Будет ли чипирование населения массовым, и связано ли это с вакцинацией

Эту публикацию можно расценивать как продолжение, к опубликованному ранее. В публикации «Возможно ли цифровое рабство через вакцинацию?», весьма реалистично и правдоподобно описано, что вакцина может изменить генетику человека, после чего, человек становится генно-модифицированным организмом лишаясь статуса человека, и получая QR-код становится товаром, а измененный геном, принадлежит компании, которая выпустила вакцину и все права по использованию «организма» у компании. Компания будет использовать «организм», для добычи криптовалюты в метавселенной, управляя этим "организмом" через чип, полученный через вакцину. Звучит как фантастика, а то и вовсе как «бред сумасшедшего», но только пока не ознакомишься с реальными документами, законодательством в этой сфере, научными исследованиями и прочими фактами, которыми изобилует публикация. Эта публикация тоже будет насыщена фактами, и они,  как недостающие части мозаики, дополнят уже сложившуюся картину…   

Итак, ранее упомянутый небезызвестный Клаус Шваб (немецкий экономист; основатель и бессменный президент Всемирного экономического форума в Давосе с 1971 года), который довольно часто упоминается в «околоковидных» темах, ещё 11 января 2016 года, на швейцарском канале «RTS» дал интервью. Во время интервью, он рассказывает о возможном внедрении чипов в ближайшие 10 лет, как в одежду, так и в организм человека. В конце концов, по его мнению, удастся достичь прямой связи между мозгом и цифровым миром.

И вот уже в 2018 году, генеральный директор «Pfizer» Альберт Бурла, на Всемирном экономическом форуме, обсуждает «электронную таблетку» с микрочипом, одобренную министерством здравоохранения и социальных служб США. Альберт Бурла "FDA дало разрешение на применение электронных таблеток. Можно и так назвать. На самом деле это биологический чип".  Как только такая таблетка растворяется в желудке, она посылает сигнал, по которому можно вас отслеживать. Таблетка под названием «Abilify MyCite» оснащена крошечным проглатываемым датчиком, который связывается с пластырем, который носит пациент — пластырь затем передает данные о лекарствах в приложение для смартфона, которое пациент может добровольно загрузить в базу данных для своего врача и других уполномоченных лиц, чтобы увидеть. Подробнее о таблетке тут.

А вот и настоящее время, в Швеции уже более 6 тысяч человек установили подкожные микрочипы с ковид-паспортами.  И это уже вам не какая-то фантастика, а та самая суровая реальность. Подкожные микрочипы разработаны шведской компанией «Epicenter». Размером они с рисовое зернышко. На импланте может храниться не только ковидный паспорт, а также пропуска, проездные билеты, абонементы в спортзал и прочее.

Ну а в России, уже обсуждается установка таких вот чипов на государственном уровне. И что интересно обсуждается не то, что бы использовать или не использовать, а добровольно или не добровольно. Ну а большинство населения России уже в курсе, что такое добровольно в РФ, взять к примеру ту же вакцинацию, для сотрудников.  

Сенатор, заслуженный врач РФ Владимир Круглый, комментируя сообщения СМИ об установлении микрочипов в Швеции с информацией о вакцинации от COVID, заявил: "Это должно быть абсолютно добровольным решением, если кто-то захочет для удобства установить микрочип". По его словам, если это будет технически возможно, "почему бы и нет". Сам сенатор признал, что не стал бы устанавливать себе подобный микрочип, тем более что есть различные формы предоставления такой информации - на электронных и бумажных носителях.

Новый патент, предлагает цифровое наблюдение, для вакцинации людей на основе оценок в стиле социального кредита.

Что такое патент? Патент — это документ, который дает автору изобретения абсолютное право на его использование. Он подтверждает, что производить и продавать новшество может только изобретатель или лица, которым он предоставил права. Патент нужен для защиты интеллектуальной собственности. Он позволяет избежать недобросовестной конкуренции и сохранить прибыль, которую принесет использование изобретения.

