IBM a annoncé son initiative Science for Social Good et les projets 12 qui le composent pour 2017. Le programme utilise le Big Data, l'apprentissage en profondeur et l'IA pour résoudre des problèmes sociaux complexes.
SOLUTIONS AXÉES SUR LES DONNÉES
En juin 6, IBM a lancé Science pour le bien social, un nouveau programme conçu pour résoudre certains des problèmes les plus lourds au monde en utilisant la technologie et les données. L'équipe de chercheurs, d'organisations à but non lucratif et de stagiaires postdoctoraux travaillera sur des projets 12 pour le reste de 2017 seulement, chacun s'alignant sur au moins un des Nations Unies (ONU). Objectifs de développement durable. Ces objectifs décrivent les menaces et les inégalités les plus importantes qui existent dans le monde aujourd'hui et les présentent comme des problèmes à résoudre par 2030.
Tous les projets Science for Social Good utilisent l’analyse, intelligence artificielle (IA), et la science des données pour atteindre leurs objectifs. Parmi les projets spécifiques à 2017 figurent les meilleures pratiques alimentaires d'urgence, qui amélioreront les pratiques de distribution de denrées alimentaires en temps de crise, et le projet «Surmonter l'analphabétisme», qui aidera les adultes analphabètes et peu alphabétisés à «décoder» notre société riche en informations grâce à l'IA. Watson d’IBM travaillera également sur un projet intitulé «Combattre la crise des opioïdes».
Résolution profonde de problèmes de plongée
Chaque projet dans le cadre du nouveau programme a été soigneusement conçu pour utiliser l'IA, le big data et machine learning et a le potentiel de changer des millions de vies. De cette manière, les équipes peuvent réduire de plusieurs années, voire de plusieurs décennies, les solutions traditionnelles aux problèmes sociaux persistants. Par exemple, le projet sur les opioïdes part du principe établi que l'abus d'opioïdes et la toxicomanie commencent par une ordonnance. L’équipe peut utiliser les capacités sans précédent de Watson pour reconnaître les schémas de dépendance, apprendre des règles fondées sur des preuves pour une rédaction de prescription plus responsable, puis mettre au point des systèmes d’alerte rapide à l’usage des professionnels de la santé et des responsables de la santé publique.