συνεντεύξεις
Stefano Pacifico και David Heeger, συνιδρυτές της Epistemic AI – Series Interview
Epistemic AI χρησιμοποιεί προηγμένους αλγόριθμους Επεξεργασίας Φυσικής Γλώσσας (NLP), μηχανικής μάθησης και βαθιάς μάθησης για τη χαρτογράφηση των σχέσεων μεταξύ ενός αυξανόμενου σώματος βιοϊατρικής γνώσης, από πολλές δημόσιες και ιδιωτικές πηγές, συμπεριλαμβανομένων εγγράφων κειμένου και βάσεων δεδομένων. Μέσω μιας διαδικασίας Χαρτογράφησης Γνώσης, οι χρήστες εργάζονται διαδραστικά με την πλατφόρμα για να χαρτογραφήσουν και να κατανοήσουν υποσύνολα βιοϊατρικής γνώσης, τα οποία αποκαλύπτουν έννοιες και σχέσεις και που κατά τα άλλα χάνονται με την παραδοσιακή αναζήτηση.
Πήραμε συνεντεύξεις και από τους δύο συνιδρυτές της Epistemic AI για να συζητήσουμε αυτές τις τελευταίες εξελίξεις.
Stefano Pacifico προέρχεται από 10+ χρόνια στην εφαρμοσμένη ανάπτυξη AI και NLP. Παλαιότερα στο Bloomberg, όπου πέρασε 7 χρόνια, και ήταν στο Elemental Cognition πριν ξεκινήσει το Epistemic.
Ντέιβιντ Χέιγκερ είναι Αργυρός Καθηγητής Επιστήμης Δεδομένων και Νευροεπιστήμης στο NYU και έχει περάσει την καριέρα του γεφυρώνοντας την επιστήμη των υπολογιστών, την τεχνητή νοημοσύνη και τη βιοεπιστήμη. Είναι μέλος της Εθνικής Ακαδημίας Επιστημών. Ως ιδρυτές συγκεντρώνουν την τεχνογνωσία της κατασκευής εφαρμοζόμενων συστημάτων AI και NLP μεγάλης κλίμακας για την κατανόηση μεγάλων συλλογών γνώσης, με εξειδίκευση στην υπολογιστική βιολογία και τη βιοϊατρική επιστήμη από χρόνια έρευνας στην περιοχή.
Τι είναι αυτό που σας εισήγαγε και σας προσέλκυσε στην τεχνητή νοημοσύνη και την επεξεργασία φυσικής γλώσσας (NLP);
Stefano Pacifico: Όταν ήμουν στο κολέγιο της Ρώμης και η τεχνητή νοημοσύνη δεν ήταν καθόλου δημοφιλής (στην πραγματικότητα ήταν πολύ περιθωριακή), ρώτησα τον τότε σύμβουλό μου ποια εξειδίκευση έπρεπε να είχα πάρει μεταξύ των διαθέσιμων. Είπε: «Αν θέλετε να κερδίσετε χρήματα, Μηχανική Λογισμικού και Βάσεις Δεδομένων, αλλά αν θέλετε να είστε περίεργοι αλλά πολύ προχωρημένοι, τότε επιλέξτε Τεχνητή Νοημοσύνη». Πουλήθηκα στο "weird". Στη συνέχεια άρχισα να εργάζομαι για την αναπαράσταση γνώσης και τη συλλογιστική για να μελετήσω πώς οι αυτόνομοι πράκτορες μπορούσαν να παίξουν ποδόσφαιρο ή να διασώσουν ανθρώπους. Τότε δύο συνειδητοποιήσεις με έκαναν να ερωτευτώ το NLP: πρώτον, οι αυτόνομοι πράκτορες ίσως χρειαστεί να επικοινωνήσουν με φυσική γλώσσα μεταξύ τους! Δεύτερον, η δημιουργία επίσημων βάσεων γνώσης με το χέρι είναι δύσκολη, ενώ η φυσική γλώσσα (σε κείμενο) παρέχει ήδη τη μεγαλύτερη βάση γνώσεων από όλες. Ξέρω ότι σήμερα αυτές μπορεί να φαίνονται προφανείς παρατηρήσεις, αλλά δεν ήταν τόσο mainstream πριν.
