Peter Staar, Cientista da IBM, Conjunto de Dados de Pesquisa Aberta COVID-19 – Série de Entrevistas

O cientista da IBM, Peter Staar, desenvolveu uma ferramenta de IA que está sendo utilizada por mais de 300 especialistas que estão desenvolvendo um tratamento ou vacina para a COVID-19.

Para ajudar os pesquisadores a acessar dados estruturados e não estruturados rapidamente, a IBM está oferecendo um recurso de pesquisa de IA baseado em nuvem que foi treinado em um corpus de mais de 45.000 artigos científicos contidos no Conjunto de Dados de Pesquisa Aberta COVID-19 (CORD-19), preparado pela Casa Branca e uma coalizão de grupos de pesquisa, e bancos de dados licenciados do DrugBank, Clinicaltrials.gov e GenBank.

O Dr. Peter Staar se juntou ao Laboratório de Pesquisa da IBM – Zurique em julho de 2015 como um fellow de pesquisa pós-doutorado no projeto Fundamentos de Soluções Cognitivas. O cientista nascido na Bélgica veio pela primeira vez à IBM Research como um estudante de verão em 2006.

Você se juntou ao Laboratório de Pesquisa da IBM – Zurique em julho de 2015. Quais tipos de projetos você trabalhou na IBM?

Minha pesquisa inicial se concentrou em aplicações para computação de alto desempenho e fiz parte da equipe vencedora do prestigiado prêmio ACM Gordon Bell.

Mais recentemente, por volta de 2017, comecei a me concentrar em IA e, em agosto de 2018, minha equipe publicou um artigo na Conferência ACM sobre Descoberta de Conhecimento e Mineração de Dados (KDD 2018) sobre um sistema de ingestão de documentos massivamente escalável, que chamamos de Serviço de Conversão de Corpus. Essa ferramenta de IA baseada em nuvem foi capaz de ingerir 100.000 páginas de PDF por dia (mesmo de documentos digitalizados) com precisão acima de 97 por cento — e, em seguida, treinar e aplicar modelos de aprendizado de máquina avançados que extraem o conteúdo desses documentos em uma escala nunca alcançada antes. Agora estamos aplicando essa mesma tecnologia para ajudar os pesquisadores com a COVID-19.

Quando a IBM primeiro teve a ideia de usar o Serviço de Conversão de Corpus para lidar com a epidemia de COVID-19?

Em meados de março, a Casa Branca liderou um esforço para publicar mais de 45.000 documentos sobre o coronavírus e a COVID-19. Quando vimos o corpus, rapidamente percebemos que nossa tecnologia poderia ajudar, não apenas para tornar os PDFs pesquisáveis, mas também para combinar o conhecimento dentro desses PDFs com conjuntos de dados adicionais, como o Drugbank, GenBank e Clinicaltrials.gov. Entramos em operação com o serviço em 3 de abril.

Como você descreveria melhor o que é o Serviço de Conversão de Corpus?

Como em qualquer grande volume de fontes de dados dispersas, é difícil agregar e analisar esses dados de maneiras que possam produzir insights científicos. Tornamos isso mais fácil usando um gráfico de conhecimento que encontra conexões entre essas fontes de dados para potencialmente produzir novos conhecimentos.

Pode discutir o principal desafio de extrair dados do formato PDF para uma forma pesquisável?

De acordo com a Adobe (ADBE ), existem aproximadamente 2,5 trilhões de arquivos no formato Portable Document Format (PDF) atualmente em circulação. Pense no conhecimento que esses arquivos contêm: artigos científicos, literatura técnica e muito mais. Mas todo esse conteúdo está “escuro” ou não utilizado, porque até agora não tínhamos como ingerir um grande número de arquivos PDF em escala e tornar seu conteúdo utilizável (ou estruturado).

Os arquivos PDF frequentemente incluem combinações de gráficos vetoriais, texto e gráficos de bitmap, todos os quais tornam a extração de dados qualitativos e quantitativos bastante desafiadora. Na verdade, a reconstrução automática de conteúdo tem sido um problema por mais de uma década. Embora muitas soluções de conversão de documentos estejam disponíveis, nenhuma delas aborda a escalabilidade ou aplica a IA, o que significa que elas precisam confiar em manutenção humana cara e atualizações.

Até onde sabemos, o Serviço de Conversão de Corpus é o primeiro sistema abrangente a usar IA avançada nesse nível de escalabilidade. Enquanto as soluções existentes só podem converter um documento de cada vez para um formato de saída desejado, nossa ferramenta pode ingerir coleções inteiras, um corpus de documentos, e construir modelos de aprendizado de máquina em cima disso.

Como você extrai não apenas o texto contido em um documento, mas também a estrutura?

Um elemento-chave é que projetamos a interação humano-computador no sistema para permitir uma anotação muito rápida e massiva sem qualquer conhecimento de ciência da computação. Essa troca para o aprendizado de máquina dá à nossa ferramenta uma grande flexibilidade, pois ela pode se adaptar rapidamente a certos modelos de documentos, alcançar resultados altamente precisos e, em última análise, eliminar o ajuste caro e demorado típico dos algoritmos baseados em regras tradicionais.

Pode discutir os desafios de construir um modelo de aprendizado de máquina que possa escalar e responder rapidamente a centenas e potencialmente milhares de usuários concorrentes?

Desenvolvemos o Serviço de Conversão de Corpus em cima de serviços de nuvem de última geração, como o OpenShift na IBM Cloud. Isso nos permite escalar nossa aplicação sem esforço com a demanda aumentada. Os modelos de IA que aplicamos podem, portanto, ser usados por muitos usuários concorrentes.

Quantos documentos foram ingeridos no serviço?

Temos vários clientes industriais usando as ferramentas, então não sabemos quantos documentos eles ingeriram, pois cada um deles tem sua própria instância da IBM Cloud. Mas para a COVID-19, ingerimos todos os 45.826 artigos da Casa Branca.

Como a comunidade de pesquisa reagiu ao uso dessa ferramenta de IA?

Desde que anunciados a disponibilidade gratuita da nossa ferramenta, há algumas semanas, temos mais de 400 usuários de mais de uma dúzia de países, a maioria deles médicos e professores.

Há algo mais que você gostaria de compartilhar sobre o Serviço de Conversão de Corpus e/ou como ele é usado no contexto da COVID-19?

Um de nossos clientes é a empresa de energia italiana Eni, que está usando nossa tecnologia para a exploração de hidrocarbonetos, que é um negócio complexo e intensivo em conhecimento que envolve várias disciplinas de engenharia e científicas trabalhando juntas.

Na Eni, o conhecimento é baseado no processamento de grandes quantidades de dados geológicos, físicos e geoquímicos, que são então processados em um gráfico de conhecimento. Os geocientistas podem usar a IA para contextualizar e apresentar informações relevantes, o que ajudará a melhorar a tomada de decisões e a identificação e verificação de cenários de exploração alternativos. Mais especificamente, para a Eni, isso significa uma representação mais realista e precisa do modelo geológico.

Obrigado por essa entrevista muito importante, isso vai economizar horas incontáveis para os pesquisadores. Os leitores que desejam saber mais sobre a tecnologia devem visitar o site do Serviço de Conversão de Corpus. Os pesquisadores devem visitar a página da ferramenta de IA COVID-19. Observe que o acesso a esse recurso será concedido apenas a pesquisadores qualificados.