Peter Staar นักวิทยาศาสตร์ IBM ชุดข้อมูลการวิจัย COVID-19 ที่เปิดให้เข้าถึง – ซีรีส์สัมภาษณ์

นักวิทยาศาสตร์ IBM Peter Staar ได้พัฒนาเครื่องมือ AI ซึ่งถูกใช้โดยผู้เชี่ยวชาญมากกว่า 300 คน ซึ่งกำลังพัฒนาวัคซีนหรือการรักษา COVID-19

เพื่อช่วยให้นักวิจัยสามารถเข้าถึงข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างได้อย่างรวดเร็ว IBM ได้เสนอทรัพยากรการวิจัย AI ที่ใช้คลาวด์ ซึ่งได้รับการฝึกฝนจากคอร์ปัสของเอกสารวิทยาศาสตร์มากกว่า 45,000 ฉบับ ซึ่งอยู่ในชุดข้อมูลการวิจัย COVID-19 ที่เปิดให้เข้าถึง (CORD-19) ซึ่งจัดทำโดยทำเนียบขาวและกลุ่มวิจัย และฐานข้อมูลที่ได้รับใบอนุญาตจาก DrugBank, Clinicaltrials.gov และ GenBank

ดร. Peter Staar ได้เข้าร่วม IBM Research – Zurich Laboratory ในเดือนกรกฎาคม 2015 ในฐานะนักวิจัยหลังปริญญาเอกในโครงการ Foundations of Cognitive Solutions นักวิทยาศาสตร์จากเบลเยียมเข้าร่วม IBM Research เป็นนักศึกษาฤดูร้อนในปี 2006

คุณเข้าร่วม IBM Research – Zurich Laboratory ในเดือนกรกฎาคม 2015 คุณได้ทำงานในโครงการอะไรบ้างที่ IBM?

การวิจัยเริ่มแรกของฉันเน้นไปที่การประยุกต์ใช้การประมวลผลประสิทธิภาพสูงและเป็นส่วนหนึ่งของทีมที่ชนะรางวัล ACM Gordon Bell

หลังจากนั้นในปี 2017 ฉันเริ่มมุ่งเน้นไปที่ AI และในเดือนสิงหาคม 2018 ทีมของฉันได้ตีพิมพ์เอกสารที่การประชุม ACM Conference on Knowledge Discovery and Data Mining (KDD 2018) เกี่ยวกับระบบการดูดซับเอกสารขนาดใหญ่ ซึ่งเรียกว่า Corpus Conversion Service เครื่องมือ AI ที่ใช้คลาวด์นี้สามารถดูดซับเอกสาร PDF ได้ 100,000 หน้าต่อวัน (แม้แต่เอกสารที่สแกน) โดยมีความแม่นยำมากกว่า 97 เปอร์เซ็นต์ และจากนั้นฝึกและใช้แบบจำลองการเรียนรู้ของเครื่องจักรที่ซับซ้อนเพื่อดึงข้อมูลออกจากเอกสารเหล่านี้ในระดับที่ไม่เคยทำได้ก่อนหน้านี้ ตอนนี้เรากำลังใช้เทคโนโลยีเดียวกันนี้เพื่อช่วยเหลือนักวิจัยเกี่ยวกับ COVID-19

เมื่อไหร่ที่ IBM พบวิธีการใช้ Corpus Conversion Service เพื่อจัดการกับการระบาดของ COVID-19?

กลางเดือนมีนาคม ทำเนียบขาวได้นำความพยายามในการตีพิมพ์เอกสารมากกว่า 45,000 ฉบับเกี่ยวกับโคโรนาไวรัสและ COVID-19 เมื่อเราพบคอร์ปัสนี้ เราได้เรียนรู้อย่างรวดเร็วว่าเทคโนโลยีของเราสามารถช่วยได้ ไม่ใช่แค่ทำให้เอกสาร PDF สามารถค้นหาได้ แต่ยังรวมความรู้ภายในเอกสาร PDF เหล่านั้นด้วยฐานข้อมูลเพิ่มเติม เช่น Drugbank, GenBank และ Clinicaltrials.gov เราเริ่มให้บริการเมื่อวันที่ 3 เมษายน

คุณสามารถอธิบายได้ดีที่สุดว่า Corpus Conversion Service คืออะไร?