Согласно ГК РФ Статья 1354:

1. Патент на изобретение, полезную модель или промышленный образец удостоверяет приоритет изобретения, полезной модели или промышленного образца, авторство и исключительное право на изобретение, полезную модель или промышленный образец.

2. Охрана интеллектуальных прав на изобретение или полезную модель предоставляется на основании патента в объеме, определяемом содержащейся в патенте формулой изобретения или соответственно полезной модели. Для толкования формулы изобретения и формулы полезной модели могут использоваться описание и чертежи, а также трехмерные модели изобретения и полезной модели в электронной форме.

3. Охрана интеллектуальных прав на промышленный образец предоставляется на основании патента в объеме, определяемом совокупностью существенных признаков промышленного образца, нашедших отражение на изображениях внешнего вида изделия, содержащихся в патенте на промышленный образец.

Это говорит о том, что чаще всего изобретение патентуют когда оно уже существует, или всё готово для того, чтобы его сделать. В кратком описании чертежей патента, который мы с вами рассмотрим, можно найти следующее: «BRIEF DESCRIPTION OF THE SEVERAL VIEWS OF THE DRAWINGS. Some embodiments of the invention are herein described, by way of example only, with reference to the accompanying drawings. With specific reference now to the drawings in detail, it is stressed that the particulars shown are by way of example and for purposes of illustrative discussion of embodiments of the invention. In this regard, the description taken with the drawings makes apparent to those skilled in the art how embodiments of the invention may be practiced». (КРАТКОЕ ОПИСАНИЕ НЕСКОЛЬКИХ ВИДОВ ЧЕРТЕЖЕЙ. Некоторые варианты осуществления изобретения описаны здесь только в качестве примера со ссылкой на прилагаемые чертежи. С конкретной ссылкой теперь на подробные чертежи подчеркивается, что детали показаны в качестве примера и в целях иллюстративного обсуждения вариантов осуществления изобретения. В этом отношении описание, взятое вместе с чертежами, делает очевидным для специалистов в данной области, как могут быть реализованы варианты осуществления изобретения). В финальной части: «It is expected that during the life of a patent maturing from this application many relevant parameters of scoring activity of individuals and methods of measuring said parameters will be developed; the scope of the invention herein is intended to include all such new technologies a priori» (Ожидается, что в течение срока действия патента, вытекающего из этой заявки, будет разработано множество соответствующих параметров оценки активности отдельных лиц и методов измерения указанных параметров; объем изобретения здесь предназначен для включения всех таких новых технологий априори).

Новый патент предлагает цифровое наблюдение для вакцинации людей на основе оценок в стиле «социального кредита». Адвокаты по патентам и товарным знакам доктор Гал Эрлих (Gal Ehrlich) и Майер Фенстер (Maier Fenster) из Ehrlich & Fenster, недавно получили патент США, одобренный для технологии, которая направлена на наблюдение за людьми с помощью их цифровой активности, дает им оценку, которая определяет “потенциальный уровень сверхраспространяющей активности каждого человека” (включая доносы друг на друга), а затем вакцинирует людей на основе этой оценки. Патент предлагает собирать широкий спектр личной информации из таких источников, как мобильные устройства, приложения, социальные сети, записи о просмотре веб-страниц, платежные записи, медицинские записи, записи о приеме на работу, правительство и камеры наблюдения.

Он также предлагает собирать очень специфическую личную информацию с помощью таких источников, как:

• Точные данные о местоположении;
• Продолжительность времени, которое люди проводят в местах, которые они посещают;
• Скорость вентиляции мест, которые посещают люди;
• Изображения людей, смотрящих на экран своего мобильного телефона;
• Звуки с микрофонов в персональных устройствах;
• Данные распознавания лиц.

