Peter Staar, scienziato IBM, COVID-19 Open Research Dataset – Serie di interviste

Lo scienziato IBM Peter Staar ha sviluppato uno strumento di intelligenza artificiale che viene utilizzato da oltre 300 esperti che stanno sviluppando un trattamento o un vaccino per il COVID-19.

Per aiutare i ricercatori ad accedere rapidamente ai dati strutturati e non strutturati, IBM offre una risorsa di ricerca basata su intelligenza artificiale che è stata addestrata su un corpus di oltre 45.000 articoli scientifici contenuti nel COVID-19 Open Research Dataset (CORD-19), preparato dalla Casa Bianca e da una coalizione di gruppi di ricerca, e da banche dati con licenza di DrugBank, Clinicaltrials.gov e GenBank.

Il dottor Peter Staar si è unito al laboratorio di ricerca IBM di Zurigo nel luglio 2015 come ricercatore post-dottorato nel progetto Foundations of Cognitive Solutions. Lo scienziato belga è arrivato per la prima volta in IBM Research come studente estivo nel 2006.

Si è unito al laboratorio di ricerca IBM di Zurigo nel luglio 2015. Quali tipi di progetti ha lavorato su IBM?

La mia ricerca iniziale si è concentrata sulle applicazioni per l’elaborazione ad alte prestazioni e faceva parte del team vincitore del prestigioso premio ACM Gordon Bell.

Più recentemente, intorno al 2017, ho iniziato a concentrarmi sull’intelligenza artificiale e ad agosto 2018 il mio team ha pubblicato un articolo alla Conferenza ACM su Knowledge Discovery and Data Mining (KDD 2018) su un sistema di ingestione di documenti su larga scala, che abbiamo chiamato Corpus Conversion Service. Questo strumento basato su intelligenza artificiale poteva ingerire 100.000 pagine di PDF al giorno (anche di documenti scansionati) con un’accuratezza superiore al 97 percento – e poi addestrare e applicare modelli di apprendimento automatico avanzati che estraevano il contenuto da questi documenti a una scala mai raggiunta prima. Stiamo ora applicando la stessa tecnologia per aiutare i ricercatori con il COVID-19.

Quando IBM ha scoperto per la prima volta l’idea di utilizzare il Corpus Conversion Service per affrontare l’epidemia di COVID-19?

A metà marzo, la Casa Bianca ha guidato uno sforzo per pubblicare oltre 45.000 documenti sul coronavirus e il COVID-19. Quando abbiamo visto il corpus, ci siamo resi conto rapidamente che la nostra tecnologia avrebbe potuto aiutare, non solo per rendere i PDF ricercabili, ma anche per combinare le conoscenze all’interno di quei PDF con ulteriori set di dati come Drugbank, GenBank e Clinicaltrials.gov. Siamo andati live con il servizio il 3 aprile.

Come descriverebbe al meglio cosa è il Corpus Conversion Service?

Come per qualsiasi grande volume di fonti di dati disparate, è difficile aggregare e analizzare quei dati in modi che possano produrre conoscenze scientifiche. Lo rendiamo più facile utilizzando un grafo di conoscenza che trova collegamenti tra queste fonti di dati per produrre potenzialmente nuove conoscenze.

Posso discutere la principale sfida di estrarre dati dal formato PDF in una forma ricercabile?

Secondo Adobe (ADBE ), ci sono circa 2,5 trilioni di file in formato Portable Document Format (PDF) attualmente in circolazione. Pensate alla conoscenza che questi file contengono: articoli scientifici, letteratura tecnica e molto altro. Ma tutto quel contenuto è “oscuro” o inutilizzato, perché fino ad ora non abbiamo avuto modo di ingerire un gran numero di file PDF su larga scala e renderne il contenuto utilizzabile (o strutturato).

