Peter Staar, IBM-Wissenschaftler, COVID-19 Open Research Dataset – Interview-Reihe

Der IBM-Wissenschaftler Peter Staar hat ein KI-Tool entwickelt, das von über 300 Experten verwendet wird, die an einer Behandlung oder Impfung gegen COVID-19 arbeiten.

Um Forschern den Zugang zu strukturierten und unstrukturierten Daten zu erleichtern, bietet IBM eine cloud-basierte KI-Forschungsressource an, die auf einem Korpus von über 45.000 wissenschaftlichen Artikeln trainiert wurde, die im COVID-19 Open Research Dataset (CORD-19) enthalten sind, das vom Weißen Haus und einer Koalition von Forschungsgruppen vorbereitet und von lizenzierten Datenbanken wie DrugBank, Clinicaltrials.gov und GenBank bereitgestellt wird.

Dr. Peter Staar trat dem IBM Research – Zurich Laboratory im Juli 2015 als Post-Doc-Forschungsstipendiat im Projekt Foundations of Cognitive Solutions bei. Der in Belgien geborene Wissenschaftler kam 2006 erstmals als Sommerstudent zu IBM Research.

Sie haben sich im Juli 2015 dem IBM Research – Zurich Laboratory angeschlossen. An welchen Projekten haben Sie bei IBM gearbeitet?

Meine anfängliche Forschung konzentrierte sich auf Anwendungen für Hochleistungsrechnen und war Teil des Teams, das den prestigeträchtigen ACM Gordon Bell Award gewann.

Vor kurzem, um 2017, begann ich mich auf KI zu konzentrieren und im August 2018 veröffentlichte mein Team einen Artikel auf der ACM-Konferenz über Knowledge Discovery und Data Mining (KDD 2018) über ein massiv skalierbares Dokumenten-Import-System, das wir Corpus Conversion Service nannten. Dieses KI-basierte Cloud-Tool konnte 100.000 PDF-Seiten pro Tag (auch gescannte Dokumente) mit einer Genauigkeit von über 97 Prozent importieren und dann trainieren und erweiterte maschinelle Lernalgorithmen anwenden, um den Inhalt aus diesen Dokumenten auf einer nie zuvor erreichten Skala zu extrahieren. Wir wenden diese Technologie jetzt an, um Forschern bei COVID-19 zu helfen.

Wann kam IBM auf die Idee, den Corpus Conversion Service zur Bekämpfung der COVID-19-Epidemie einzusetzen?

Im März führte das Weiße Haus eine Initiative, um über 45.000 Dokumente über den Coronavirus und COVID-19 zu veröffentlichen. Als wir den Korpus sahen, erkannten wir schnell, dass unsere Technologie helfen konnte, nicht nur die PDFs durchsuchbar zu machen, sondern auch die Kenntnisse innerhalb dieser PDFs mit zusätzlichen Datenbanken wie Drugbank, GenBank und Clinicaltrials.gov zu kombinieren. Wir starteten den Dienst am 3. April.

Wie würden Sie den Corpus Conversion Service am besten beschreiben?

Wie bei jedem großen Volumen an disparaten Datenquellen ist es schwierig, diese Daten effizient zu aggregieren und zu analysieren, um wissenschaftliche Erkenntnisse zu gewinnen. Wir erleichtern dies mithilfe eines Wissensgraphen, der Verbindungen zwischen diesen Datenquellen herstellt, um möglicherweise neue Erkenntnisse zu gewinnen.

Können Sie die Hauptherausforderung bei der Extraktion von Daten aus dem PDF-Format in eine durchsuchbare Form diskutieren?

Laut Adobe (ADBE ) gibt es etwa 2,5 Billionen Portable Document Format (PDF)-Dateien, die derzeit im Umlauf sind. Denken Sie an die Kenntnisse, die diese Dateien enthalten: wissenschaftliche Artikel, technische Literatur und vieles mehr. Aber all dieser Inhalt ist “dunkel” oder ungenutzt, weil wir bisher keine Möglichkeit hatten, eine große Anzahl von PDF-Dateien im großen Maßstab zu importieren und ihren Inhalt nutzbar zu machen (oder zu strukturieren).