Патент предлагает множество потенциальных приложений для наблюдения за этими данными, которые включают определение того, когда люди пользуются общественным транспортом, используя “геолокацию и/или регулярное движение ”старт-стоп“, соответствующее профилю общественного транспорта”, мониторинг, когда люди моют руки, “анализируя звуки бегущей воды или движения с помощью умных часов”, и проверяя, носят ли люди маску, "анализируя изображения, сделанные во время звонков или другого взгляда на экран мобильного телефона". Как только данные собраны, технология, описанная в патенте, анализирует данные и присваивает “оценку” их электронному устройству. Он предлагает использовать этот балл для прогнозирования “потенциального уровня сверхраспространяющей активности каждого индивидуума” и рекомендует “вакцинировать в соответствии с баллами”.

В патенте упоминается и COVID-19, и предложено 28 вакцин-кандидатов в клинической оценке, среди которых «AstraZeneca», «Moderna» и другие…

Настоящее изобретение, в некоторых его вариантах, относится к способам и системам определения приоритетов вакцинации\лечения\тестирования и, более конкретно, но не исключительно, к способу и системам определения приоритетов вакцинации\лечения\тестирования в ситуации пандемии, когда вакцины находятся в дефиците и при этом защищают частную жизнь отдельных лиц в популяции.

Можно ли связать с этой системой - устройство в виде чипа, сертификат о вакцинации и вакцины? Думаю вопрос явно риторический...

Система отбора субъектов для лечения от инфекционного заболевания, вызванного патогеном содержит множество электронных устройств, содержащих инструкции для генерации идентификатора, и, когда поблизости находится другое такое электронное устройство, одно или оба электронных устройства передают/принимают ИДЕНТИФИКАТОР в/от другого электронного устройства. Затем на основе множества таких полученных идентификаторов генерируется оценка. Кроме того, на основе информации, полученной с сервера, субъектам отображаются соответствующие инструкции по лечению на основе полученной информации и оценки. Сервер содержит инструкции для отправки множеству электронных устройств информации, подлежащей отображению вместе с соответствующими инструкциями по лечению, дополнительно сервер и/или электронные устройства содержат инструкции для генерации прогноза вероятности передачи субъектом патогена на основе оценки субъекта.

Патент US 11,107,588 B2. Речь в нём идет о неких портативных устройствах, которые будут сообщаться между собой общим сервером и содержать в себе информацию об истории болезни человека, аллергиях, месте работы, частоте контактов с другими людьми и прочие данные. На их основе система будет делать выводы о том, какие люди наиболее подвержены заражению опасными инфекциями и у кого риски развития осложнений в результате заражения, выше. Давайте ознакомимся с несколькими фрагментами из этого патента. Сначала оригинальный текст на английском языке, а после перевод на русский (перевод через приложение переводчика).

Exemplary Factors Influencing the Score.

In some embodiments, the score is generated utilizing one or more factors and/or components, each influencing the final score by either adding or subtracting from the score. In some embodiments, the one or more factors can influence the score in a linear matter (increasing/decreasing the score linearly, for example +1 to the score or −2 to the score) and/or one or more factor can affect the score in a weighted matter, as will be further explained below. Exemplary factors and/or components are one or more of the following:

Profession in Record of the Individual.

Примерные факторы, влияющие на оценку.

В некоторых вариантах осуществления оценка генерируется с использованием одного или нескольких факторов и/или компонентов, каждый из которых влияет на итоговую оценку либо путем добавления, либо вычитания из оценки. В некоторых вариантах осуществления один или несколько факторов могут линейно влиять на оценку (линейно увеличивая/уменьшая оценку, например, +1 к баллу или -2 к баллу) и/или один или несколько факторов могут влиять на оценку в взвешенном вопросе, как будет дополнительно объяснено ниже. Примерами факторов и/или компонентов являются один или несколько из следующих:

Профессия в личном деле Индивида.

In some embodiments of the invention, a subject provides profession information or other information used to adjust scoring by scanning a barcode (or other machine-readable item such as a barcode or RFID chip identity card) which is optionally digitally signed with such information. Optionally, this allows the device to know the profession information, but may not allow the device and/or the information provider to link the request for data to a particular individual. Thus potentially maintaining privacy.

