Identificare e valutare la fragilità nelle persone con diabete dovrebbe essere una priorità, al fine di trattarli e gestirli meglio

Un articolo scritto dal Dr. Qingsheng Wang, professore associato e direttore del programma di ingegneria della sicurezza presso il Dipartimento di ingegneria chimica Artie McFerrin presso la Texas A&M University, è stato selezionato come scelta dagli editori dell’American Chemical Society (ACS). Gli studenti laureati Zeren Jiao, Pingfan Hu e Hongfei Xu del Wang Group sono coautori dell’articolo. Nell’articolo “Machine Learning and Deep Learning in Chemical Health and Safety: A Systematic Review of Techniques and Applications”, originariamente apparso sulla rivista ACS Chemical Health & Safety , Wang e il suo team hanno esaminato la letteratura corrente sull’apprendimento automatico e sulle apprendimento nel contesto dell’ingegneria della sicurezza.

L’apprendimento automatico e l’apprendimento profondo sono sottoinsiemi di intelligenza artificiale e modelli basati su tecniche di apprendimento automatico / apprendimento profondo possono apprendere automaticamente dai dati ed eseguire attività come previsioni e processi decisionali. Una grande varietà di studi interdisciplinari ha dimostrato che la combinazione di machine learning e deep learning in un regime di sicurezza completo ha avuto successo nell’identificazione delle tendenze e nell’assistenza alla previsione, che può far risparmiare molto manodopera, risorse materiali e finanziarie.

Sebbene sia la macchina che il deep learning abbiano obiettivi molto simili nel contesto dell’ingegneria della sicurezza, ci sono alcune differenze fondamentali. L’apprendimento automatico incorpora teoria della probabilità , statistica, teoria dell’approssimazione, teoria della complessità dell’algoritmo e analisi convessa per costruire algoritmi in grado di costruire modelli matematici basati su dati di addestramento per previsioni o decisioni senza essere esplicitamente programmati per farlo. In sostanza, la tecnologia di machine learning può interpretare enormi quantità di dati e offrire previsioni, tendenze e prendere decisioni informate.

L’apprendimento profondo, che è un sottoinsieme dell’apprendimento automatico, utilizza reti neurali artificiali – sistemi di calcolo ispirati ai neuroni biologici – come architettura per caratterizzare e apprendere i dati. Il deep learning forma una categoria di attributi di rappresentazione più astratta e di alto livello o è caratterizzata dalla combinazione di funzionalità di basso livello per scoprire rappresentazioni di caratteristiche distribuite dei dati, che possono eliminare la fase di progettazione delle funzionalità degli algoritmi basati sull’apprendimento automatico con maggiore precisione e sono estremamente utili compiti come la visione artificiale e l’elaborazione del linguaggio naturale. Entrambe le aree si stanno sviluppando rapidamente con un grande potenziale di applicazione nell’ingegneria della sicurezza.

Nell’articolo, Wang e il suo team di ricerca hanno analizzato e classificato più di 100 documenti sottoposti a revisione paritaria per presentare un’istantanea dell’attuale borsa di studio sulla macchina e sull’apprendimento profondo, nonché per presentare una revisione dei progressi nell’area. Inoltre, Wang evidenzia le sfide e le lacune nell’attuale letteratura sulle macchine e sul deep learning in materia di ingegneria della sicurezza.

Ulteriori informazioni: Zeren Jiao et al. Apprendimento automatico e apprendimento profondo in salute e sicurezza chimica: una revisione sistematica di tecniche e applicazioni, ACS Chemical Health & Safety (2020). DOI: 10.1021 / acs.chas.0c00075