در علوم زیستی، یکپارچگی داده ها غیرقابل مذاکره است

در عصر هوش مصنوعی، تحقیقات هوش باید با داده های قابل اعتماد آغاز شود. سری Inside Our Data زیرساخت های داده زیربنایی را بررسی می کند که اعتماد را ممکن می سازد.

قیمت یک پاسخ که کسی نمی تواند توضیح دهد

شرکت ها برای تعیین و اجرای اهداف استراتژیک به هوش پژوهشی متکی هستند. هوش چیزی است که یک شرکت را رقابتی می کند. هوش پژوهشی به عنوان یک مفهوم جدید نیست. چیزی که جدید است، اتکای ضروری شرکت به حجم عظیمی از داده‌ها و بینش‌ها و تحلیل‌های مبتنی بر هوش مصنوعی است که این داده‌ها را حقیقت می‌دانند.

شرکت ها به سرعت در حال حرکت هستند تا هوش مصنوعی را در تحقیقات، تجزیه و تحلیل و برنامه ریزی استراتژیک جاسازی کنند. به دور از خلبان‌های پویا که عمدتاً مبتنی بر استفاده از یک مدل مرزی بودند، هوش مبتنی بر هوش مصنوعی اکنون شامل یک زیرساخت اساسی است که نحوه تصمیم‌گیری را به شما اطلاع می‌دهد.

اما برای پیشرفت و مزایایی که این فناوری قبلاً به ارمغان آورده است، خطراتی نیز به همراه دارد. تحقیقات و هوش مبتنی بر هوش مصنوعی فقط به اندازه داده‌هایی که استفاده می‌کنند قابل اعتماد و قابل دفاع هستند و همه داده‌ها نمی‌توانند در برابر بررسی‌های لازم بررسی مستقل مقاومت کنند.

این می تواند یک تهدید وجودی برای شرکت های تحقیقاتی فعال در صنایع تحت نظارت مانند علوم زیستی باشد. از آنجایی که کسب‌وکارها به تکامل خود ادامه می‌دهند و فناوری‌های جدید قدرتمند را به کار می‌گیرند، مهم‌تر از همیشه این است که داده‌های اصلی آن‌ها بتوانند در برابر ممیزی بایستند.

در این مقاله، به این می‌پردازیم که وقتی شرکت‌ها یکپارچگی داده‌ها را ندارند، چه اتفاقی می‌افتد، داده‌های «معتمد» واقعاً در علوم زیستی به چه معناست و چگونه زیرساخت مناسب می‌تواند داده‌های سازمانی را در دنیای هوش مصنوعی تقویت کند.

چه اتفاقی می افتد که داده های تحت یک نتیجه گیری علمی قابل تأیید نباشد؟

در سال 2020، دو مطالعه در مورد COVID-19 منتشر شد – یکی در Lancet و دیگری در New England Journal of Medicine – با استفاده از داده‌های Surgisphere، یک شرکت تحلیلی کمتر شناخته شده.

اما به زودی مشکلی به وجود آمد: Surgisphere از ارائه اطلاعات خود به یک ممیزی مستقل خودداری کرد. هر دو مطالعه به مدت 9 روز لغو شدند.

مطالعه Lancet ادعا کرد که هیدروکسی کلروکین خطر مرگ در بیماران مبتلا به COVID-19 را افزایش می دهد، یافته ای که WHO را بر آن داشت تا برای مدت کوتاهی بازوی هیدروکسی کلروکین کارآزمایی جهانی همبستگی خود را قبل از کناره گیری به حالت تعلیق درآورد. مطالعه NEJM نیز پس گرفته شد، اما مدتها پس از آن مورد استناد قرار گرفت: تجزیه و تحلیل مجله پزشکی داخلی انجمن پزشکی آمریکا 652 نقل قول تأیید شده را نشان داد که بیش از نیمی از آنها حداقل سه ماه پس از پس گرفتن رخ داده است.

این حادثه خطری را نشان می دهد که داده ها نمی توانند حسابرسی شوند. ما نمی دانیم چرا Surgisphere داده ها را منتشر نمی کند. شاید همه چیز ساخته شده بود، شاید هم نبود. ما راهی برای دانستن نداریم. اما واقعاً مهم نیست. داده هایی که قابل بررسی نیستند مسری هستند. داده های بد از همان جایی که شروع شده باقی نمی مانند. به کاغذها و سپس مدل ها می رود. داده های بد همیشه مسری بوده اند. هوش مصنوعی به آن نرخ پخش بسیار بالاتری می دهد.

