Enfoque de re-entrenamiento automático de un modelo de Machine Learning para predecir el índice de infección por COVID 19

Abstract

Con la llegada de la infección por COVID 19 en el mundo, se vio afectada la estabilidad económica y sanitaria de distintos países del mundo; y a pesar de las múltiples propuestas de predicción de infección por COVID 19, aun existe el problema de la precisión poca duradera de estos trabajos. Este artículo presenta un enfoque de re-entrenamiento automático de un modelo de predicción de índice de infección por COVID 19 en cualquier país del mundo con el objetivo de tener una herramienta de planificación protocolar y estratégica para contrarrestar esta infección y que tenga un precisión que perdure a lo largo del tiempo. Para el desarrollo del modelo se utilizó una red neuronal recurrente LSTM y una fuente de datos constantemente actualizada, fundamental para la aplicación del enfoque. Los modelos producidos por este enfoque mantuvieron durante un mes de re-entrenamiento semanal un coeficiente de determinación en promedio de 0.989, 0.986 y 0.996  en 3 diferentes países: Perú, Brasil y Chile respectivamente. Comparado con otros trabajos, los modelos producidos tienen la ventaja de ser entrenados semanalmente con datos actualizados, manteniendo una precisión duradera y se comprobó, además, la efectividad de un proceso automatizado de re-entrenamiento de modelos de machine learning.