I file PDF spesso includono combinazioni di grafica vettoriale, testo e grafica bitmap, tutte le quali rendono difficile l’estrazione di dati qualitativi e quantitativi. In effetti, la conversione della ricostruzione automatica del contenuto è stato un problema per oltre un decennio. Mentre molte soluzioni di conversione di documenti sono disponibili, nessuna di esse affronta la scalabilità o applica l’intelligenza artificiale, il che significa che devono fare affidamento sulla manutenzione umana costosa e sull’aggiornamento.

Per quanto ne sappiamo, il Corpus Conversion Service è il primo sistema completo che utilizza intelligenza artificiale a questo livello di scalabilità. Mentre le soluzioni esistenti possono convertire solo un documento alla volta in un formato di output desiderato, il nostro strumento può ingerire intere raccolte, un corpus di documenti, e costruire modelli di apprendimento automatico su di esso.

Come estrae non solo il testo contenuto in un documento, ma anche la struttura?

Un elemento chiave è che abbiamo progettato l’interazione uomo-macchina nel sistema per consentire un’annotazione molto rapida e massiccia senza alcuna conoscenza di scienze informatiche. Questo passaggio all’apprendimento automatico dà al nostro servizio una grande flessibilità, poiché può adattarsi rapidamente a determinati modelli di documenti, raggiungere risultati altamente precisi e infine eliminare la regolazione costosa e lunga tipica degli algoritmi basati su regole tradizionali.

Posso discutere le sfide di costruire un modello di apprendimento automatico che possa scalare e rispondere rapidamente a centinaia e persino potenzialmente migliaia di utenti contemporanei?

Abbiamo sviluppato il Corpus Conversion Service su servizi cloud all’avanguardia, come OpenShift su IBM Cloud. Ciò ci consente di scalare la nostra applicazione senza sforzo con la crescente domanda. I modelli di apprendimento automatico che applichiamo possono quindi essere utilizzati da molti utenti contemporaneamente.

Quanti documenti sono stati inglobati nel servizio?

Abbiamo diversi clienti industriali che utilizzano gli strumenti, quindi non sappiamo quanti documenti abbiano inglobato, poiché ognuno di loro ha la propria istanza di IBM Cloud. Ma per il COVID-19, abbiamo inglobato tutti i 45.826 documenti della Casa Bianca.

Come ha reagito la comunità di ricerca all’utilizzo di questo strumento di intelligenza artificiale?

Da quando abbiamo annunciato la disponibilità gratuita dello strumento alcune settimane fa, abbiamo più di 400 utenti di oltre una dozzina di paesi, la maggior parte dei quali sono medici e professori.

C’è qualcos’altro che vorrebbe condividere sul Corpus Conversion Service e/o su come viene utilizzato nel contesto del COVID-19?

Uno dei nostri clienti è la società energetica italiana Eni, che utilizza la nostra tecnologia per l’esplorazione di idrocarburi, che è un business complesso e basato sulla conoscenza che coinvolge diverse discipline ingegneristiche e scientifiche che lavorano insieme.

Eni, la conoscenza si basa sull’elaborazione di grandi quantità di dati geologici, fisici e geo-chimici, che vengono poi elaborati in un grafo di conoscenza. I geoscienziati possono quindi utilizzare l’intelligenza artificiale per contestualizzare e presentare informazioni rilevanti, il che aiuterà a migliorare la presa di decisioni e l’identificazione e la verifica di possibili scenari di esplorazione alternativi. Più specificamente, per Eni ciò significa una rappresentazione più realistica e precisa del modello geologico.

Grazie per questa importante intervista, questo salverà ai ricercatori ore infinite. I lettori che desiderano saperne di più sulla tecnologia dovrebbero visitare il sito web del Corpus Conversion Service. I ricercatori dovrebbero visitare la pagina dello strumento di intelligenza artificiale COVID-19. Si prega di notare che l’accesso a questa risorsa sarà concesso solo ai ricercatori qualificati.