В некоторых вариантах осуществления изобретения субъект предоставляет информацию о профессии или другую информацию, используемую для корректировки оценки, путем сканирования штрих-кода (или другого машиночитаемого элемента, такого как штрих-код или идентификационная карта с чипом RFID), которая необязательно подписана цифровой подписью с такой информацией. Необязательно, это позволяет устройству знать информацию о профессии, но может не позволять устройству и/или поставщику информации связывать запрос данных с конкретным человеком. Таким образом, потенциально сохраняя конфиденциальность.

The Nature of the Locations.

In some embodiments, the nature of a means if it is in a closed place, if it is in an open space, if it is indoors, if it is outdoors, quality of ventilation or any combination thereof. In some embodiments, the nature of the s can drastically change the score given to a subject

Характер расположения.

В некоторых вариантах осуществления характер местоположения означает, находится ли оно в закрытом месте, находится ли оно на открытом пространстве, находится ли оно в помещении, находится ли оно на открытом воздухе, качество вентиляции или любое их сочетание. В некоторых вариантах осуществления характер местоположений может кардинально изменить оценку, полученную испытуемым.

In some embodiments, third party information from individuals informing on others will be assessed to decide if the information needs to affect the score. For example, if a third party informs that a person that showed low movement data and received a low score is actually performing many movements, once the information is verified, the score will change accordingly. The contrary is also valid, for example, a third party informed that a person that showed high movement data and received a high score is actually staying at home, once the information is verified, the score may change accordingly.

Информация Третьей стороны, Касающаяся Физического Лица.

В некоторых вариантах осуществления информация третьей стороны от отдельных лиц, сообщающих о других, будет оцениваться, чтобы решить, должна ли эта информация повлиять на оценку. Например, если третья сторона сообщает, что человек, который показал низкие данные о движении и получил низкий балл, на самом деле выполняет много движений, как только информация будет проверена, оценка изменится соответствующим образом. Обратное также справедливо, например, третья сторона сообщила, что человек, который показал высокие данные о передвижении и получил высокий балл, на самом деле остается дома, как только информация будет проверена, оценка может измениться соответствующим образом.

In some embodiments, the second user may potentially receive a higher score and therefore receive treatment first. In some embodiments, such app and/or smart devices are also used to assess the progression of the vaccination procedures and the efficacy of the vaccination procedure. In some embodiments, individual data arriving from each user is coupled with their health information (sick, vaccinated, recovered, etc.) to further assess the progression of the vaccination procedures and the efficacy of the vaccination procedure.

В некоторых вариантах осуществления второй пользователь потенциально может получить более высокий балл и, следовательно, получить лечение первым. В некоторых вариантах осуществления такое приложение и/или интеллектуальные устройства также используются для оценки хода процедур вакцинации и эффективности процедуры вакцинации. В некоторых вариантах осуществления индивидуальные данные, поступающие от каждого пользователя, объединяются с информацией об их здоровье (больной, вакцинированный, выздоровевший и т.д.) для дальнейшей оценки хода процедур вакцинации и эффективности процедуры вакцинации.

Топ-20 аргументов против вакцинации от ковида. С разбором

Dedicated Voluntary App.

In some embodiments, in view of the pandemic, the population is encouraged to install a dedicated app, where those that do install the app are rewarded. In some embodiments, the reward is priority to receive treatment.

Целенаправленный Добровольный Подход.

В некоторых вариантах осуществления, ввиду пандемии, населению рекомендуется установить специальное приложение, где те, кто его устанавливает, получают вознаграждение. В некоторых вариантах осуществления награда является приоритетом для получения лечения.

Monitoring Behavior of Subject.

In some embodiments, the behavior of the subject is monitored in relation to safety features performed by the subject, for example, wearing a mask (e.g., analyzing images taken during calls or other looking at screen of cellphone), washing his hands (e.g., analyzing sounds of water running or movement by a smartwatch), keeping social distancing (e.g., based on Bluetooth power levels and/or NFC detection), moving between multiple s, etc.

