I ricercatori del Nationwide Children's Hospital hanno segnalato l'uso di giochi di realtà virtuale (VR) basati su smartphone da parte di pazienti pediatrici sottoposti a cambi di medicazione per ustioni. Questo lavoro si basa su un corpo esistente che esplora approcci alternativi alla riduzione del dolore attraverso musica, ipnosi, giocattoli e realtà virtuale.  L'American Burn Association riferisce che le ustioni colpiscono circa 250.000 bambini negli Stati Uniti ogni anno. Oltre all'ustione stessa, i pazienti soffrono di dolore correlato al cambio della medicazione, che è anche aggravato dall'ansia e dall'anticipazione. Gli oppioidi sono un trattamento efficace contro il dolore correlato alle ustioni, ma i loro effetti collaterali possono essere devastanti. Questo è ciò che ha portato a un maggiore interesse per approcci alternativi alla riduzione del dolore. Il nuovo studio è stato pubblicato il 21 giugno su JAMA Network Open .  Il team includeva Henry Xiang, MD, MPH, PhD, MBA, insieme a molti altri colleghi. Il team ha segnalato l'uso di giochi VR basati su smartphone durante i cambi di medicazione nei pazienti pediatrici. Il dottor Xiang è anche professore di pediatria ed epidemiologia al Nationwide Children's Hospital e direttore del Center for Pediatric Trauma Research.  "Il gioco VR basato su smartphone è stato molto efficace nel ridurre il dolore riferito dai pazienti", afferma il dott. Xiang. Lo studio pilotaLo studio pilota è stato progettato come uno studio clinico randomizzato e il team di ricerca ha diviso i bambini, di età compresa tra 6 e 17 anni, in tre gruppi di trattamento: VR attiva, VR passiva e cure standard. La maggior parte dei pazienti ha avuto ustioni di secondo grado e ha ricevuto cure ambulatoriali per ustioni tra dicembre 2016 e gennaio 2019. Il gioco VR utilizzato si chiama "Virtual River Cruise" ed è stato progettato specificamente per lo studio del dipartimento di soluzioni e innovazione per la ricerca di bambini di Nationwide.  "D...
Continua a Leggere

Intervista a Ingo Alzner, AI in Porsche Dieci anni fa, la maggior parte dei dati era bloccata nelle tabelle di Excel e c'era un'enorme quantità di lavoro per pulirli e caricarli nei database.  Ingo Alzner gestisce il progetto Data Lake in Porsche. Alzner ha svolto un ruolo fondamentale nello stabilire le ambizioni sui big data di Porsche. Attualmente, fa parte dell'iniziativa cloud (come rappresentante Porsche) progettando la strategia cloud IT di Volkswagen. Negli ultimi anni, Alzner ha trasformato Porsche in un'azienda basata sui dati. Abbiamo cercato di scoprire come Alzner e il suo team stanno integrando principi di dati all'avanguardia nel lavoro quotidiano di una casa automobilistica tradizionale ma innovativa come Porsche. Alzner si è specializzato in analisi dei dati presso la Hochschule der Medien, Stoccarda. Inoltre, ha trascorso un semestre all'estero presso l'Università Udayana, in Indonesia, dove ha studiato economia internazionale e ha imparato molto sull'Asia. Sin dai tempi della scuola, Alzner è stato affascinato dall'analisi e dalla costruzione di grafici. Alzner giura sull'adagio di Winston Churchill: "Credo solo nelle statistiche che mi sono falsificato". Alzner ha anche internato e lavorato presso Horváth & Partners Management Consultants, dove ha imparato molto sulla raccolta, la trasformazione e la presentazione dei dati. Alla domanda sulle sfide che ha dovuto affrontare, Alzner ha subito sottolineato la qualità dei dati. “Si trattava principalmente della stessa sfida di oggi: la qualità dei dati. La maggior parte del tempo viene speso per ottenere i dati nel formato e nella qualità giusti. 10 anni fa, la maggior parte dei dati era bloccata nelle tabelle di Excel e c'era un'enorme quantità di lavoro per pulirli e caricarli nei database. Oggi ci sono molti più dati, archiviati in sistemi di big data, ma la qualità dei dati rimane ancora la sfida. E senza un'adeguata qualità dei dati, non sei in grado di analizzare correttamente", ha affermat...
Continua a Leggere

