Peter Staar, scientifique d’IBM, ensemble de données de recherche ouvert sur le COVID-19 – Série d’entretiens

Le scientifique d’IBM Peter Staar a développé un outil d’intelligence artificielle qui est utilisé par plus de 300 experts qui développent un traitement ou un vaccin contre le COVID-19.

Pour aider les chercheurs à accéder rapidement aux données structurées et non structurées, IBM propose une ressource de recherche en intelligence artificielle basée sur le cloud qui a été formée sur un corpus de plus de 45 000 articles scientifiques contenus dans l’ensemble de données de recherche ouvert sur le COVID-19 (CORD-19), préparé par la Maison Blanche et une coalition de groupes de recherche, ainsi que des bases de données sous licence de DrugBank, Clinicaltrials.gov et GenBank.

Le Dr Peter Staar a rejoint le laboratoire de recherche d’IBM à Zurich en juillet 2015 en tant que boursier de recherche postdoctoral dans le projet Foundations of Cognitive Solutions. Le scientifique belge est venu chez IBM Research pour la première fois en 2006 en tant qu’étudiant d’été.

Vous avez rejoint le laboratoire de recherche d’IBM à Zurich en juillet 2015. Quels types de projets avez-vous travaillés chez IBM ?

Mes recherches initiales se sont concentrées sur les applications de l’informatique haute performance et j’ai fait partie de l’équipe gagnante du prestigieux prix ACM Gordon Bell.

Plus récemment, vers 2017, j’ai commencé à me concentrer sur l’intelligence artificielle et en août 2018, mon équipe a publié un article à la conférence ACM sur la découverte de connaissances et l’extraction de données (KDD 2018) sur un système d’ingestion de documents massivement évolutif, que nous avons appelé le Corpus Conversion Service. Cet outil basé sur l’intelligence artificielle dans le cloud a pu ingérer 100 000 pages PDF par jour (même des documents scannés) avec une précision supérieure à 97 % – puis former et appliquer des modèles d’apprentissage automatique avancés qui extraient le contenu de ces documents à une échelle jamais atteinte auparavant. Nous appliquons maintenant cette même technologie pour aider les chercheurs sur le COVID-19.

Quand IBM a-t-il eu l’idée d’utiliser le Corpus Conversion Service pour lutter contre l’épidémie de COVID-19 ?

À la mi-mars, la Maison Blanche a mené un effort pour publier plus de 45 000 documents sur le coronavirus et le COVID-19. Lorsque nous avons vu le corpus, nous avons rapidement réalisé que notre technologie pouvait aider, non seulement pour rendre les PDF recherchables, mais également pour combiner les connaissances dans ces PDF avec des ensembles de données supplémentaires comme Drugbank, GenBank et Clinicaltrials.gov. Nous sommes passés en ligne avec le service le 3 avril.

Pouvez-vous décrire ce qu’est le Corpus Conversion Service ?

Comme pour tout grand volume de sources de données disparates, il est difficile d’agréger et d’analyser ces données de manière à produire des connaissances scientifiques. Nous facilitons cela en utilisant un graphique de connaissances qui trouve des liens entre ces sources de données pour potentiellement produire de nouvelles connaissances.

Pouvez-vous discuter du principal défi de l’extraction de données du format PDF en une forme recherchable ?

Selon Adobe (ADBE ), il y a environ 2,5 billions de fichiers au format PDF (Portable Document Format) actuellement en circulation. Pensez à toutes les connaissances que contiennent ces fichiers : articles scientifiques, littérature technique et bien plus encore. Mais tout ce contenu est « sombre » ou inutilisé, car jusqu’à présent, nous n’avions pas de moyen d’ingérer un grand nombre de fichiers PDF à grande échelle et de rendre leur contenu utilisable (ou structuré).