این احتمال وجود دارد که برداشت‌های اولیه برای شرکت‌هایی که نظرسنجی‌ها را انجام داده‌اند پرهزینه و ناامیدکننده بوده باشد. اما این حادثه همچنین به موجی از نادرستی ها در زمینه های مهم تحقیقاتی کمک کرد. داده‌هایی که نمی‌توانند حسابرسی شوند، می‌توانند آزمایش‌های بالینی را متوقف کنند، ارزش سهام را کاهش دهند، باعث آسیب ماندگار به شهرت شوند، و از همه مهم‌تر، تأثیر منفی بر زندگی واقعی افراد بگذارند.

واقعاً “داده های قابل اعتماد” به چه معناست؟

وقتی نوبت به تعریف اینکه چه چیزی داده‌ها را خوب می‌کند، می‌رسد، کسب‌وکارها از نو شروع نمی‌شوند – Life Sciences قبلاً معنای داده‌های «قابل اعتماد» را رسمی کرده است.

تنظیم‌کننده‌ها از سال 1990 برای ارزیابی یکپارچگی داده‌ها در زمینه‌های بالینی و تولیدی، بر ALCOA – قابل انتساب، خوانا، همزمان، اصلی و دقیق – تکیه کرده‌اند. اخیراً، راهنمایی‌های ارگان‌هایی مانند آژانس تنظیم‌کننده داروها و محصولات بهداشتی و سازمان بهداشت جهانی، این را به ALCOA+ گسترش داده‌اند و چهار شرط اضافی را اضافه کرده‌اند: داده‌ها نیز باید کامل، سازگار، بادوام و در دسترس باشند. این یک چک لیست است که در مورد اینکه آیا می توان یک رکورد را بعد از واقعیت تأیید کرد یا خیر، ساخته شده است، و هنوز هم برای داده های قابل اعتماد امروز ضروری است.

یک چارچوب مرتبط، FAIR-قابل یافتن، در دسترس، قابل همکاری، و قابل استفاده مجدد- به یک نقطه شکست متفاوت اما به همان اندازه سازگار می‌پردازد. FAIR که در سال 2016 معرفی شد، تأثیر قابل توجهی بر نحوه تفکر سازمان‌های تولیدکننده پژوهش در مورد داده‌های خود داشته است: نه فقط وجود آن‌ها، بلکه می‌توان آن‌ها را پیدا کرد، تحت شرایط روشن بازیابی کرد و با اطمینان از منشأ آن دوباره استفاده کرد. FAIR نیازی به باز بودن داده ها برای همه ندارد – مجموعه داده های پشت دیوار پرداخت یا توافقنامه دسترسی همچنان می تواند کاملاً مطابق با FAIR باشد. با این حال، برای برآورده کردن الزامات چارچوب، باید به روشی صادقانه در دسترس افرادی قرار گیرد که می‌خواهند درباره آن داده‌ها ادعا کنند.

یادآوری Surgisphere به این دلیل رخ داد که مجموعه داده‌های زیربنایی با این چارچوب‌ها سازگار نبودند. داده‌ها در دسترس نبودند یا قابل ممیزی نبودند، به این معنی که ما همچنین نمی‌توانستیم بدانیم که آیا آنها یکپارچگی لازم را نشان می‌دهند که آنها را برای استفاده در تحقیق مناسب می‌کند یا خیر.

این چارچوب‌ها یک مبنای غیرقابل مذاکره برای شرکت‌های تحقیقاتی علوم زیستی فراهم می‌کنند، اما مناطق خاکستری باقی می‌مانند که می‌توانند اثرات نامطلوبی بر کیفیت مجموعه داده‌های تحقیقاتی داشته باشند. به عنوان مثال، یک مجموعه داده باز که ظاهراً مطابق با ALCOA + صادق است، ممکن است به سمت کشورها یا تأمین کنندگان مالی که به طور فعال داده های خود را ارائه می دهند، منحرف شود. در یک محیط تنظیم شده این کافی نیست. ارسال چک لیست ALCOA+ یا FAIR به شما نشان نمی دهد که آیا یک مجموعه داده نماینده است یا خیر – مدیریت اعمال شده در این چارچوب ها می تواند این سوگیری را اصلاح کند.

