Umetna inteligenca (AI) je prisotna že na vsakem koraku: pametni avtomobili, droni, pretakanje glasbe, socialni mediji, pametni telefoni in v bančništvu.
AI in strojno učenje sta inovaciji, ki sta prispeli tudi v laboratorije. Raziskovalci iščejo načine za lažji in učinkovitejši dostop, analizo in izbor znanstvenih podatkov, katerih količina in kompleksnost iz leta v leto naraščata in sta dokumentirani v širokem omrežju v različnih oblikah.
Zelo pomembno je, da lahko znanstveniki, tehniki, farmacevti in drugi inženirji sprejemajo hipoteze, ki so osnovane na znanih podatkih, dostop do njih pa sedaj olajšuje AI. S pomočjo umetne inteligence lahko zbiranje in sortiranje podatkov, ki je nekoč trajalo več tednov, izvedemo v nekaj minutah.
V tem članku predstavljamo pet korakov, s katerimi boste izvedli prehod proti laboratoriju prihodnosti, obogatenemu z umetno inteligenco.
Osvobodite podatke
Znanstveni podatki so še vedno ujeti v prenosnike, inštrumente, tiskane zapise ter datotečne shrambe znotraj posameznih znanstvenih ustanov. Podatki so zaklenjeni tudi znotraj nekaterih skladišč podatkov, otočnih omrežij in pozabljenih razpredelnic, z vsakim naborom podatkov v svojem formatu, ki ustreza uporabljenim inštrumentom ali raziskovalcu samemu.
Prvi korak do približanja informacij AI sistemom je enostaven dostop do vseh eksperimentalnih informacij in znanstvenih zaključkov, da jih bo mogoče enostavno prenesti in analizirati. V ta namen se je treba izogibati lastniškim in specializiranim formatom datotek. Osvobajanje podatkov se začne s preprosto pretvorbo v PDF ali CSV format. Poskrbite tudi, da bodo podatki znotraj dokumenta dobro opisani. Deljenje kritičnih informacij preko okvira analitičnega programskega orodja, ki je osnovano posebej za inštrument, s katerim so bile meritve opravljene, bo omogočilo kolaboracije med raziskovalci ter pocenilo in pospešilo znanstveni razvoj. Uporaba tehnologij za deljenje podatkov, kot je shranjevanje podatkov v oblaku, je še en način za omogočanje hitrega dostopa drugih znanstvenikov do vaših zaključkov in meritev.
Razjasnite in opredelite cilje
Tudi najboljša tehnologija ne more uspeti, če ni uporabljena na pameten način, usmerjena v reševanje specifične naloge. V ta namen potrebujemo dobre analitske podatke. V splošnem so orodja AI najbolj uporabna, ko so usmerjena v zelo specifične naloge z dobro razjasnjenimi analitičnimi cilji.
Primer takšne uporabe je identifikacija pacientov, za katere je specifično zdravljenje najbolj primerno. Drug primer, ki bi uporabljal popolnoma drugačna AI orodja, je predvidevanje stranskih učinkov nekega zdravila na različnih pacientih. Spet druga kombinacija AI orodij bi bila uporabljena za predvidevanje tveganja tkiv za nastanek raka, tretja pa za predvidevanje obnašanja pešcev pri uporabi samovozečega avtomobila. Bolj kot so končni cilji definirani, boljše rezultate lahko pričakujemo.
Poenotite podatke
Zelo pomembno je poskrbeti, da so podatki pripravljeni za analizo, preden jih posredujemo umetni inteligenci. To je še posebno pomembno v primerih, ko ti podatki prihajajo iz več različnih virov, v različnih formatih. Osnova analize mora biti enaka za vse vrste podatkov. Če imamo dve bazi podatkov velikosti pacientov in so v prvi velikosti podane v centimetrih, v drugi pa v inčih, moramo izvesti pretvorbo ene od baz, da zagotovimo skladne podatke, sicer bo analiza podala napačne rezultate. Velik korak k agregaciji informacij in analiz za AI je usmerjenost k standardnim oblikam informacij, z razločnimi opisi, definicijami in enotami.
Dokumentirajte faktorje okolja
Pomemben del premika AI v laboratorijske aplikacije je tudi optimizacija informacij operacijskih in okoliških faktorjev, da je mogoče eksperimente potrditi in reproducirati. V ta namen moramo dokumentirati podatke, kot so: temperatura, vlažnost, reagenti in drugi faktorji, ki lahko vplivajo na rezultate eksperimenta. Ohranjanje teh in drugih faktorjev na konstantnem nivoju tekom eksperimenta je ključno, sicer spreminjamo več spremenljivk hkrati in so lahko zaključki eksperimenta dvoumni. Torej tudi če znanstvene organizacije uporabljajo AI za analizo podatkov, njene polne zmožnosti ne bodo mogle izkoristiti, dokler med podatki ne upoštevajo tudi faktorjev okolja in njihovega vpliva na podatke.
Razmišljajte v smeri storitev
Če želimo AI uspešno uporabljati v laboratorijskem okolju, moramo razmišljati, kako naj jo na najučinkovitejši način integriramo, da dobimo storitev, ki bo široko uporabna in skladna z različnimi uporabniki, načini dela, programi in strojno opremo. Ko načrtujemo implementacijo AI v laboratoriju, moramo upoštevati tudi izobraževanje ekipe in možne zaplete, ki se lahko pojavijo s katero koli programsko storitvijo.
Ekipa mora razumeti, kako storitev deluje, da jo posamezniki lahko uspešno uporabijo in opazijo potencialno nepravilno delovanje, da podatki iz nepravilno kalibrirane AI storitve ne skazijo rezultatov raziskave.
Uporabite umetno inteligenco
Potencial, ki ga ponuja umetna inteligenca, je navdušujoč. Če tekom svojih raziskav razmišljamo o integraciji teh podatkov z AI v prihodnosti, bomo pripravljeni na njen razmah ter bo naša investicija časa eksponentno povrnjena. Omogočila bo mnogo hitrejše in cenejše raziskave in tako pospešila naš napredek.
Vir:
https://www.rdmag.com/article/2019/05/getting-labs-ready-ai-five-things-consider