Les fichiers PDF contiennent souvent des combinaisons de graphiques vectoriels, de texte et de graphiques bitmap, qui rendent l’extraction de données qualitatives et quantitatives assez difficile. En fait, la conversion de la reconstruction automatique de contenu a été un problème pendant plus d’une décennie. Bien que de nombreuses solutions de conversion de documents soient disponibles, aucune ne répond aux problèmes d’évolutivité ou d’application de l’intelligence artificielle, ce qui signifie qu’elles doivent s’appuyer sur une maintenance et une mise à jour humaines coûteuses.

À notre connaissance, le Corpus Conversion Service est le premier système complet à utiliser une intelligence artificielle avancée à ce niveau d’évolutivité. Alors que les solutions existantes ne peuvent convertir qu’un document à la fois en un format de sortie souhaité, notre outil peut ingérer des collections entières, un corpus de documents, et construire des modèles d’apprentissage automatique sur celui-ci.

Comment extrayez-vous non seulement le texte contenu dans un document, mais également la structure ?

Un élément clé est que nous avons conçu l’interaction homme-ordinateur dans le système pour permettre une annotation massive et très rapide sans aucune connaissance en informatique. Cet échange pour l’apprentissage automatique donne à notre service une grande flexibilité, car il peut s’adapter rapidement à certains modèles de documents, atteindre des résultats très précis et éliminer en fin de compte les réglages coûteux et chronophages typiques des algorithmes basés sur des règles traditionnelles.

Pouvez-vous discuter des défis de la construction d’un modèle d’apprentissage automatique qui peut évoluer et répondre rapidement à des centaines, voire à des milliers d’utilisateurs concurrents ?

Nous avons développé le Corpus Conversion Service sur les services cloud de pointe, tels que OpenShift sur IBM Cloud. Cela nous permet de mettre à l’échelle notre application sans effort avec la demande accrue. Les modèles d’intelligence artificielle que nous appliquons peuvent donc être utilisés par de nombreux utilisateurs en même temps.

Combien de documents ont été ingérés dans le service ?

Nous avons plusieurs clients industriels qui utilisent les outils, nous ne savons donc pas combien de documents ils ont ingérés, car chacun d’eux a sa propre instance d’IBM Cloud. Mais pour le COVID-19, nous avons ingéré tous les 45 826 articles de la Maison Blanche.

Comment la communauté de recherche a-t-elle réagi à l’utilisation de cet outil d’intelligence artificielle ?

Depuis que nous avons annoncé la disponibilité gratuite de notre outil il y a quelques semaines, nous avons plus de 400 utilisateurs de plus d’une douzaine de pays, la plupart d’entre eux étant des médecins et des professeurs.

Y a-t-il autre chose que vous aimeriez partager sur le Corpus Conversion Service et/ou son utilisation dans le contexte du COVID-19 ?

L’un de nos clients est l’entreprise énergétique italienne Eni, qui utilise notre technologie pour l’exploration d’hydrocarbures, qui est un secteur complexe et intensif en connaissances qui implique diverses disciplines d’ingénierie et scientifiques travaillant ensemble.

Chez Eni, les connaissances sont basées sur le traitement de grandes quantités de données géologiques, physiques et géochimiques, qui sont ensuite transformées en un graphique de connaissances. Les géoscientifiques peuvent alors utiliser l’intelligence artificielle pour contextualiser et présenter des informations pertinentes, ce qui les aidera à améliorer la prise de décision et l’identification et la vérification de scénarios d’exploration alternatifs. Plus précisément, pour Eni, cela signifie une représentation plus réaliste et plus précise du modèle géologique.

Je vous remercie pour cette interview très importante, cela va sauver aux chercheurs des heures innombrables. Les lecteurs qui souhaitent en savoir plus sur la technologie devraient visiter le site Web du Corpus Conversion Service. Les chercheurs devraient visiter la page de l’outil d’intelligence artificielle COVID-19. Veuillez noter que l’accès à cette ressource ne sera accordé qu’aux chercheurs qualifiés.