Il valore della scienza e sottolineato la sua importanza per l'IA e si sono concentrati sull'importanza dei professionisti dell'IA che hanno alcune basi nella scienza informatica come pietra angolare per la progettazione e lo sviluppo di modelli di intelligenza artificiale e processi di produzione, nonché la ricchezza delle scienze della complessità e apprezzando il fatto che l'integrazione di diverse discipline in complessi programmi di intelligenza artificiale è la chiave per il successo del ritorno sugli investimenti (ROI). Questo blog introduce l'importanza della fisica ed esplora la sua relazione con l'intelligenza artificiale poiché spesso vedo che i team che risolvono l'IA mancano di abilità fisiche nei costrutti di soluzione, il che credo sia un errore strategico per molti programmi di intelligenza artificiale complessi. È importante che i livelli C comprendano che l'IA non è una disciplina singolare, richiede molte altre abilità per ottenere l'architettura della soluzione giusta. Quindi comprendi profondamente il problema aziendale di fronte a te - e più complesso è il problema, maggiore sarà il valore che i fisici avranno nel guidarti in avanti. Nella Brain Trust Series, ho identificato oltre 50 competenze necessarie per aiutare a far evolvere i talenti nelle organizzazioni impegnate a promuovere l'alfabetizzazione AI. Gli ultimi blog hanno discusso la rilevanza delle competenze tecniche. Per vedere l'intero AI Brain Trust Framework introdotto nel primo blog, fare riferimento qui . Attualmente siamo concentrati sulle competenze tecniche nell'AI Brain Trust Framework Abilità tecniche: Metodi di ricerca AlfabetizzazioneAlfabetizzazione sui metodi agiliAlfabetizzazione progettuale centrata sull'utenteAlfabetizzazione sull'analisi dei datiAlfabetizzazione digitale (cloud, SaaS, computer, ecc.)Alfabetizzazione matematicaAlfabetizzazione statisticaAlfabetizzazione scientifica (informatica, scienza della complessità, fisica)Alfabetizzazione co...
Continua a Leggere

Le opzioni per indirizzare la pubblicità digitale in un modo che non si basa sui cookie sono in aumento, grazie ai progressi nell'analisi predittiva e nell'intelligenza artificiale che alla fine ridurranno l'attuale predominio di Google, Facebook e altri aggregatori di contenuti su larga scala. Google ha annunciato all'inizio di questo mese che non consentirà più ai cookie di terze parti di raccogliere dati tramite il suo browser Chrome. Molte aziende hanno storicamente fatto affidamento su quei cookie per indirizzare meglio la loro pubblicità digitale, poiché i cookie consentono alle reti pubblicitarie digitali e ai siti di social media di creare un profilo di un utente finale senza sapere specificamente chi sia quell'individuo. Anche se questo approccio non viola necessariamente la privacy di nessuno, dà a molti utenti la sensazione che alcune entità stiano monitorando i siti che visitano in un modo che li mette a disagio. I fornitori di altri browser, come Safari di Apple e il browser open source Firefox, hanno già abbandonato i cookie di terze parti. Per essere chiari, Google non sta abbandonando il monitoraggio del comportamento degli utenti. L'azienda ha invece creato un meccanisFLoC (Federated Learning of Cohorts) per monitorare il comportamento degli utenti che non dipende dai cookie per la raccolta dei dati. Invece di essere in grado di indirizzare un annuncio a un utente anonimo specifico, agli inserzionisti viene offerta l'opportunità di rivolgersi a gruppi di utenti finali che sono ora organizzati in coorti in base ai dati che Google continua a raccogliere. Resta da vedere come queste iniziative potrebbero cambiare sostanzialmente l'esperienza dell'utente. Tuttavia, alcuni inserzionisti stanno ora cercando di utilizzare algoritmi di apprendimento automatico e altre forme di analisi avanzate rese disponibili tramite reti pubblicitarie digitali per ridurre la loro dipendenza da Google, Facebook, Twitter, Microsoft e altre entità che controlla...
Continua a Leggere