زیرساخت داده طراحی شده برای انجام یک تحقیق

بررسی داده ها به فرآیند مداوم حصول اطمینان از کامل و معرف بودن داده ها اشاره دارد – فرآیندی که برای اجرا به قضاوت و روابط انسانی نیاز دارد. این یک اصل پایه‌گذاری مجموعه داده‌ها است که شامل Dimensions از Digital Science، یکی از بزرگترین مخازن داده‌های تحقیق و تامین مالی در جهان است.

ابعاد حول محور این ایده ساخته شده است که هوش تحقیق تنها زمانی مفید است که بتوان آن را در طول چرخه حیات کاملی که توصیف می‌کند ردیابی کرد – نه فقط انتشارات، بلکه بودجه، آزمایش‌ها، پتنت‌ها و فعالیت‌های سیاسی که آنها را احاطه کرده است. مجموعه داده های ابعاد شش نوع محتوای مرتبط را شامل می شود: بیش از 165 میلیون نشریه، 8.2 میلیون کمک مالی، 74 میلیون مجموعه داده تحقیقاتی، 180 میلیون ثبت اختراع، 976000 کارآزمایی بالینی، و 2.5 میلیون سند خط مشی، که همگی با سایرین ارجاع داده شده اند.

یک مدل حاکی از یک حوزه پژوهشی امیدوارکننده است. فقط نه را به عنوان پاسخ در نظر نگیرید. بپرسید:

• چه کسی آن را تامین می کند؟
• کدام محققین آن را تولید کردند؟
• چه پست هایی دنبال شد؟
• چه مجموعه داده هایی از آنها پشتیبانی می کنند؟
• آیا ثبت اختراع ثبت شد؟
• آیا در آزمایشات بالینی پیشرفت کرده است؟
• آیا بر سیاست تأثیر گذاشت؟

این ساختار انتساب و اصالت را در ALCOA+ امکان پذیر می کند: سوابق انتشارات از طریق نمایه سازی متن کامل غنی شده و به مشارکت مستقیم ناشر، Crossref، PubMed و سایر منابع معتبر مرتبط می شوند. داده‌های کمک مالی از بیش از 700 سازمان تأمین مالی در سراسر جهان می‌آیند که در صورت امکان توسط کارشناسان داده مستقیماً از سازمان‌های تأمین‌کننده تأمین مالی می‌شوند. سوابق کارآزمایی بالینی مستقیماً از ثبت‌های رسمی که هر منطقه اصلی را پوشش می‌دهند بازیابی می‌شوند، بنابراین وضعیت، حامیان مالی و نتایج به جای یک خلاصه دست دوم، سوابق معتبر را منعکس می‌کنند. داده‌های ثبت اختراع توسط IFI Claims ارائه می‌شود که توسط تیم‌های علم دیجیتال تنظیم و عادی شده است.

هر رکورد دارای یک شناسه دائمی و یک پیوند به منبع اصلی خود است، به طوری که می توان یک کمک مالی، انتشار یا حق اختراع را پیدا کرد و منشأ آن هرگز مورد سوال قرار نگرفت. سوابق تحت شرایط واضح و مستند در دسترس هستند – چه داده های باز یا یک پیوند مدیریت شده از طریق یک پلت فرم دارای مجوز، بنابراین کاربران همیشه می دانند که به چه چیزی نگاه می کنند و از کجا آمده است. و ارجاع متقابل بین انواع محتوا چیزی است که داده ها را در عمل سازگار و قابل استفاده مجدد می کند: کمک هزینه را می توان به انتشاراتی که بودجه آنها تامین می شود، مجموعه داده ها و پتنت های ایجاد شده از آن انتشارات، و آزمایش های بالینی یا اسناد خط مشی ای که پس از آن انجام شد، ردیابی کرد. تحقیقات در بیش از 100 کشور و هر رشته اصلی، نقاط کوری را که از یک دیدگاه صرفاً ادبیات یا یک مجموعه داده منطقه ای منشا می‌گیرد، کاهش می‌دهد. این داده‌هایی است که می‌توانند حسابرسی شوند – و کسب‌وکارها می‌توانند به آن‌ها اعتماد کنند تا تصمیم‌هایی را که می‌گیرند هدایت کنند.