Мониторинг поведения субъекта.

В некоторых вариантах осуществления поведение субъекта контролируется в отношении функций безопасности, выполняемых субъектом, например, ношение маски (например, анализ изображений, сделанных во время звонков, или другой просмотр экрана мобильного телефона), мытье рук (например, анализ звуков бегущей воды или движения с помощью умных часов), поддержание социальной дистанции (например, на основе уровней мощности Bluetooth и/или обнаружения NFC), перемещение между несколькими местоположениями и т.д.

In some embodiments, the system receives information data about a subject 302. In some embodiments, the information data is divided according to the source of the information data 304, for example, electronic information 306 from smartphones, cameras, credit card information, etc., geographical information 308, for example from GPS or cell towers, governmental information 310, for example from the census bureau or EMR (electronic medical records), human information 312, for example from other individuals calling an providing the information about other individuals, and one or more of the factors and/or components disclosed above. In some embodiments, the system then calculates a weighted score of each information.

В некоторых вариантах осуществления система принимает информационные данные о субъекте 302. В некоторых вариантах осуществления информационные данные разделены в соответствии с источником информационных данных 304, например, электронной информацией 306 со смартфонов, камер, информацией о кредитной карте и т.д., географической информацией 308, например, с GPS или вышек сотовой связи, правительственной информацией 310, например, из бюро переписи населения или EMR (электронные медицинские записи), информация о человеке 312, например, от других лиц, звонящих и предоставляющих информацию о других лицах, и один или несколько факторов и/или компонентов, раскрытых выше. В некоторых вариантах осуществления система затем вычисляет взвешенную оценку каждой информации.

In some embodiments, when the electronic device detects certain behavior, like an increase in the movements of the user, the electronic device (for example via the dedicated app) will warn the user that his score will be changed if the behavior is not changed. In some embodiments, changing the score can be either increasing or decreasing the score.

В некоторых вариантах осуществления, когда электронное устройство обнаруживает определенное поведение, такое как увеличение движений пользователя, электронное устройство (например, через специальное приложение) предупредит пользователя о том, что его оценка будет изменена, если поведение не изменится. В некоторых вариантах осуществления изменение оценки может быть либо увеличением, либо уменьшением оценки.

The following is an example of the workflow of a user experience with a system of the present invention:

1. A user makes a request for an analysis and list generation report to the system.
2. The system uses an analytics module (A.M.) to analyze the information of the population (for example, information as disclosed above).
3. The system automatically issues a request to a Database Module (DB.M) to provide all relevant information and/or issues a request to external sources (see above) to provide the required information and/or issues a request to a simulations module (S.M) to perform the necessary simulations.
4. The analytics module (A.M.) collates the results into a unified analysis response, based on any combination of the subjects in the population and factors and/or components data available. In some embodiments of the invention, the A.M includes a ML module (optionally in the form of an analytic system or a neural network) which is used to predict transmission and super-spreader potential of an individual based on their past behavior. Optionally, an initial model is provided for such mapping. Optionally, the ML module also receives actual infection information, for example, by automated collection from medical records or from epidemiological studies (e.g., of some or all infected people) and uses this information to update the model, for example, using a machine learning method as known in the art, to generate a prediction of infectiveness (and/or superspreader potential) of an individual given his contacts and the superspreader potential of similar individuals. In some embodiments of the invention, statistical methods are used instead of or in addition to ML methods. Optionally or additionally, what is created is a classifier, which classifies an individual as a potential superspreader. Such a classifier can build a classification scheme given a set of individuals, each with behaviors and actual infectiveness as determined, for example, using epidemiological studies and/or contact tracking combined with disease detection in such tracked contacts. Such classifier may be used (or transmitted to individual devices to be used instead of and/or in addition to counting for example as described herein) to generate a general score for an individual based on the classification and optionally based on additional information, such as medical risk.
Optionally or additionally, the AM includes one or more optimization tools which given the various inputs described herein and/or one or more goals, optimizes vaccine delivery and/or schedule to achieve a better approach to the goal.
5. The analytics module (A.M.) serves the response back to the system, and transmits the list to the user, and the list is now available to the relevant personnel. In some embodiments, this potentially helps the relevant personnel to decide whom, when and where distribute the available doses to the population.