เช่นเดียวกับแหล่งข้อมูลขนาดใหญ่หลายแหล่ง มันจะยากที่จะรวบรวมและวิเคราะห์ข้อมูลเหล่านั้นได้อย่างมีประสิทธิภาพเพื่อให้ได้ข้อมูลเชิงลึกทางวิทยาศาสตร์ เราทำให้สิ่งนี้ง่ายขึ้นโดยใช้กราฟความรู้ซึ่งพบความเชื่อมโยงระหว่างแหล่งข้อมูลเหล่านี้เพื่อให้ได้ความรู้ใหม่ ๆ

คุณสามารถพูดคุยเกี่ยวกับความท้าทายหลักในการดึงข้อมูลออกจากเอกสาร PDF ไปเป็นรูปแบบที่สามารถค้นหาได้หรือไม่?

ตาม Adobe (ADBE ) มีเอกสาร Portable Document Format (PDF) ประมาณ 2.5 ล้านล้านไฟล์อยู่ในขณะนี้ คิดถึงความรู้ที่ไฟล์เหล่านี้มี: บทความทางวิทยาศาสตร์, วรรณกรรมทางเทคนิค และอื่น ๆ แต่เนื้อหาทั้งหมดนี้เป็น “ความมืด” หรือไม่ได้ใช้ เนื่องจากจนถึงตอนนี้ เราไม่มีวิธีการดึงข้อมูลออกจากเอกสาร PDF จำนวนมากและทำให้เนื้อหานั้นใช้ได้ (หรือมีโครงสร้าง)

เอกสาร PDF มักจะมีรูปภาพเวกเตอร์, ข้อความ และกราฟิกบิตแมป ซึ่งทั้งหมดนี้ทำให้การดึงข้อมูลคุณภาพและปริมาณออกมานั้นเป็นเรื่องที่ท้าทายจริงๆ การแปลงเนื้อหาอัตโนมัติเป็นปัญหามานานกว่าหนึ่งทศวรรษ ในความเป็นจริง การแปลงเอกสารส่วนใหญ่สามารถทำได้ แต่ไม่มีอะไรที่สามารถจัดการกับความสามารถในการปรับขนาดหรือใช้ AI ซึ่งหมายความว่าพวกมันต้องอาศัยการบำรุงรักษาและอัปเดตของมนุษย์ซึ่งมีค่าใช้จ่ายสูง

ตามความรู้ของเรา Corpus Conversion Service เป็นระบบที่ครอบคลุมแรกที่ใช้ AI ในระดับความสามารถในการปรับขนาดนี้ ในขณะที่โซลูชันการแปลงเอกสารที่มีอยู่สามารถแปลงเอกสารหนึ่งเอกสารในเวลาเดียวให้อยู่ในรูปแบบที่ต้องการได้ แต่เครื่องมือของเราสามารถดูดซับเอกสารทั้งกลุ่มและสร้างแบบจำลองการเรียนรู้ของเครื่องจักรบนเอกสารเหล่านั้น

คุณสามารถอธิบายได้อย่างไรว่าคุณดึงข้อมูลไม่เพียงแต่ข้อความที่อยู่ในเอกสาร แต่ยังรวมถึงโครงสร้างด้วยหรือไม่?

สิ่งสำคัญคือเราได้ออกแบบการโต้ตอบระหว่างมนุษย์และคอมพิวเตอร์ในระบบเพื่อให้สามารถทำการบันทึกย่อได้อย่างรวดเร็วและมากโดยไม่ต้องมีความรู้ด้านวิทยาการคอมพิวเตอร์ การเปลี่ยนไปใช้การเรียนรู้ของเครื่องจักรทำให้บริการของเรามีความยืดหยุ่นมาก เนื่องจากสามารถปรับให้เข้ากับรูปแบบเอกสารต่าง ๆ ได้อย่างรวดเร็ว และบรรลุผลลัพธ์ที่มีความแม่นยำสูง และในที่สุดก็สามารถกำจัดการปรับแต่งที่มีค่าใช้จ่ายสูงและใช้เวลานานที่พบในอัลกอริทึมแบบดั้งเดิมที่ขึ้นอยู่กับกฎ

คุณสามารถพูดคุยเกี่ยวกับความท้าทายในการสร้างแบบจำลองการเรียนรู้ของเครื่องจักรที่สามารถปรับขนาดและตอบสนองอย่างรวดเร็วต่อผู้ใช้หลายร้อยหรือหลายพันคนพร้อมกันได้หรือไม่?

