Πέτερ Σταρ, Επιστήμονας της IBM, Ανοικτό Έρευνας Δεδομένων για το COVID-19 – Σειρά Συνεντεύξεων

Ο επιστήμονας της IBM Πέτερ Σταρ έχει αναπτύξει ένα εργαλείο AI που χρησιμοποιείται από περισσότερους από 300 εμπειρογνώμονες που αναπτύσσουν θεραπεία ή εμβόλιο για το COVID-19.

Για να βοηθήσουν τους ερευνητές να έχουν γρήγορη πρόσβαση σε δομημένα και αδόμητα δεδομένα, η IBM προσφέρει ένα cloud-based εργαλείο ερεύνης AI που έχει εκπαιδευτεί σε ένα σώμα από πάνω από 45.000 επιστημονικές εργασίες που περιέχονται στο COVID-19 Open Research Dataset (CORD-19), που έχει ετοιμαστεί από το Λευκό Οίκο και μια συνασπισμός ερευνητικών ομάδων, και αδειοδοτημένες βάσεις δεδομένων από το DrugBank, Clinicaltrials.gov και GenBank.

Ο Δρ. Πέτερ Σταρ εντάχθηκε στο εργαστήριο ερεύνης της IBM στη Ζυρίχη τον Ιούλιο του 2015 ως μεταδιδακτορικός ερευνητικός συνεργάτης στο πρόγραμμα Foundations of Cognitive Solutions. Ο επιστήμονας που γεννήθηκε στο Βέλγιο ήρθε για πρώτη φορά στην ερεύνιση της IBM ως θερινός φοιτητής το 2006.

Πότε εντάχθητε στο εργαστήριο ερεύνης της IBM στη Ζυρίχη;

Η αρχική μου έρευνα επικεντρώθηκε σε εφαρμογές για υψηλής απόδοσης υπολογιστές και ήταν μέρος της νικήτριας ομάδας για το prestigioso βραβείο ACM Gordon Bell.

Πιο πρόσφατα, γύρω στο 2017, άρχισα να επικεντρώνομαι στο AI και τον Αύγουστο του 2018, η ομάδα μου δημοσίευσε một εργασία στη διάσκεψη ACM για την ανακάλυψη γνώσεων και τα δεδομένα (KDD 2018) για ένα σύστημα κατάρτισης εγγράφων με μεγάλη κλίμακα, το οποίο ονομάσαμε Corpus Conversion Service. Αυτό το εργαλείο AI-βασισμένο cloud ήταν σε θέση να καταναλώσει 100.000 σελίδες PDF την ημέρα (ακόμη και από σκαναρισμένα έγγραφα) με ακρίβεια πάνω από 97 τοις εκατό – και στη συνέχεια να εκπαιδεύσει και να εφαρμόσει προηγμένα μοντέλα μηχανικής μάθησης που εξάγουν το περιεχόμενο από αυτά τα έγγραφα σε μια κλίμακα που δεν είχε επιτευχθεί ποτέ πριν. Τώρα εφαρμόζουμε αυτή τη mesma τεχνολογία για να βοηθήσουμε τους ερευνητές με το COVID-19.

Πότε η IBM ήρθε πρώτη φορά με την ιδέα της χρήσης του Corpus Conversion Service για την αντιμετώπιση της επιδημίας του COVID-19;

Τον Μάρτιο, η κυβέρνηση των Ηνωμένων Πολιτειών ηγήθηκε μιας προσπάθειας για τη δημοσίευση περισσότερων από 45.000 εγγράφων για τον ιό και το COVID-19. Όταν είδαμε το σώμα, γρήγορα συνειδητοποιήσαμε ότι η τεχνολογία μας θα μπορούσε να βοηθήσει, όχι μόνο για να κάνει τα PDF αναζητήσιμα, αλλά και για να συνδυάσει τις γνώσεις εντός αυτών των PDF με πρόσθετα σύνολα δεδομένων όπως το Drugbank, GenBank και Clinicaltrials.gov. Εκκινήσαμε την υπηρεσία στις 3 Απριλίου.

Πώς θα περιγράψετε καλύτερα τι είναι το Corpus Conversion Service;

Όπως με κάθε μεγάλο όγκο διαφορετικών πηγών δεδομένων, είναι δύσκολο να συλλέξουμε και να αναλύσουμε αυτά τα δεδομένα με τρόπο που μπορεί να προσφέρει επιστημονικές γνώσεις. Κάνουμε αυτό το έργο ευκολότερο χρησιμοποιώντας ένα γράφο γνώσεων που βρίσκει συνδέσεις μεταξύ αυτών των πηγών δεδομένων για να προσφέρει потенτικά νέες γνώσεις.

Μπορείτε να συζητήσετε την κύρια πρόκληση της εξαγωγής δεδομένων από μορφή PDF σε αναζητήσιμη μορφή;

Σύμφωνα με την Adobe (ADBE ), υπάρχουν περίπου 2,5 τρισεκατομμύρια αρχεία PDF που κυκλοφορούν. Σκεφτείτε τις γνώσεις που περιέχονται σε αυτά τα αρχεία: επιστημονικά άρθρα, τεχνική βιβλιογραφία και πολλά άλλα. Όμως, όλο αυτό το περιεχόμενο είναι “σκοτεινό” ή αχρησιμοποίητο, επειδή μέχρι τώρα, δεν είχαμε τρόπο να καταναλώσουμε μεγάλους αριθμούς αρχείων PDF σε κλίμακα και να τα κάνουμε χρήσιμα (ή δομημένα).