PDF-Dateien enthalten oft Kombinationen aus Vektorgrafiken, Text und Bitmap-Grafiken, was die Extraktion qualitativer und quantitativer Daten sehr herausfordernd macht. Tatsächlich war die automatische Inhaltsrekonstruktion already seit über einem Jahrzehnt ein Problem. Obwohl viele Dokumentenkonvertierungslösungen verfügbar sind, gehen sie nicht auf Skalierbarkeit oder KI ein, was bedeutet, dass sie auf teure, von Menschen durchgeführte Wartung und Aktualisierung angewiesen sind.

Soweit wir wissen, ist der Corpus Conversion Service das erste umfassende System, das erweiterte KI auf diesem Skalierbarkeitsniveau einsetzt. Während bestehende Lösungen nur ein Dokument auf einmal in ein gewünschtes Ausgabeformat umwandeln können, kann unser Tool ganze Sammlungen, einen Korpus von Dokumenten, importieren und maschinelle Lernalgorithmen darauf aufbauen.

Wie extrahieren Sie nicht nur den Text, der in einem Dokument enthalten ist, sondern auch die Struktur?

Ein wichtiger Aspekt ist, dass wir die Mensch-Computer-Interaktion im System so gestaltet haben, dass sehr schnelle und massive Annotation ohne Computerkenntnisse möglich ist. Dieser Wechsel zu maschinellem Lernen gibt unserem Dienst eine große Flexibilität, da er sich schnell an bestimmte Dokumentenvorlagen anpassen, sehr genaue Ergebnisse erzielen und letztendlich die teuren und zeitaufwändigen Anpassungen traditioneller regelbasierter Algorithmen eliminieren kann.

Können Sie die Herausforderungen bei der Erstellung eines maschinellen Lernalgorithmus diskutieren, der skalierbar ist und schnell auf hunderte und möglicherweise tausende von gleichzeitigen Benutzern reagieren kann?

Wir haben den Corpus Conversion Service auf state-of-the-art-Cloud-Diensten wie OpenShift auf IBM Cloud aufgebaut. Dies ermöglicht es uns, unsere Anwendung mühelos mit zunehmender Nachfrage zu skalieren. Die KI-Modelle, die wir anwenden, können daher von vielen Benutzern gleichzeitig genutzt werden.

Wie viele Dokumente wurden in den Dienst importiert?

Wir haben mehrere industrielle Kunden, die die Tools nutzen, daher wissen wir nicht, wie viele Dokumente sie importiert haben, da jeder von ihnen eine eigene IBM-Cloud-Instanz hat. Aber für COVID-19 haben wir alle 45.826 Artikel aus dem Weißen Haus importiert.

Wie hat die Forschungsgemeinschaft auf die Verwendung dieses KI-Tools reagiert?

Seit wir die kostenlose Verfügbarkeit unseres Tools vor einigen Wochen bekannt gegeben haben, haben wir über 400 Benutzer aus über einem Dutzend Ländern, die meisten von ihnen ärztliche Doktoren und Professoren.

Gibt es noch etwas, das Sie über den Corpus Conversion Service und/oder seine Verwendung im Zusammenhang mit COVID-19 teilen möchten?

Einer unserer Kunden ist der italienische Energiekonzern Eni, der unsere Technologie für die Erforschung von Kohlenwasserstoffen nutzt, ein komplexes und kenntnisintensives Geschäft, das verschiedene Ingenieur- und wissenschaftliche Disziplinen umfasst, die zusammenarbeiten.

Bei Eni basiert das Wissen auf der Verarbeitung großer Mengen geologischer, physikalischer und geochemischer Daten, die dann in einen Wissensgraphen umgewandelt werden. Geowissenschaftler können dann KI verwenden, um relevante Informationen zu kontextualisieren und darzustellen, was ihnen helfen kann, bessere Entscheidungen zu treffen und alternative Erforschungsszenarien zu identifizieren und zu überprüfen. Insbesondere für Eni bedeutet dies eine realistischere und präzisere Darstellung des geologischen Modells.

Vielen Dank für dieses sehr wichtige Interview, dies wird Forschern unzählige Stunden sparen. Leser, die mehr über die Technologie erfahren möchten, sollten die Website des Corpus Conversion Service besuchen. Forscher sollten die COVID-19-KI-Tool-Seite besuchen. Bitte beachten Sie, dass der Zugang zu dieser Ressource nur qualifizierten Forschern gewährt wird.