Inteligența artificială îmbunătățește eficiența distribuției vaccinurilor la scară largă
Modelele de optimizare asigură eficiența în distribuirea produselor, dar necesită o cantitate impracticabilă de putere de calcul atunci când se confruntă cu probleme mari, cum ar fi distribuția vaccinurilor pentru milioane de oameni.
Cercetătorii au dezvoltat o metodă care reduce drastic puterea de calcul necesară pentru a rula aceste modele de optimizare, menținând în același timp rezultate aproape optime.
„Am dezvoltat un model de optimizare care asigură distribuția eficientă și echitabilă a vaccinurilor în zonele cele mai necesare”, afirmă Leila Hajibabai, autor corespunzător al unui articol pe această temă. „Totuși, puterea computațională necesară pentru a rula acel model la nivel de stat nu era practică. Obiectivul nostru a fost să dezvoltăm o metodologie care să ne permită utilizarea acelui model, dar care necesită mult mai puțină putere de calcul – făcându-l un instrument viabil pentru utilizare practică.”
Lucrarea lui Hajibabai și a colegilor săi se bazează pe un model publicat în 2025, destinat minimizării costurilor totale de distribuție, maximizând în același timp alocarea vaccinurilor către blocuri de recenzare specifice. Această cercetare s-a bazat pe un set de date detaliate obținute de la Centrele pentru Controlul și Prevenirea Bolilor și de la departamentele de sănătate din Pennsylvania, referitoare la livrările și cererea de vaccinuri în timpul pandemiei COVID-19.
„Dar rularea acelui model implica aproximativ 1,6 miliarde de variabile decizionale binare și întregi”, spune Ali Hajbabaie, coautor al lucrării. „A fost nevoie de atât de multă putere de calcul, încât ar fi fost impracticabil să fie utilizat la scară mare – mai ales dacă ai dori să rulezi modelul cu informații noi pe o bază regulată.”
Pentru a rezolva această provocare, cercetătorii au adoptat o abordare nouă: combinarea învățării automate cu o tehnică numită generare de coloane. Generarea de coloane este o metodă tradițională utilizată pentru a aborda provocări de optimizare care implică un număr mare de variabile. În termeni generali, această metodă descompune problemele mari în probleme mai mici.
„Totuși, dacă o problemă este suficient de mare, generarea de coloane singură nu este suficientă pentru a reduce costul computațional al rulării modelului de optimizare”, adaugă Hajibabai.
Aici intervine învățarea automată.
„Învățarea automată poate învăța din exemplele rezolvate anterior pentru a prezice deciziile promițătoare pentru un pas din procesul de optimizare, permițând algoritmului să-și concentreze eforturile computaționale acolo unde este cel mai probabil să îmbunătățească soluția”, explică Hajibabai. „Aceasta reduce spațiul de căutare și numărul de calcule de optimizare în iterațiile ulterioare.”
Așadar, în loc să evaluezi un număr uriaș de variabile decizionale potențiale, ar putea fi necesar să determini doar cel mai promițător subset folosind generarea de coloane – iar învățarea automată îți va oferi estimări bune pentru multe dintre variabilele de decizie rămase, reducând numărul care trebuie optimizat explicit.
Cercetătorii au constatat că utilizarea abordării ghidate de învățarea automată cu generare de coloane (ML-CG) a accelerat timpul de rulare al modelului de optimizare a vaccinurilor cu 79,1% comparativ cu generarea de coloane pură – menținând în același timp soluții de înaltă calitate. Dintre toate tehnicile evaluate de cercetători, ML-CG a oferit, de asemenea, cel mai bun echilibru între viteza computațională și calitatea soluției.
„Îmbunătățește semnificativ eficiența computațională comparativ cu tehnicile de referință”, afirmă Hajibabai. „Și, deși nu produce exact aceleași rezultate, poate obține rezultate la 6% de la outcome-ul optim – ceea ce este foarte bine.”
„Această lucrare a fost realizată pentru a aborda o provocare legată de optimizarea distribuției vaccinurilor, dar metoda pe care am demonstrat-o aici are utilitate pentru o gamă largă de probleme de alocare a resurselor”, spune Hajbabaie.
„De exemplu, aceeași abordare ar putea ajuta la optimizarea operațiunilor de ajutor în caz de dezastre, logisticii umanitare, sistemelor de transport, planificării sistemelor energetice și altor probleme complexe de infrastructură și lanț de aprovizionare, unde deciziile trebuie luate rapid și eficient,” adaugă Hajibabai.
„Sperăm că alți cercetători vor construi pe baza acestui set de date și a metodologiei, aplicându-le la noi probleme și contribuind la avansarea următoarei generații de metode computaționale pentru a rezolva provocările reale la scară mare,” concluzionează Hajibabai.