Τα αρχεία PDF συχνά περιέχουν συνδυασμούς διανυσματικών γραφικών, κειμένου και bitmap γραφικών, όλα τα οποία καθιστούν την εξαγωγή ποιοτικών και ποσοτικών δεδομένων αρκετά προκλητική. Πράγματι, η μετατροπή αυτοματοποιημένου περιεχομένου έχει ήταν ένα πρόβλημα για πάνω από μια δεκαετία. Ενώ πολλές λύσεις μετατροπής εγγράφων είναι διαθέσιμες, καμία από αυτές δεν αντιμετωπίζει την κλίμακα ή εφαρμόζει AI, που σημαίνει ότι πρέπει να βασίζονται σε ακριβή ανθρώπινη συντήρηση και αναβάθμιση.

Σε ότι αφορά μας, το Corpus Conversion Service είναι το πρώτο ολοκληρωμένο σύστημα που χρησιμοποιεί προηγμένο AI σε αυτό το επίπεδο κλίμακας. Ενώ οι υπάρχουσες λύσεις μπορούν να μετατρέψουν μόνο ένα έγγραφο κάθε φορά σε μια επιθυμητή μορφή εξόδου, το εργαλείο μας μπορεί να καταναλώσει ολόκληρες συλλογές, ένα σώμα εγγράφων, και να δημιουργήσει μοντέλα μηχανικής μάθησης πάνω σε αυτό.

Πώς εξάγετε όχι μόνο το κείμενο που περιέχεται σε ένα έγγραφο αλλά και τη δομή;

Ένα κλειδί στοιχείο είναι ότι σχεδιάσαμε την αλληλεπίδραση ανθρώπου-υπολογιστή στο σύστημα για να επιτρέψουμε πολύ γρήγορη και μαζική σήμανση χωρίς καμία γνώση υπολογιστών. Αυτή η αλλαγή στη μηχανική μάθηση δίνει στην υπηρεσία μας μεγάλη ευελιξία, καθώς μπορεί να προσαρμοστεί γρήγορα σε bestimmμένα πρότυπα εγγράφων, να επιτύχει υψηλή ακρίβεια και τελικά να εξαλείψει την ακριβή και χρονοβόρα ρύθμιση που είναι τυπική για τις παραδοσιακές αλγορίθμους βασισμένες σε κανόνες.

Μπορείτε να συζητήσετε τις προκλήσεις της κατασκευής ενός μοντέλου μηχανικής μάθησης που μπορεί να κλιμακωθεί και να ανταποκριθεί γρήγορα σε εκατοντάδες και ακόμη και χιλιάδες ταυτόχρονους χρήστες;

Έχουμε αναπτύξει το Corpus Conversion Service πάνω από τις υπηρεσίες cloud της τελευταίας τεχνολογίας, όπως το OpenShift στην IBM Cloud. Αυτό μας επιτρέπει να κλιμακωσουμε την εφαρμογή μας χωρίς προσπάθεια με αυξημένη ζήτηση. Τα μοντέλα AI που εφαρμόζουμε μπορούν να χρησιμοποιηθούν από πολλούς χρήστες ταυτόχρονα.

Πόσα έγγραφα έχουν καταναλωθεί στην υπηρεσία;

Έχουμε plusieurs βιομηχανικούς πελάτες που χρησιμοποιούν τα εργαλεία, οπότε δεν ξέρουμε πόσα έγγραφα έχουν καταναλώσει, καθώς έχουν το δικό τους instance της IBM Cloud. Αλλά για το COVID-19, καταναλώσαμε όλα τα 45.826 έγγραφα από το Λευκό Οίκο.

Πώς ανταποκρίθηκε η ερευνητική κοινότητα στη χρήση этого εργαλείου AI;

Από τότε που ανακοινώσαμε τη δωρεάν διαθεσιμότητα του εργαλείου μας πριν από quelques εβδομάδες, έχουμε περισσότερους από 400 χρήστες από πάνω από δώδεκα χώρες, οι περισσότεροι από τους οποίους είναι ιατροί και καθηγητές.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστεί σχετικά με την υπηρεσία Corpus Conversion Service και/ή την χρήση της στο контекστό του COVID-19;

Ένας από τους πελάτες μας είναι η ιταλική εταιρεία ενέργειας Eni, η οποία χρησιμοποιεί την τεχνολογία μας για την εξερεύνηση υδρογονανθράκων, η οποία είναι μια σύνθετη και γνώσεων-εντατική επιχείρηση που εμπλέκει διάφορες μηχανικές και επιστημονικές дисципλίνες που εργάζονται μαζί.

Στην Eni, η γνώση βασίζεται στην επεξεργασία μεγάλων ποσοτήτων γεωλογικών, φυσικών και γεωχημικών δεδομένων, τα οποία στη συνέχεια επεξεργάζονται σε ένα γράφο γνώσεων. Οι γεωεπιστήμονες μπορούν να χρησιμοποιήσουν την AI για να περιβάλλουν και να παρουσιάζουν σχετικές πληροφορίες, οι οποίες θα τους βοηθήσουν να βελτιώσουν την λήψη αποφάσεων και την αναγνώριση και επαλήθευση πιθανών εναλλακτικών σεναρίων εξερεύνησης. Πιο συγκεκριμένα, για την Eni, αυτό σημαίνει μια πιο ρεαλιστική και ακριβή αναπαράσταση του γεωλογικού μοντέλου.

Ευχαριστώ πολύ για αυτή τη πολύ σημαντική συνέντευξη, αυτό θα σώσει τους ερευνητές αμέτρητες ώρες. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα για την τεχνολογία πρέπει να επισκεφθούν την ιστοσελίδα της υπηρεσίας Corpus Conversion Service. Οι ερευνητές πρέπει να επισκεφθούν την σελίδα του εργαλείου AI για το COVID-19. Παρακαλώ σημειώστε, η πρόσβαση σε αυτό το ресурс θα χορηγηθεί μόνο σε διαπιστευμένους ερευνητές.