Ποια ήταν η έμπνευση πίσω από την κυκλοφορία του Epistemic AI;
Stefano Pacifico: Θα κάνω έναν τολμηρό ισχυρισμό. Κανείς σήμερα δεν διαθέτει επαρκή εργαλεία για να κατανοήσει και να συνδέσει τη γνώση που υπάρχει σε μεγάλες, συνεχώς αυξανόμενες συλλογές εγγράφων και δεδομένων. Είχα δουλέψει στο παρελθόν πάνω σε αυτό το πρόβλημα στον κόσμο των οικονομικών. Σκεφτείτε ειδήσεις, οικονομικές καταστάσεις, δεδομένα τιμολόγησης, εταιρικές ενέργειες, καταθέσεις κ.λπ. Βρήκα αυτό το πρόβλημα μεθυστικό. Και φυσικά, είναι ένα δύσκολο πρόβλημα. και ένα σημαντικό! Όταν συνάντησα τον συνιδρυτή μου, τον Δρ David Heeger, αφιερώσαμε αρκετό χρόνο στην αξιολόγηση των ευκαιριών startup στη βιοϊατρική βιομηχανία. Όταν συνειδητοποιήσαμε τον τεράστιο όγκο των πληροφοριών που παράγονται σε αυτό το πεδίο, είναι σαν να έπεσαν όλα στη σωστή τους θέση. Οι βιοϊατρικοί ερευνητές παλεύουν με την υπερφόρτωση πληροφοριών, ενώ προσπαθούν να αντιμετωπίσουν την τεράστια και ταχέως διευρυνόμενη βάση της βιοϊατρικής γνώσης, συμπεριλαμβανομένων εγγράφων (π.χ. έγγραφα, διπλώματα ευρεσιτεχνίας, κλινικές δοκιμές) και βάσεων δεδομένων (π.χ. γονίδια, πρωτεΐνες, μονοπάτια, φάρμακα, ασθένειες, ιατρικοί όροι). Αυτό είναι ένα σημαντικό σημείο πόνου για τους ερευνητές και, χωρίς να υπάρχει διαθέσιμη κατάλληλη λύση, αναγκάζονται να χρησιμοποιήσουν βασικά εργαλεία αναζήτησης (PubMed και Google Scholar) και να εξερευνήσουν βάσεις δεδομένων που επιμελούνται με μη αυτόματο τρόπο. Αυτά τα εργαλεία είναι κατάλληλα για την εύρεση εγγράφων που ταιριάζουν με λέξεις-κλειδιά (π.χ. ένα μεμονωμένο γονίδιο ή ένα δημοσιευμένο περιοδικό), αλλά όχι για την απόκτηση ολοκληρωμένης γνώσης σχετικά με μια θεματική περιοχή ή υποτομέα (π.χ. COVID-19) ή για την ερμηνεία των αποτελεσμάτων υψηλής απόδοσης πειράματα βιολογίας, όπως αλληλουχία γονιδίων, έκφραση πρωτεϊνών ή έλεγχος χημικών ενώσεων. Ξεκινήσαμε το Epistemic AI με την ιδέα να αντιμετωπίσουμε αυτό το πρόβλημα με μια πλατφόρμα που τους επιτρέπει να:
- Συντομεύστε το χρόνο για τη συλλογή πληροφοριών και τη δημιουργία περιεκτικών χαρτών γνώσης
- Επιφανειακές διεπιστημονικές πληροφορίες που κατά τα άλλα μπορεί να είναι δύσκολο να βρεθούν (οι πραγματικές ανακαλύψεις προέρχονται συχνά από την εξέταση του λευκού χώρου μεταξύ των κλάδων).
- Προσδιορίστε τις αιτιακές υποθέσεις βρίσκοντας μονοπάτια και συνδέσμους που λείπουν στον χάρτη γνώσεων σας.
