IBM 科学家 Peter Staar 开发的 COVID-19 开放研究数据集 – 采访系列

IBM 科学家 Peter Staar 开发了一种 AI 工具，目前正在被 300 多名专家使用，他们正在开发 COVID-19 的治疗或疫苗。

为了帮助研究人员快速访问结构化和非结构化数据，IBM 提供了一种基于云的 AI 研究资源，该资源是在包含超过 45,000 篇科学论文的 COVID-19 开放研究数据集 (CORD-19) 上进行训练的，该数据集由白宫和研究团体联合准备，并获得了 DrugBank、Clinicaltrials.gov 和 GenBank 的许可数据库。

彼得·斯塔尔 (Peter Staar) 于 2015 年 7 月加入 IBM 研究 – 苏黎世实验室，担任认知解决方案基础项目的博士后研究员。这位比利时出生的科学家最初于 2006 年作为夏季学生加入 IBM 研究所。

您于 2015 年 7 月首次加入 IBM 研究 – 苏黎世实验室。在 IBM，您曾参与过哪些项目？

我的初始研究重点是高性能计算的应用，并成为赢得著名的 ACM 高登·贝尔奖的团队成员。

大约 2017 年，我开始专注于 AI，并于 2018 年 8 月，在 ACM 知识发现和数据挖掘会议 (KDD 2018) 上发表了一篇关于大规模文档摄取系统的论文，我们称之为文档转换服务。这是一种基于云的 AI 工具，可以每天摄取 100,000 页 PDF 文档（甚至扫描文档），准确率超过 97%，然后训练和应用高级机器学习模型以从这些文档中提取内容，达到以前从未实现过的规模。我们现在将这项技术应用于帮助研究人员应对 COVID-19。

IBM 何时开始考虑使用文档转换服务来应对 COVID-19 流行？

三月中旬，白宫领导了一项努力，发布了超过 45,000 篇关于冠状病毒和 COVID-19 的文件。当我们看到这些文件时，我们很快意识到我们的技术可以提供帮助，不仅可以使 PDF 文件可搜索，还可以将这些 PDF 文件中的知识与其他数据集（如 Drugbank、GenBank 和 Clinicaltrials.gov）结合起来。我们于 4 月 3 日启动了该服务。

您如何描述文档转换服务的功能？

与任何大型数据源一样，聚合和分析数据以产生科学见解是很困难的。我们使用知识图来找到这些数据源之间的联系，从而可能产生新的知识。

您能否讨论从 PDF 格式提取数据到可搜索形式的主要挑战？

根据 Adobe (ADBE ) 的说法，目前大约有 2.5 万亿个便携式文档格式 (PDF) 文件。想想这些文件所包含的知识：科学文章、技术文献等。但所有这些内容都处于“黑暗”或未使用的状态，因为到目前为止，我们还没有办法在大规模上摄取大量 PDF 文件并使其内容可用（或结构化）。

PDF 文件通常包含矢量图形、文本和位图图形的组合，这使得从中提取定性和定量数据变得非常具有挑战性。事实上，自动内容重构的转换已经成为一个十多年的问题。虽然有许多文档转换解决方案可用，但没有一个解决方案能够解决可扩展性问题或应用 AI，这意味着它们需要依赖昂贵的人工维护和升级。

据我们所知，文档转换服务是第一个在这种规模上使用高级 AI 的综合系统。虽然现有的解决方案只能一次转换一个文档到所需的输出格式，但我们的工具可以摄取整个文档集，并在其上构建机器学习模型。

您如何不仅提取文档中的文本，还提取文档的结构？

一个关键因素是我们设计了人机交互系统，使得快速的大规模注释成为可能，而无需任何计算机科学知识。这种转换为机器学习使我们的服务具有很大的灵活性，因为它可以快速适应某些文档模板，实现高精度，并最终消除传统基于规则的算法中昂贵且耗时的调整。

您能否讨论构建能够扩展和快速响应数百甚至数千个并发用户的机器学习模型的挑战？

我们已经在 state-of-the-art 云服务（如 IBM Cloud 上的 OpenShift）上开发了文档转换服务。这使我们能够轻松地根据需求扩展我们的应用程序。我们应用的 AI 模型可以被许多用户同时使用。

已经摄取到服务中的文档数量是多少？

我们有一些工业客户正在使用这些工具，因此我们不知道他们摄取了多少文档，因为每个客户都有自己的 IBM Cloud 实例。但是对于 COVID-19，我们摄取了白宫的所有 45,826 篇论文。

研究社区如何对使用此 AI 工具做出反应？

自从我们宣布该工具免费可用几周以来，我们已经有超过 400 名用户来自十几个国家，大多数是医生和教授。

您是否还有其他关于文档转换服务或其在 COVID-19 背景下的应用的信息要分享？

我们的客户之一是意大利能源公司 Eni，他们正在使用我们的技术进行碳氢化合物的勘探，这是一项复杂且知识密集的业务，涉及多个工程和科学学科的合作。

在 Eni，知识基于大量地质、物理和地球化学数据的处理，然后转化为知识图。地质学家可以使用 AI 来上下文化和呈现相关信息，这将帮助他们改善决策和识别和验证可能的替代勘探方案。更具体地说，对于 Eni来说，这意味着地质模型的更现实和更准确的表示。

感谢您接受这次非常重要的采访，这将为研究人员节省无数时间。希望了解更多关于该技术的读者可以访问文档转换服务网站。研究人员可以访问 COVID-19 AI 工具页面。请注意，仅有资格的研究人员才能访问此资源。