เราได้พัฒนา Corpus Conversion Service บนบริการคลาวด์ระดับแนวหน้า เช่น OpenShift บน IBM Cloud ซึ่งช่วยให้เราสามารถปรับขนาดแอปพลิเคชันของเราได้อย่างไม่มีปัญหาเมื่อมีความต้องการเพิ่มขึ้น แบบจำลอง AI ที่เรานำไปใช้สามารถใช้ได้โดยผู้ใช้หลายคนพร้อมกัน

มีเอกสารจำนวนเท่าใดที่ถูกดูดซับเข้าไปในบริการ?

เรามีลูกค้าทางอุตสาหกรรมหลายรายที่ใช้เครื่องมือเหล่านี้ ดังนั้นเราจึงไม่ทราบว่าพวกเขาได้ดูดซับเอกสารไปกี่เอกสาร เนื่องจากพวกเขาแต่ละรายมี-instance ของ IBM Cloud ของตนเอง แต่สำหรับ COVID-19 เราได้ดูดซับเอกสารทั้ง 45,826 ฉบับจากทำเนียบขาว

ชุมชนการวิจัยตอบสนองอย่างไรต่อการใช้เครื่องมือ AI นี้?

ตั้งแต่ที่เราประกาศให้บริการฟรีของเราไม่กี่สัปดาห์ที่ผ่านมา เรามีผู้ใช้มากกว่า 400 คนจากมากกว่าหนึ่งโหลประเทศ ส่วนใหญ่เป็นแพทย์และศาสตราจารย์

คุณต้องการแบ่งปันอะไรเกี่ยวกับ Corpus Conversion Service และ/หรือการใช้งานในบริบทของ COVID-19 หรือไม่?

ลูกค้ารายหนึ่งของเราคือบริษัทพลังงานของอิตาลี Eni ซึ่งใช้เทคโนโลยีของเราในการสำรวจไฮโดรคาร์บอน ซึ่งเป็นธุรกิจที่ซับซ้อนและต้องใช้ความรู้อย่างมากซึ่งเกี่ยวข้องกับวิศวกรรมและวิทยาศาสตร์ต่างๆ ที่ทำงานร่วมกัน

ที่ Eni ความรู้นั้นขึ้นอยู่กับการประมวลผลข้อมูลธรณีวิทยา 物理 และธรณีเคมีจำนวนมาก ซึ่งจากนั้นจะถูกประมวลผลเป็นกราฟความรู้ นักธรณีวิทยาแล้วสามารถใช้ AI เพื่อทำให้ข้อมูลที่เกี่ยวข้องมีความหมายและนำเสนอข้อมูลที่เกี่ยวข้อง ซึ่งจะช่วยให้พวกเขาตัดสินใจได้ดีขึ้นและระบุและยืนยันสถานการณ์การสำรวจทางเลือกที่เป็นไปได้ มากกว่านั้น สำหรับ Eni สิ่งนี้หมายถึงการแสดงแบบจำลองธรณีวิทยาที่สมจริงและแม่นยำยิ่งขึ้น

ขอขอบคุณสำหรับการสัมภาษณ์ที่สำคัญมากนี้ ซึ่งจะช่วยช่วยให้นักวิจัยประหยัดเวลาได้ไม่นับ นักอ่านสามารถเยี่ยมชมเว็บไซต์ Corpus Conversion Service เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับเทคโนโลยีนี้ นักวิจัยควรเยี่ยมชมหน้าเครื่องมือ AI สำหรับ COVID-19 โปรดทราบว่าเข้าถึงทรัพยากรนี้จะถูกมอบให้กับนักวิจัยที่มีคุณสมบัติเท่านั้น