Ποιες είναι μερικές από τις δημόσιες και ιδιωτικές πηγές που χρησιμοποιούνται για τη χαρτογράφηση αυτών των σχέσεων;
Stefano Pacifico: Προς το παρόν, λαμβάνουμε όλες τις δημόσια διαθέσιμες πηγές που μπορούμε να βρούμε, συμπεριλαμβανομένων των Pubmed και κλινικών trials.gov. Λαμβάνουμε βάσεις δεδομένων με γονίδια, φάρμακα, ασθένειες και τις αλληλεπιδράσεις τους. Περιλαμβάνουμε επίσης ιδιωτικές πηγές δεδομένων για επιλεγμένους πελάτες, αλλά δεν είμαστε ακόμη ελεύθεροι να αποκαλύψουμε λεπτομέρειες.
Τι τύποι τεχνολογιών μηχανικής εκμάθησης χρησιμοποιούνται για τη χαρτογράφηση γνώσης;
Stefano Pacifico: Μία από τις βαθιά διαδεδομένες πεποιθήσεις στο Epistemic AI είναι ότι ο ζηλωτής δεν είναι χρήσιμος για την κατασκευή προϊόντων. Η οικοδόμηση μιας αρχιτεκτονικής που ενσωματώνει πολλές τεχνικές μηχανικής μάθησης ήταν μια απόφαση που ελήφθη από νωρίς, και αυτές κυμαίνονται από την Αναπαράσταση Γνώσης έως τα μοντέλα μετασχηματιστή, μέσω ενσωματώσεων γραφημάτων, αλλά περιλαμβάνουν επίσης απλούστερα μοντέλα όπως παλινδρομήσεις και τυχαία δάση. Κάθε στοιχείο είναι τόσο απλό όσο χρειάζεται, αλλά όχι απλούστερο. Παρόλο που πιστεύουμε ότι έχουμε ήδη δημιουργήσει στοιχεία NLP που είναι τελευταίας τεχνολογίας για ορισμένες εργασίες, δεν αποφεύγουμε τα απλούστερα βασικά μοντέλα όταν είναι δυνατόν.
Μπορείτε να αναφέρετε μερικές από τις εταιρείες, μη κερδοσκοπικούς οργανισμούς ή ακαδημαϊκά ιδρύματα που χρησιμοποιούν την πλατφόρμα Epistemic;
Stefano Pacifico: Αν και θα το ήθελα πολύ, δεν έχουμε συμφωνήσει με τους χρήστες μας να το κάνουμε. Μπορώ να πω ότι είχαμε άτομα που εγγράφηκαν από ιδρύματα πολύ υψηλού προφίλ και στα τρία τμήματα (εταιρείες, μη κερδοσκοπικά και ακαδημαϊκά ιδρύματα). Επιπλέον, σκοπεύουμε να διατηρήσουμε την πλατφόρμα δωρεάν για ακαδημαϊκούς/μη κερδοσκοπικούς σκοπούς.