Come FMCW sta trasformando la tecnologia Lidar Le onde continue modulate in frequenza migliorano ampiamente la tecnologia Lidar nei veicoli autonomi Aurora Innovations, una società di veicoli a guida autonoma, con sede nella Silicon Valley, ha recentemente annunciato l'acquisizione di OURS Technology per un importo non divulgato. Quest'ultima è una startup fondata da un team di ricercatori dell'Università della California, Berkeley, specializzati in FMCW (Frequency Modulated Continuous Wave) e 'lidar-on-a-chip'. Questa è la seconda acquisizione di Aurora di una società di sviluppo Lidar, la prima è stata la startup Blackmore nel Montana nel 2019 , specializzata anche nella tecnologia FMCW. La parola Lidar è un acronimo che sta per Light Detection and Ranging, che è praticamente un riassunto della tecnologia in tre parole. La tecnologia funziona su più impulsi di luce per creare una mappa 3D del terreno che circonda il sensore. Lidar e FMCW esistono da un po 'di tempo, ma quest'ultimo è diventato solo di recente un progresso praticabile per il settore, rendendolo una scelta popolare per la maggior parte delle aziende di veicoli a guida autonoma. D'altra parte, Tesla, il gigante automobilistico che lavora su automobili a guida autonoma, ha rifiutato Lidar e lavora invece sulla propria tecnologia. Allora perché Tesla ha scelto di mettere da parte Lidar e in che modo l'acquisizione di FMCW e Aurora fa la differenza? Tesla e gli svantaggi di LidarCon tutti gli investimenti positivi in ​​Lidar, la tecnologia non è priva di critiche. In particolare, il miliardario Elon Musk ha definito Lidar una `` commissione degli sciocchi '' nel 2019, ed è giustamente preoccupato per i problemi che ha attualmente. La società Tesla di Musk, che ha recentemente registrato la sua filiale indiana in Karnataka, è ben nota per la funzione "Pilota automatico" nei suoi veicoli elettrici. A differenza della maggior parte delle società di veicoli a guida autonoma, i veicoli Tesla ...
Continua a Leggere

Google rilascia Tensorflow 3D. Che cos'è esattamente? TensorFlow fornisce una serie di operazioni, funzione di perdita, strumenti di elaborazione dati, metriche e altri modelli per lo sviluppo, l'addestramento e l'implementazione di modelli di comprensione della scena 3D all'avanguardia. L'apprendimento per rinforzo profondo funziona davvero per la robotica?Veicoli autonomi, robot e altri sistemi di apprendimento ML devono controllare l'ambiente circostante per navigare e operare nel mondo reale. Sono spesso guidati da sensori 3D come Lidar, radar e telecamere di rilevamento della profondità e utilizzano la tecnologia di comprensione della scena per elaborare i dati acquisiti da questi dispositivi. La comprensione della scena 3D è fondamentale per il rilevamento di oggetti, la comprensione incentrata sull'uomo e la grafica. Sebbene la visione artificiale abbia compiuto progressi significativi attraverso il rilevamento di oggetti 3D mobili e il rilevamento di oggetti trasparenti, il numero di strumenti che possono essere applicati ai dati 3D è ancora limitato. Per migliorare la comprensione delle scene 3D, Google ha ora sviluppato TensorFlow 3D, una libreria altamente modulare per portare funzionalità di deep learning 3D a TensorFlow. Che cos'è la comprensione della scena 3D?Gli attuali sistemi di visione artificiale raccontano solo un po 'della posizione di un oggetto in uno spazio 3D e di come interagiscono agenti come i robot. Questo non è sufficiente per comprendere completamente l'ambiente. Ricerche recenti si sono concentrate sull'ottenimento di una comprensione geometrica della scena per superare questa lacuna. Al contrario di catturare una rappresentazione sul piano dell'immagine degli oggetti, la loro rappresentazione così come esistono nel mondo 3D aiuta in applicazioni come la comprensione incentrata sull'uomo, la grafica e il rilevamento di oggetti. La nuova libreria di TensorFlow fornisce una serie di operazioni, funzioni di perdita, s...
Continua a Leggere