Peter Staar, Ilmuwan IBM, COVID-19 Open Research Dataset – Seri Wawancara

Ilmuwan IBM Peter Staar telah mengembangkan alat AI yang digunakan oleh lebih dari 300 ahli yang mengembangkan pengobatan atau vaksin untuk COVID-19.

Untuk membantu peneliti mengakses data terstruktur dan tidak terstruktur dengan cepat, IBM menawarkan sumber daya penelitian AI berbasis cloud yang telah dilatih pada korpus lebih dari 45.000 makalah ilmiah yang terkandung dalam COVID-19 Open Research Dataset (CORD-19), yang disiapkan oleh Gedung Putih dan koalisi kelompok penelitian, serta database lisensi dari DrugBank, Clinicaltrials.gov, dan GenBank.

Dr. Peter Staar bergabung dengan IBM Research – Zurich Laboratory pada Juli 2015 sebagai rekan penelitian pasca-doktoral dalam proyek Foundations of Cognitive Solutions. Ilmuwan kelahiran Belgia ini pertama kali datang ke IBM Research sebagai mahasiswa musim panas pada 2006.

Anda pertama kali bergabung dengan IBM Research – Zurich Laboratory pada Juli 2015. Apa jenis proyek yang telah Anda kerjakan di IBM?

Penelitian awal saya fokus pada aplikasi untuk komputasi kinerja tinggi dan merupakan bagian dari tim pemenang penghargaan ACM Gordon Bell.

Lebih baru sekitar 2017 saya mulai fokus pada AI dan pada Agustus 2018 tim saya menerbitkan makalah di Konferensi ACM tentang Penemuan Pengetahuan dan Data Mining (KDD 2018) tentang sistem penggunaan dokumen besar, yang kami sebut Corpus Conversion Service. Alat AI berbasis cloud ini dapat mengingest 100.000 halaman PDF per hari (bahkan dokumen yang dipindai) dengan akurasi di atas 97 persen – dan kemudian melatih dan menerapkan model pembelajaran mesin yang maju yang mengekstrak konten dari dokumen-dokumen ini pada skala yang belum pernah dicapai sebelumnya. Kami sekarang menerapkan teknologi yang sama untuk membantu peneliti dengan COVID-19.

Kapan IBM pertama kali menemukan ide menggunakan Corpus Conversion Service untuk menangani epidemi COVID-19?

Pada pertengahan Maret, Gedung Putih memimpin upaya untuk menerbitkan lebih dari 45.000 dokumen tentang coronavirus dan COVID-19. Ketika kami melihat korpus, kami dengan cepat menyadari bahwa teknologi kami dapat membantu, tidak hanya untuk membuat PDF dapat dicari, tetapi juga untuk menggabungkan pengetahuan dalam PDF tersebut dengan dataset tambahan seperti Drugbank, GenBank, dan Clinicaltrials.gov. Kami meluncurkan layanan pada 3 April.

Bagaimana Anda menjelaskan apa itu Corpus Conversion Service?

Seperti dengan volume besar sumber data yang berbeda, sulit untuk menggabungkan dan menganalisis data tersebut dengan cara yang dapat menghasilkan wawasan ilmiah. Kami membuatnya lebih mudah dengan menggunakan grafik pengetahuan yang menemukan koneksi antara sumber data tersebut untuk menghasilkan pengetahuan baru.

Apakah Anda dapat membahas tantangan utama dalam mengekstrak data dari format PDF ke bentuk yang dapat dicari?

Menurut Adobe (ADBE ), ada sekitar 2,5 triliun file Portable Document Format (PDF) yang saat ini beredar. Bayangkan pengetahuan yang terkandung dalam file-file tersebut: artikel ilmiah, literatur teknis, dan banyak lagi. Tapi semua konten itu “gelap” atau tidak digunakan, karena sampai sekarang, kita tidak memiliki cara untuk mengingest jumlah besar file PDF dan membuat konten tersebut dapat digunakan (atau terstruktur).

