患者都有可能感染邻居，这是造成这种病毒如此危险的重要原因，因此每次互动都意味着具有感染的风险。

 2.实时跟踪和治疗进展

随着冠状病毒疫情席卷美国各地，却出现了这样一种趋势：即使患者病例大幅增加，其死亡率却随着时间的推移而下降。这是因为医生能够实时汇总和分析患者数据，从而使他们能够快速确定哪种疗法最有效。这是医生早期确定采用类固醇治疗至关重要的方式。

显然，医生正在通过数据库共享有关成功干预措施的信息，但是这些信息可能很有限，这意味着老弱患者可能面临死亡的危险。此外，还有一些其他重要的治疗要素。而位于低收入地区的医院在疫情最严重时比富裕地区的医院更可能出现重大设备短缺的情况。数据库和数据可视化平台帮助医院跟踪和预测关键的供应使用模式，这可能意味着呼吸机甚至重症监护病房床位之间存大很大的差异，甚至面临灾难性的短缺。

 3.跟踪疫苗的开发

尽管了解冠状病毒的传播方式和治疗方法很关键，但大多数专家都认为，除非研发和采用有效的疫苗，否则无法完全控制该病毒的传播。不幸的是，疫苗通常需要很长时间才能生产。例如，研发出第一种水痘疫苗的科学家花费大约5年的时间，而一种疫苗在美国获得美国食品药品监督管理(FDA)的批准上市甚至需要25年的时间。更糟糕的是，研究人员从来没有为其他影响人类的冠状病毒研制出成功的疫苗，例如SARS和MERS这两种严重的冠状病毒。

影响冠状病毒疫苗开发的最大变化是大数据与人工智能模型的交集。目前，这种方法正用于开发多种不同的疫苗，以及确定治疗冠状病毒患者的最佳药物。如果在未来几个月内有疫苗问世，那么可能归功于来自庞大数据库的有效病毒和疫苗模型。

 4.查看本地数据

人们正在多个层面上抗击冠状病毒的传播。尽管全球各地的科学家都在努力了解这种疾病并开发疫苗，并且也推出了很多本地计划，这些计划也依赖于大数据系统。然而在城市或州一级，流行病专家已经使用机器学习来分析数据，并确定侧重于居家隔离、社交距离和地方公共卫生运动的有效性。这些模型可以帮助研究人员直观地了解到，当干预措施达到足够的社区渗透程度从而显著减少病例数量以及其他重要的见解，这些见解将有助于企业、学校和其他设施重新开放，同时保持社区的安全。

大数据将为应对疫情传播提供帮助

尽管人们对疾病传播有足够的了解，可以应付任何传染疾病，但仍有很长的路要走。而人们用来控制冠状病毒传播的许多措施和方法可以追溯到17世纪。然而随着大数据的兴起，研究人员能够比历史上任何时候都更快地获得和了解更多的信息。虽然目前有效的冠状病毒疫苗还没有出现，但在不久的将来会取得长足的进步。

缩短生产时间
尽管数据科学家可以定义他们希望采用人工智能帮助解决、开发和测试模型的业务问题，但他们通常需要IT部门来部署模型。
这有几个问题：首先，IT工作者的技能与数据科学家不同，他们的背景是基础设施、应用程序监控、安全和软件开发。在许多情况下，他们不知道模型是什么，也不知道它能做什么。第二，环境会发生变化，模型甚至在投入生产后也需要更新——这是它无法做到的，因为它们使用的操作系统和编程语言与数据科学家不同。
机器学习操作(MLOps)可以通过创建一个集中式枢纽来帮助解决此问题，在该枢纽中，它们可以一起工作以使人工智能正常运行。作为一个自动化的过程，机器学习操作(MLOps)自行运行，因此数据科学家和IT人员无需担心重新编码语言，不同的操作系统或模型的漂移。与其相反，它只是无缝高效地将模型投入生产，因此可以开始交付业务价值。
监控和管理模型
一旦模型投入生产，就需要对它们进行监视和适当的管理。许多组织没有意识到人工智能模型会随着时间的推移而变化，这意味着如果不经常更新，他们的预测就会变得不那么准确。因此，模型监视对于确保它们利用准确的数据并正确执行非常重要。如果得不到适当的监控，组织可能会失去其利益相关者的信任，甚至会损失收入。
模型治理对于确保组织最好地使用人工智能技术同样重要。随着组织为关键的面向客户和业务流程应用程序开发模型，对治理的需求变得至关重要。生产模型治理的目标是通过控制访问和已建立的更新过程，最大限度地提高成功部署的机会，并将风险降至最低。通过限制谁可以更新模型、维护适当的活动和预测日志，以及充分测试模型，组织可以将风险降至最低，确保法律和法规的合规性，并创建一个可重复的过程来扩大人工智能的采用。
为意外做好准备
正如人们在过去看到的那样，世界可以快速变化，因此需要适当的业务决策和运营。尽管这些异常时期可能会使模型混乱，并使诸如消费者行为之类的事情难以预测，但机器学习操作(MLOps)可以帮助组织获取这些异常数据集，甚至在极端动荡的情况下(例如冠状病毒疫情)也可以使用它们。
借助机器学习操作(MLOps)，组织可以通过在较新的数据集上对模型进行重新训练来“重置”模型，然后迅速将其重新部署到生产环境中。他们可以提供有关数据漂移的方式和程度的指导，强调哪些模型不再做出准确的预测。还有其他时间段的历史数据，例如1973年的石油危机或飓风危机，这些数据可以帮助组织预测像冠状病毒一样严重危机的长期影响。由于疫情的影响每天都在发展和变化，因此机器学习操作(MLOps)可以同时保持对数据可能偏差的监视，并使用自动化功能在数据发生时立即通知其数据和准确性漂移。这样，组织就可以快速重新调整其模型，并获得与市场保持同步所需的见解。
当机器学习操作(MLOps)与其他人工智能工具结合使用时，预测将变得更加准确，并且组织可以迅速调整路线，以满足不断变化的消费者需求。例如，当模型在新数据集(如上述数据集)上进行训练之后，再用于需求预测时，品牌商可以更准确地预测需求，从而确保不会再次出现洗手液和卫生纸等产品短缺的情况。同样，当使用机器学习操作(MLOps)定期监视和更新模型时，组织可以应用时间序列之类的方法来查看对其业务的持久影响，并使用它来解决其他问题集，例如优化人员配备水平和管理库存等。
如今的世界日新月异，组织需要准确和可信赖的预测来帮助他们做出业务决策。但是，在大规模部署和监控人工智能模型之前，组织难以做到这一点。通过采用机器学习操作(MLOps)的实践和解决方案，组织可以拥有所需的工具来应对这个前所未有的时代，同时最终也可以从其人工智能投资中看到全部价值。

（编辑：揭阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!