Πώς βοηθά το Epistemic τους ερευνητές στον εντοπισμό του κεντρικού νευρικού συστήματος (ΚΝΣ) και άλλων βιοδεικτών που σχετίζονται με την ασθένεια;
Δρ Ντέιβιντ Χέιγκερ: Η νευροεπιστήμη είναι ένας πολύ διεπιστημονικός τομέας που περιλαμβάνει τη μοριακή και κυτταρική βιολογία και τη γονιδιωματική, αλλά και την ψυχολογία, τη χημεία και τις αρχές της φυσικής, της μηχανικής και των μαθηματικών. Είναι τόσο ευρύ που κανείς δεν μπορεί να είναι ειδικός σε όλα αυτά. Οι ερευνητές σε ακαδημαϊκά ιδρύματα και εταιρείες φαρμακευτικής/βιοτεχνολογίας αναγκάζονται να ειδικευτούν. Γνωρίζουμε όμως ότι οι σημαντικές γνώσεις είναι διεπιστημονικές, συνδυάζοντας γνώσεις από τις επιμέρους ειδικότητες. Η πλατφόρμα λογισμικού που χτίζουμε με τεχνητή νοημοσύνη επιτρέπει σε όλους να είναι πολύ πιο διεπιστημονικοί, να βλέπουν τις συνδέσεις μεταξύ του επιμέρους υποτομέα εξειδίκευσής τους και άλλων θεμάτων και να εντοπίζουν νέες υποθέσεις. Αυτό είναι ιδιαίτερα σημαντικό στη νευροεπιστήμη επειδή είναι ένα τόσο άκρως διεπιστημονικό πεδίο για αρχή. Η λειτουργία και η δυσλειτουργία του ανθρώπινου εγκεφάλου είναι το πιο δύσκολο πρόβλημα που έχει αντιμετωπίσει ποτέ η επιστήμη. Είμαστε σε μια αποστολή να αλλάξουμε τον τρόπο με τον οποίο εργάζονται οι βιοϊατρικοί επιστήμονες και ακόμη και πώς σκέφτονται.
Το Epistemic επιτρέπει επίσης την ανακάλυψη γενετικών μηχανισμών διαταραχών του ΚΝΣ. Μπορείτε να μας εξηγήσετε πώς λειτουργεί αυτό;
Δρ Ντέιβιντ Χέιγκερ: Οι περισσότερες νευρολογικές παθήσεις, ψυχιατρικές ασθένειες και αναπτυξιακές διαταραχές δεν έχουν απλή εξήγηση όσον αφορά τις γενετικές διαφορές. Υπάρχει μια χούφτα συνδρομικών διαταραχών για τις οποίες μια συγκεκριμένη μετάλλαξη είναι γνωστό ότι προκαλεί τη διαταραχή. Αλλά αυτό δεν συμβαίνει συνήθως. Υπάρχουν εκατοντάδες γενετικές διαφορές, για παράδειγμα, που έχουν συσχετιστεί με διαταραχές του φάσματος του αυτισμού (ΔΑΦ). Υπάρχει κάποια κατανόηση για ορισμένα από αυτά τα γονίδια σχετικά με τις λειτουργίες που εξυπηρετούν από την άποψη της βασικής βιολογίας. Για παράδειγμα, ορισμένα από τα γονίδια που σχετίζονται με τη ΔΑΦ συγκρατούν τις συνάψεις μαζί στον εγκέφαλο (σημειώστε, ωστόσο, ότι τα ίδια γονίδια τυπικά εκτελούν διαφορετικές λειτουργίες σε άλλα συστήματα οργάνων του σώματος). Αλλά υπάρχει πολύ λίγη κατανόηση σχετικά με το πώς αυτές οι γενετικές διαφορές μπορούν να εξηγήσουν τη σύνθετη σειρά διαφορών συμπεριφοράς που παρουσιάζουν τα άτομα με ΔΑΦ. Για να γίνουν τα πράγματα χειρότερα, δύο άτομα με την ίδια γενετική διαφορά μπορεί να έχουν εντελώς διαφορετικά αποτελέσματα, το ένα έχει διαγνωστεί με ΔΑΦ και το άλλο όχι. Και δύο άτομα με εντελώς διαφορετικά γενετικά προφίλ μπορεί να έχουν το ίδιο αποτέλεσμα με πολύ παρόμοια ελλείμματα συμπεριφοράς. Για να κατανοηθούν όλα αυτά απαιτείται η σύνδεση από τη γονιδιωματική και τη μοριακή βιολογία με την κυτταρική νευροεπιστήμη (πώς