گام نهایی برای باز کردن هوش واقعا قدرتمند و قابل اعتماد این است که اطمینان حاصل شود که این زیرساخت داده با هستی شناسی های خاص سازمانی همگام است. ترکیب داده‌های قابل اعتماد با تعاریف معنایی، پایه‌ای را برای شرکت‌های علوم زیستی ایجاد می‌کند تا سال‌های آینده با خیال راحت‌تر به هوش تحقیقاتی مبتنی بر هوش مصنوعی تکیه کنند.

ایجاد پایه های قابل اعتماد برای استقرار هوش مصنوعی در آینده

شکست Surgisphere نشان‌دهنده شکست‌هایی است که جریان‌های کاری به کمک هوش مصنوعی اکنون در مقیاس بزرگ به‌طور خودکار به خطر می‌افتند: نتایج صاف و مطمئن بر اساس داده‌هایی که از استانداردهای صنعت فاصله دارند. امروزه، جریان‌های کاری به کمک هوش مصنوعی به طور فزاینده‌ای در نحوه دسته‌بندی تیم‌های تحقیق و توسعه و امور پزشکی از طریق ادبیات، سیگنال‌های سطحی و تصمیم‌گیری تعبیه شده است. کارآیی و بینش‌هایی که می‌توان از این فناوری به دست آورد، بی‌سابقه است، اما خطرات را نیز افزایش می‌دهد: هوش مصنوعی که با داده‌های غیرقابل مدیریت کار می‌کند، نه تنها پاسخ بدی می‌دهد، بلکه می‌تواند خطر وجودی را ایجاد کند.

بهترین راه برای محافظت در برابر چنین شکستی – و راه‌اندازی شرکتتان برای موفقیت بلندمدت – اتخاذ یک رویکرد دو جانبه، ترکیب یک لایه معنایی خاص سازمانی مانند یک نمودار دانش با داده‌هایی است که منطبق با FAIR و ALCOA+ هستند. علم دیجیتال یک زیرساخت نمودار دانش را ارائه می دهد که برای رشد با شرکت از طریق فناوری اختصاصی آن، متافکت ها طراحی شده است.

شرکت با تعریف یک لایه معنایی، محدوده داده هایی را که هوش مصنوعی می تواند به آنها دسترسی داشته باشد، تعریف می کند و روابط منطقی بین موجودیت های تعریف شده را تعریف می کند. این بدان معنی است که مدل فقط می تواند داده هایی را که به آنها دسترسی دارد در چارچوب مجموعه ای از قوانین تایید شده تفسیر کند. این امر خطر توهم یا خطاهای منطقی را کاهش می دهد و بازجویی از مسیرهایی را که منجر به نتیجه خاصی می شود برای حسابرسان آسان تر می کند. این روشی است برای اطمینان از اینکه داده های قابل اعتماد به طور قابل پیش بینی توسط مدل های قابل اعتماد درمان می شوند.

نتیجه، اطلاعات دقیق با یک دنباله حسابرسی داخلی است که کسب و کارها می توانند برای مقابله با حسابرسی مستقل به آن اعتماد کنند.

نوار یکپارچگی داده ها همچنان در حال افزایش است

همانطور که هوش مصنوعی در تحقیق و توسعه و تصمیم گیری های پزشکی جاسازی می شود، ممیزی ها توسط تنظیم کننده ها و ذینفعان داخلی نیز بیشتر خواهد شد. هوش قابل اعتماد با داده های قابل اعتماد شروع می شود و داده های قابل اعتماد به بهترین وجه در هماهنگی با زیرساخت سازمانی زیربنایی استفاده می شود.

Digital Science یکی از گسترده‌ترین مجموعه‌های بینش تحقیقاتی مرتبط را در جهان ارائه می‌کند – ترکیبی از ابعاد، Altmetric و ادعاهای IFI – برای کمک به سازمان‌های سازمانی از جریان‌های کاری تجزیه و تحلیل، تصمیم‌گیری استراتژیک، نوآوری و هوش مصنوعی که قابل توضیح، ممیزی و دفاع هستند.