Each and any of such modules may be implemented, for example, using a central server, a distributed server and/or a cloud implementation.

In some embodiments, the system may automatically use the simulation models to select and apply a predictive model for the preferred deployment of the doses (for example, the parameter may be number of available doses or the higher number of individuals protected by the act of vaccination and/or a total number of expected of deaths and/or time to reach a threshold where one or more limitations on society may be removed). In some embodiments, the system may then predict the performance of an underperforming vaccination result (if no changes are made to trend performance) and predict the performance of the same treatment result if the requirements are met, and then compare the before and after predicted performance to show the impact of meeting the requirements. A report of the requirements and of the predicted impacts of meeting the requirements may then be prepared by the system, and transmitted to the user.

Ниже приведен пример рабочего процесса взаимодействия пользователя с системой настоящего изобретения:

1. Пользователь отправляет в систему запрос на отчет об анализе и формировании списка.
2. Система использует модуль аналитики (A.M.) для анализа информации о населении (например, информации, описанной выше).
3. Система автоматически отправляет запрос Модулю базы данных (DB.M) для предоставления всей соответствующей информации и/или отправляет запрос внешним источникам (см. Выше) для предоставления требуемой информации и/или отправляет запрос модулю моделирования (S.M) для выполнения необходимого моделирования.
4. Модуль аналитики (A.M.) объединяет результаты в единый аналитический ответ, основанный на любой комбинации субъектов в совокупности и доступных данных о факторах и/или компонентах. В некоторых вариантах осуществления изобретения A.M включает модуль ML (необязательно в форме аналитической системы или нейронной сети), который используется для прогнозирования передачи и потенциала суперрасширения индивидуума на основе их прошлого поведения. Необязательно, для такого отображения предоставляется начальная модель. Необязательно, модуль ML также получает фактическую информацию об инфекции, например, путем автоматического сбора из медицинских записей или из эпидемиологических исследований (например, некоторых или всех инфицированных людей), и использует эту информацию для обновления модели, например, с использованием метода машинного обучения, известного в данной области, для генерации прогноза инфекционности (и/или потенциала распространения) индивидуума, учитывая его контакты и потенциал распространения подобных индивидуумов. В некоторых вариантах осуществления изобретения статистические методы используются вместо методов ML или в дополнение к ним. Дополнительно или дополнительно создается классификатор, который классифицирует человека как потенциального суперраспространителя. Такой классификатор может построить схему классификации с учетом набора индивидуумов, у каждого из которых поведение и фактическая инфекционность определены, например, с использованием эпидемиологических исследований и/или отслеживания контактов в сочетании с выявлением заболеваний в таких отслеживаемых контактах. Такой классификатор может быть использован (или передан отдельным устройствам для использования вместо и/или в дополнение к подсчету, например, как описано здесь), чтобы генерировать общую оценку для индивидуума на основе классификации и необязательно на основе дополнительной информации, такой как медицинский риск.
Необязательно или дополнительно, AM включает в себя один или несколько инструментов оптимизации, которые, учитывая различные входные данные, описанные здесь, и/или одну или несколько целей, оптимизируют доставку вакцины и/или график для достижения лучшего подхода к цели.
5. Модуль аналитики (A.M.) отправляет ответ обратно в систему и передает список пользователю, и теперь список доступен соответствующему персоналу. В некоторых вариантах осуществления это потенциально помогает соответствующему персоналу решать, кто, когда и где распределяет доступные дозы среди населения.

Каждый и любой из таких модулей может быть реализован, например, с использованием центрального сервера, распределенного сервера и/или облачной реализации.

