ピーター・スタール、IBM科学者、COVID-19オープンリサーチデータセット – インタビューシリーズ

IBM科学者ピーター・スタールは、COVID-19の治療やワクチンの開発を行っている300人以上の専門家によって使用されているAIツールを開発しました。

研究者が構造化されたデータや非構造化されたデータに迅速にアクセスできるように、IBMは、COVID-19オープンリサーチデータセット（CORD-19）に含まれる45,000以上の科学論文に基づいてトレーニングされたクラウドベースのAI研究リソースを提供しています。CORD-19は、ホワイトハウスと研究グループの連合によって準備され、DrugBank、Clinicaltrials.gov、GenBankからのライセンスデータベースとともに提供されています。

ピーター・スタール博士は、2015年7月にIBM Research – Zurich LaboratoryのFoundations of Cognitive Solutionsプロジェクトのポストドクター研究フェローとしてIBM Research – Zurich Laboratoryに参加しました。ベルギー生まれの科学者は、2006年にIBM Researchのサマースタッフとして初めてIBM Researchに参加しました。

あなたは2015年7月にIBM Research – Zurich Laboratoryに参加しました。IBMではどのようなプロジェクトに取り組んできたのですか?

私の初期の研究は、高性能コンピューティングの応用に焦点を当てており、ACM Gordon Bell賞の受賞チームの一員でした。

2017年頃からAIに焦点を当て、2018年8月に私のチームは、ACM Conference on Knowledge Discovery and Data Mining（KDD 2018）で、Corpus Conversion Serviceという大規模にスケーラブルなドキュメントインジェストシステムに関する論文を発表しました。このAIベースのクラウドツールは、1日あたり100,000ページのPDFドキュメント（スキャンドキュメントを含む）をインジェストでき、97％以上の精度でドキュメントの内容を抽出することができました。現在、この技術をCOVID-19の研究に適用しています。

IBMはいつ頃、Corpus Conversion Serviceを使用してCOVID-19の疫学に取り組むことを検討し始めたのですか?

3月中旬、ホワイトハウスは、コロナウイルスとCOVID-19に関する45,000以上の文書を公開しました。当時、私たちはすぐに私たちの技術が役に立つことができることを認識し、PDFを検索可能にするだけでなく、DrugBank、GenBank、Clinicaltrials.govなどの追加のデータセットと組み合わせることができると考えました。サービスは4月3日に開始されました。

Corpus Conversion Serviceについて簡単に説明してください。

多数の異なるデータソースを効率的に集約して分析することは、科学的な洞察を得ることが難しい場合があります。私たちは、知識グラフを使用してこれらのデータソースの間の接続を容易にし、新しい知識を生み出すことができます。

PDF形式のデータを検索可能な形式に抽出する際の主な課題について説明してください。

アドビによると、現在約2.5兆のPortable Document Format（PDF）ファイルが流通しています。科学論文、技術文書など、多くの知識がこれらのファイルに含まれています。しかし、これらのコンテンツは「ダーク」または未使用のままです。なぜなら、現在、PDFファイルを大量にインジェストし、その内容を使用可能にする方法がないからです。

PDFファイルには、ベクターグラフィックス、テキスト、ビットマップグラフィックスが組み合わさることが多く、定量的および定性的データの抽出は非常に困難です。実際、自動コンテンツ再構築は10年以上の課題でした。多くのドキュメント変換ソリューションが利用可能ですが、スケーラビリティやAIの適用には対応していません。したがって、高価な人によるメンテナンスとアップグレードに依存する必要があります。

私たちの知識では、Corpus Conversion Serviceは、スケーラビリティのレベルで高度なAIを使用する最初の包括的なシステムです。既存のソリューションは、1つのドキュメントを1つの出力形式に変換することしかできませんが、私たちのツールは、ドキュメントのコレクションをインジェストし、上に機械学習モデルを構築できます。

ドキュメント内のテキストだけでなく、構造を抽出する方法について説明してください。

重要な要素は、人間とコンピューターの間の相互作用を設計して、大規模なアノテーションを非常に迅速に実行できるようにしたことです。この交換により、私たちのサービスは柔軟性が高まり、ドキュメントの特定のテンプレートに迅速に適応でき、非常に正確な結果を達成でき、伝統的なルールベースのアルゴリズムに伴う高価なチューニングを排除できます。

数百、さらには数千の同時ユーザーに迅速に応答できるように、機械学習モデルを構築する際の課題について説明してください。

私たちは、Corpus Conversion Serviceを、OpenShift on IBM Cloudなどの最新のクラウドサービス上に構築しました。これにより、私たちのアプリケーションを需要の増加に応じて簡単にスケールアップできます。私たちが適用するAIモデルは、多数のユーザーによって同時に使用できます。

サービスにインジェストされたドキュメントの数は何ですか?

私たちは、いくつかの工業クライアントがツールを使用していますが、彼らがインジェストしたドキュメントの数はわかりません。各クライアントには独自のIBM Cloudインスタンスがあるためです。ただし、COVID-19の場合、ホワイトハウスから提供された45,826件の論文をすべてインジェストしました。

研究コミュニティは、このAIツールの使用にどのように反応しましたか?

私たちがツールの無料提供を発表してから数週間で、400人以上のユーザーが12以上の国から参加し、ほとんどが医師や教授です。

Corpus Conversion ServiceおよびCOVID-19の文脈におけるその使用について、他に共有したいことがありますか?

私たちのクライアントの1つであるイタリアのエネルギー会社Eniは、複雑で知識集約的なビジネスである石油・ガスの探査に私たちの技術を使用しています。Eniでは、地質学的、物理学的、地球化学的な大量のデータを処理して知識グラフを作成し、地質学者がAIを使用して関連する情報を文脈化して提示できるようにしています。これにより、意思決定と代替的な探査シナリオの特定と検証が改善されます。特に、Eniでは、地質学モデルのより現実的で正確な表現が可能になります。

この重要なインタビュー、ありがとうございます。これにより、研究者は数多くの時間を節約できるでしょう。技術についてさらに詳しく知りたい読者は、Corpus Conversion Serviceのウェブサイトを訪れてください。研究者は、COVID-19 AIツールページを訪れてください。ご注意ください、このリソースへのアクセスは、資格のある研究者にのみ許可されます。