File PDF sering kali mencakup kombinasi grafis vektor, teks, dan grafis bitmap, semua yang membuat ekstraksi data kualitatif dan kuantitatif cukup menantang. Pada kenyataannya, mengonversi rekonstruksi konten otomatis telah menjadi masalah selama lebih dari satu dekade. Sementara banyak solusi konversi dokumen tersedia, tidak ada yang menangani skalabilitas atau menerapkan AI, yang berarti mereka perlu mengandalkan perawatan dan pemeliharaan berbasis manusia yang mahal.

Menurut pengetahuan kami, Corpus Conversion Service adalah sistem komprehensif pertama yang menggunakan AI lanjutan pada tingkat skalabilitas ini. Sementara solusi yang ada hanya dapat mengonversi satu dokumen pada satu waktu ke format output yang diinginkan, alat kami dapat mengingest koleksi dokumen secara keseluruhan, sebuah korpus dokumen, dan membangun model pembelajaran mesin di atasnya.

Bagaimana Anda mengekstrak tidak hanya teks yang terkandung dalam dokumen, tetapi juga struktur?

Unsur kunci adalah bahwa kami merancang interaksi manusia-komputer dalam sistem untuk memungkinkan annotasi yang sangat cepat dan besar tanpa pengetahuan ilmu komputer. Pertukaran ini ke pembelajaran mesin memberikan layanan kami fleksibilitas yang besar, karena dapat beradaptasi dengan cepat dengan template dokumen tertentu, mencapai hasil yang sangat akurat, dan pada akhirnya menghilangkan penyetelan yang mahal dan memakan waktu yang khas dari algoritma berbasis aturan tradisional.

Apakah Anda dapat membahas tantangan membangun model pembelajaran mesin yang dapat diskalakan dan merespons dengan cepat ke ratusan dan bahkan ribuan pengguna bersamaan?

Kami telah mengembangkan Corpus Conversion Service di atas layanan cloud terbaru, seperti OpenShift di IBM Cloud. Ini memungkinkan kami untuk menskalakan aplikasi kami dengan mudah dengan permintaan yang meningkat. Model AI yang kami terapkan dapat digunakan oleh banyak pengguna secara bersamaan.

Berapa banyak dokumen yang telah diingest ke layanan?

Kami memiliki beberapa klien industri yang menggunakan alat, jadi kami tidak tahu berapa banyak dokumen yang telah diingest karena mereka masing-masing memiliki instance IBM Cloud mereka sendiri. Tapi untuk COVID-19 kami mengingest semua 45.826 makalah dari Gedung Putih.

Bagaimana komunitas penelitian bereaksi terhadap penggunaan alat AI ini?

Sejak kami mengumumkan ketersediaan gratis alat kami beberapa minggu yang lalu, kami memiliki lebih dari 400 pengguna dari lebih dari selusin negara, sebagian besar di antaranya adalah dokter dan profesor.

Apakah ada yang ingin Anda bagikan tentang Corpus Conversion Service dan/atau bagaimana digunakan dalam konteks COVID-19?

Salah satu klien kami adalah perusahaan energi Italia Eni yang menggunakan teknologi kami untuk eksplorasi hidrokarbon, yang merupakan bisnis yang kompleks dan intensif pengetahuan yang melibatkan berbagai disiplin ilmu dan teknik yang bekerja sama.

Di Eni, pengetahuan didasarkan pada pemrosesan sejumlah besar data geologi, fisik, dan geokimia, yang kemudian diproses menjadi grafik pengetahuan. Ahli geosains dapat menggunakan AI untuk mengkontekstualisasi dan menyajikan informasi yang relevan, yang akan membantu mereka untuk meningkatkan pengambilan keputusan dan identifikasi serta verifikasi skenario eksplorasi alternatif. Lebih khusus, untuk Eni ini berarti representasi model geologi yang lebih realistis dan akurat.

Terima kasih atas wawancara yang sangat penting ini, ini akan menyelamatkan peneliti dari waktu yang tidak terhitung. Pembaca yang ingin mempelajari lebih lanjut tentang teknologi harus mengunjungi situs web Corpus Conversion Service. Peneliti harus mengunjungi halaman alat AI COVID-19. Perlu diingat, akses ke sumber daya ini hanya akan diberikan kepada peneliti yang memenuhi syarat.