В некоторых вариантах осуществления система может автоматически использовать имитационные модели для выбора и применения прогностической модели для предпочтительного применения доз (например, параметром может быть количество доступных доз или большее число лиц, защищенных актом вакцинации, и/или общее число ожидаемых смертей и/или время для достижения порога, при котором одно или несколько ограничений для общества могут быть сняты). В некоторых вариантах осуществления система может затем прогнозировать показатели неудовлетворительного результата вакцинации (если не вносятся изменения в показатели тенденции) и прогнозировать показатели одного и того же результата лечения, если требования выполнены, а затем сравнивать прогнозируемые показатели до и после, чтобы показать влияние выполнения требований. Затем система может подготовить отчет о требованиях и прогнозируемых последствиях выполнения требований и передать его пользователю.

In some embodiments of the invention, this server is used to manage distribution of vaccinations (e.g., s and/or times) and/or tracking of subjects that requested vaccination and/or received such vaccination. Optionally, this server manages the logistics of vaccine distribution using the information form the system indicating which subjects are to be vaccinated and in what order. In some embodiments of the invention, vaccinations are distributed based on population density and the vaccination management server is used to track subjects receiving vaccinations to ensure that they are not vaccinated out of turn, for example, by comparing prioritization data provided by the devices against a record of prioritization intentions.

In some embodiments, the system allows automatic machine learning as new data sources are added, and new data is collected, and the predictive algorithms are recalibrated and reselected using the expanded, and hence more reliable, data. In some embodiments, this may potentially enable users of the system to quickly realize the value of new data.

In some embodiments, the system utilizes machine learning, optionally incorporated in predictive model algorithms to execute predictive analytical operations. Learning may be supervised or unsupervised. In general, a predictive model analyzes historical data to identify patterns in the data. The patterns identified may include relationships between various events, characteristics, or other attributes of the data being analyzed. Modeling of such patterns may provide a predictive model whereby predictions may be made. Development of predictive models may employ mathematical or statistical modeling techniques such as curve fitting, smoothing, and regression analysis to fit or train the data. Such techniques may be used to model the distribution and relationships of the variables, e.g., how one or more events, characteristics, or circumstances (which may be referred to as “independent variables” or “predictor variables”) relate to an event or outcome (which may be referred to as a “dependent variable” or “response”).

In some embodiments, a machine learning process may include developing a predictive model. For example, a dataset comprising observed data may be input into a modeling process for mapping of the variables within the data. The mapped data may be used to develop a predictive model. The machine learning process may also include utilizing the predictive model to make predictions regarding a specified outcome that is a dependent variable with respect to the predictive model. The machine may then be provided an input of one or more observed predictor variables upon which the output or response is requested. By executing the machine-learning algorithm utilizing the input, the requested response may be generated and outputted. Thus, based on the presence or occurrence of a known predictor variable, the machine-learning algorithm may be used to predict a related future event or the probability of the future event.

Optionally or additionally, such a device includes a count analysis and/or other module that applies a classification or scoring method for example, as described herein. Optionally or additionally, such a device includes a sensor an associated software for detecting infection related information, for example, being indoors, , distance from other electronic devices, duration at such distance, coughing sounds and/or video or still analysis to detect mask wearing. Optionally or additionally, such a device includes a display and associated software for showing a vaccination invitation and/or a score. Optionally or additionally, such a device includes an input (e.g., a camera) for receiving information form printed or other screens, for example, a user's occupation or special dispensation. Optionally or additionally, such device includes software, which generates behavior alerts to the user, for example, when the user engages in riskier behavior.

В некоторых вариантах осуществления изобретения этот сервер используется для управления распределением вакцинаций (например, местоположений и/или времени) и/или отслеживания субъектов, которые запросили вакцинацию и/или получили такую вакцинацию. При необходимости этот сервер управляет логистикой распространения вакцины, используя информацию из системы, указывающую, какие субъекты должны быть вакцинированы и в каком порядке. В некоторых вариантах осуществления изобретения вакцинации распределяются на основе плотности населения, и сервер управления вакцинацией используется для отслеживания субъектов, получающих вакцинацию, чтобы гарантировать, что они не вакцинированы вне очереди, например, путем сравнения данных о приоритизации, предоставляемых устройствами, с записью намерений по приоритизации.