οι γενετικές διαφορές προκαλούν μεμονωμένους νευρώνες να λειτουργούν διαφορετικά) και στη συνέχεια με τη νευροεπιστήμη συστημάτων (πώς αυτές οι διαφορές στην κυτταρική λειτουργία προκαλούν δίκτυα μεγάλου αριθμού διασυνδεδεμένων νευρώνων να λειτουργήσει διαφορετικά) και μετά στην ψυχολογία (πώς αυτές οι διαφορές στη λειτουργία του νευρωνικού δικτύου προκαλούν διαφορές στη γνώση, το συναίσθημα και τη συμπεριφορά). Και όλα αυτά πρέπει να γίνουν κατανοητά από αναπτυξιακή προοπτική. Μια γενετική διαφορά μπορεί να προκαλέσει έλλειμμα σε μια συγκεκριμένη πτυχή της νευρικής λειτουργίας. Αλλά ο εγκέφαλος δεν κάθεται μόνο εκεί και το παίρνει. Οι εγκέφαλοι είναι ιδιαίτερα προσαρμοστικοί. Εάν λείπει ή έχει σπάσει ένας μηχανισμός, τότε ο εγκέφαλος θα αναπτυχθεί διαφορετικά για να αντισταθμίσει όσο το δυνατόν περισσότερο. Αυτή η αντιστάθμιση μπορεί να είναι μοριακή, για παράδειγμα, να ρυθμίζει προς τα πάνω έναν άλλο συναπτικό υποδοχέα για να αντικαταστήσει τη λειτουργία ενός σπασμένου συναπτικού υποδοχέα. Ή η αποζημίωση μπορεί να είναι συμπεριφοριστική. Το τελικό αποτέλεσμα εξαρτάται όχι μόνο από την αρχική γενετική διαφορά αλλά και από τις διάφορες προσπάθειες αντιστάθμισης βασιζόμενοι σε άλλους μοριακούς, κυτταρικούς, κυκλωματικούς, συστήματα και μηχανισμούς συμπεριφοράς.
Κανένας άνθρωπος δεν έχει τη γνώση να τα καταλάβει όλα αυτά. Όλοι χρειαζόμαστε βοήθεια. Η πλατφόρμα λογισμικού που χτίζουμε με τεχνητή νοημοσύνη επιτρέπει σε όλους να συλλέξουν και να συνδέσουν όλες τις σχετικές βιοϊατρικές γνώσεις, να δουν τις συνδέσεις και να εντοπίσουν νέες υποθέσεις.
Πώς χρησιμοποιούν τα βιοφαρμακευτικά ιδρύματα και τα ακαδημαϊκά ιδρύματα το Epistemic για να αντιμετωπίσουν την πρόκληση του COVID-19;
Stefano Pacifico: Έχουμε κυκλοφορήσει μια δημόσια έκδοση της πλατφόρμας μας που περιλαμβάνει σύνολα δεδομένων ειδικά για τον COVID και είναι ελεύθερα προσβάσιμη σε οποιονδήποτε κάνει έρευνα για τον COVID-19. Είναι διαθέσιμο στη διεύθυνση https://covid.epistemic.ai
Ποιες είναι μερικές από τις άλλες ασθένειες ή γενετικά ζητήματα για τα οποία έχει χρησιμοποιηθεί το Epistemic;
Stefano Pacifico: Έχουμε συνεργαστεί με ερευνητές του αυτισμού και πιο πρόσφατα συγκεντρώνουμε μια νέα ερευνητική προσπάθεια για την Κυστική Ίνωση. Αλλά είμαστε στην ευχάριστη θέση να συνεργαστούμε με οποιονδήποτε άλλο ερευνητή ή ίδρυμα που μπορεί να χρειαστεί βοήθεια με την έρευνά τους.
Υπάρχει κάτι άλλο που θα θέλατε να μοιραστείτε σχετικά με το Epistemic;
Stefano Pacifico: Χτίζουμε ένα κίνημα ανθρώπων που θέλουν να αλλάξουν τον τρόπο εργασίας και σκέψης των βιοϊατρικών ερευνητών. Ελπίζουμε ειλικρινά ότι πολλοί από τους αναγνώστες σας θα θελήσουν να συμμετάσχουν μαζί μας!
Σας ευχαριστούμε και τους δύο για τον χρόνο που αφιερώσατε για να απαντήσετε στις ερωτήσεις μας. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να το επισκεφτούν Epistemic AI.