В некоторых вариантах осуществления система обеспечивает автоматическое машинное обучение по мере добавления новых источников данных и сбора новых данных, а также повторной калибровки и повторного выбора алгоритмов прогнозирования с использованием расширенных и, следовательно, более надежных данных. В некоторых вариантах осуществления это потенциально может позволить пользователям системы быстро осознать ценность новых данных.

В некоторых вариантах осуществления система использует машинное обучение, необязательно включенное в алгоритмы прогнозирующей модели для выполнения прогнозирующих аналитических операций. Обучение может проходить как под наблюдением, так и без него. Как правило, прогностическая модель анализирует исторические данные для выявления закономерностей в данных. Выявленные закономерности могут включать взаимосвязи между различными событиями, характеристиками или другими атрибутами анализируемых данных. Моделирование таких закономерностей может обеспечить прогностическую модель, с помощью которой можно делать прогнозы. При разработке прогностических моделей могут использоваться методы математического или статистического моделирования, такие как подгонка кривой, сглаживание и регрессионный анализ для подгонки или подготовки данных. Такие методы могут быть использованы для моделирования распределения и взаимосвязей переменных, например, того, как одно или несколько событий, характеристик или обстоятельств (которые могут называться “независимыми переменными” или “предикторными переменными”) связаны с событием или результатом (который может называться “зависимая переменная” или “реакция”).

В некоторых вариантах осуществления процесс машинного обучения может включать разработку прогностической модели. Например, набор данных, содержащий наблюдаемые данные, может быть введен в процесс моделирования для отображения переменных в данных. Отображенные данные могут быть использованы для разработки прогностической модели. Процесс машинного обучения может также включать в себя использование прогностической модели для прогнозирования определенного результата, который является зависимой переменной по отношению к прогностической модели. Затем машине может быть предоставлен ввод одной или нескольких наблюдаемых предикторных переменных, на основе которых запрашивается вывод или ответ. Путем выполнения алгоритма машинного обучения с использованием входных данных может быть сгенерирован и выведен запрошенный ответ. Таким образом, на основе наличия или появления известной переменной-предсказателя алгоритм машинного обучения может быть использован для прогнозирования соответствующего будущего события или вероятности будущего события.

Необязательно или дополнительно, такое устройство включает в себя анализ подсчета и/или другой модуль, который применяет, например, метод классификации или подсчета очков, как описано здесь. Необязательно или дополнительно, такое устройство включает в себя датчик и соответствующее программное обеспечение для обнаружения информации, связанной с инфекцией, например, нахождения в помещении, местоположения, расстояния от других электронных устройств, продолжительности на таком расстоянии, звуков кашля и/или видео или анализа неподвижности для обнаружения ношения маски. Необязательно или дополнительно такое устройство включает в себя дисплей и связанное с ним программное обеспечение для отображения приглашения на вакцинацию и/или оценки. Необязательно или дополнительно такое устройство включает в себя вход (например, камеру) для приема информации с печатных или других экранов, например, профессии пользователя или специального разрешения. Необязательно или дополнительно такое устройство включает в себя программное обеспечение, которое генерирует предупреждения о поведении пользователя, например, когда пользователь совершает более рискованное поведение.

Остается только надеяться, что человечество задумается о своём будущем, куда оно движется и кому это надо. Устраивает ли конкретно тебя такое будущее и твоё место в этом сценарии? Задумайся…

Кроме того, для тех, кто не в курсе, я «напоминаю»:

существование COVID-19 не доказано (он не выделен),

ПЦР-тест не определяет COVID-19,

вакцины не прошли фазы клинических исследований,

никто не несет ответственность в случае осложнений или смерти от вакцины,

сама пандемия весьма под большим сомнением.