متن خبر

Elicit در حال ساخت ابزاری برای خودکارسازی بررسی متون علمی است

Elicit در حال ساخت ابزاری برای خودکارسازی بررسی متون علمی است

شناسهٔ خبر: 437342 -




برای محققان، خواندن مقالات علمی می تواند بسیار وقت گیر باشد. طبق یک نظرسنجی، دانشمندان هفت ساعت در هفته را صرف جستجوی اطلاعات می کنند. نظرسنجی دیگری نشان می‌دهد که مرور سیستماتیک ادبیات - ترکیب‌های علمی شواهد در مورد یک موضوع خاص - برای یک تیم تحقیقاتی پنج نفره به طور متوسط ​​۴۱ هفته طول می‌کشد.

اما لازم نیست اینگونه باشد.

حداقل، این پیام آندریاس استولمولر، یکی از بنیانگذاران یک استارتاپ هوش مصنوعی، Elicit است که یک «دستیار پژوهشی» برای دانشمندان و آزمایشگاه‌های تحقیق و توسعه طراحی کرده است. با پشتیبانانی از جمله Fifty Years، Basis Set، Illusion و سرمایه گذاران فرشته جف دین (دانشمند ارشد گوگل) و توماس ایبلینگ (مدیر عامل سابق Novartis)، Elicit در حال ساخت یک ابزار مبتنی بر هوش مصنوعی برای حذف جنبه های خسته کننده تر تحلیل ادبیات است.

Stuhlmüller در مصاحبه ای با TechCrunch بیان کرد : «Elicit یک دستیار تحقیقاتی است که تحقیقات علمی را با مدل های زبانی خودکار می کند. به طور خاص، مرور ادبیات را با یافتن مقالات مرتبط، استخراج اطلاعات کلیدی در مورد مطالعات و سازماندهی اطلاعات در مفاهیم به صورت خودکار انجام می دهد.

Elicit یک سرمایه‌گذاری انتفاعی است که از Ought، یک بنیاد تحقیقاتی غیرانتفاعی که در سال ۲۰۱۷ توسط Stuhlmüller، محقق سابق آزمایشگاه محاسبات و شناخت استانفورد راه‌اندازی شد، ایجاد شد. یکی دیگر از بنیانگذاران Elicit، Jungwon Byun، پس از رشد پیشرو در شرکت وام آنلاین Upstart، در سال ۲۰۱۹ به این استارت آپ پیوست.

با استفاده از مدل‌های مختلف، چه شخص اول و چه شخص ثالث، Elicit به جستجو و کشف مفاهیم در مقالات می‌پردازد و به کاربران این امکان را می‌دهد که سؤالاتی مانند "همه اثرات کراتین چیست؟" یا "همه مجموعه داده هایی که برای مطالعه استدلال منطقی استفاده شده اند چیست؟" و فهرست ی از پاسخ ها را از ادبیات دانشگاهی دریافت کنید.

Stuhlmüller گفت: "با خودکار کردن فرآیند تحلیل سیستماتیک، ما می توانیم بلافاصله در هزینه و زمان صرفه جویی کنیم به سازمان های تحقیقاتی دانشگاهی و صنعتی که این تحلیل ها را تولید می کنند." "با کاهش هزینه به اندازه کافی، موارد استفاده جدیدی را که قبلاً هزینه زیادی نداشتند، مانند به‌روزرسانی‌های به‌موقع زمانی که وضعیت دانش در یک زمینه تغییر می‌کند، باز می‌کنیم."

اما ممکن است بگویید صبر کنید - آیا مدل‌های زبانی تمایلی به اصلاح چیزها ندارند؟ در واقع آنها انجام می دهند. تلاش متا برای یک مدل زبانی برای ساده‌سازی تحقیقات علمی، Galactica، تنها سه روز پس از راه‌اندازی حذف شد، زمانی که مشخص شد این مدل اغلب به مقالات تحقیقاتی جعلی اشاره می‌کند که درست به نظر می‌رسند اما در واقع واقعی نیستند.

Stuhlmüller ادعا می کند که Elicit اقداماتی را انجام داده است تا اطمینان حاصل شود که هوش مصنوعی آن از بسیاری از پلتفرم های هدفمند ساخته شده قابل اعتمادتر است.

اولاً، Elicit وظایف پیچیده‌ای را که مدل‌هایش انجام می‌دهند به قطعات «قابل درک برای انسان» تقسیم می‌کند. به عنوان مثال، این امکان را به Elicit می‌دهد که بداند مدل‌های مختلف در زمان تولید خلاصه‌ها چند وقت یک‌بار چیزهایی را می‌سازند، و متعاقباً به کاربران کمک می‌کند تا بفهمند چه پاسخ‌هایی را تحلیل کنند - و چه زمانی.

Elicit همچنین با در نظر گرفتن عواملی مانند کنترل یا تصادفی بودن کارآزمایی‌های انجام‌شده در تحقیق، منبع بودجه و تضادهای احتمالی و اندازه کارآزمایی‌ها، تلاش می‌کند «قابلیت اعتماد» کلی یک مقاله علمی را محاسبه کند.

برانگیختن

ابزار جستجوی Elicit برای ادبیات هوش مصنوعی.

Stuhlmüller گفت: "ما رابط های چت را انجام نمی دهیم." کاربران را تحریک کنید که مدل‌های زبانی را به‌عنوان کارهای دسته‌ای به کار ببرند... ما هرگز فقط با استفاده از مدل‌ها پاسخ نمی‌دهیم، ما همیشه پاسخ‌ها را به ادبیات علمی مرتبط می‌کنیم تا توهم را کاهش دهیم و تحلیل کار مدل‌ها را آسان کنیم.»

من لزوماً متقاعد نیستم که Elicit برخی از مسائل اصلی را که امروزه مدل‌های زبانی را درگیر کرده است، با توجه به غیرقابل حل بودن آنها حل کرده است. اما به نظر می رسد که تلاش های آن قطعاً مورد توجه - و شاید حتی اعتماد - از سوی جامعه پژوهشی قرار گرفته است.

Stuhlmüller ادعا می کند که بیش از ۲۰۰۰۰۰ نفر هر ماه از Elicit استفاده می کنند که نشان دهنده رشد ۳ برابری سال به سال از سازمان هایی از جمله بانک جهانی، Genentech و Stanford است. او گفت : «کاربران ما درخواست می‌کنند تا برای آپشن های قدرتمندتر پول پرداخت کنند و Elicit را در مقیاس‌های بزرگ‌تر اجرا کنند.

احتمالاً، همین شتاب است که به اولین دور مالی Elicit منجر شد - یک بخش ۹ میلیون دلاری توسط Fifty Years. برنامه این است که بخش عمده ای از پول نقد جدید را برای توسعه بیشتر محصول Elicit و همچنین گسترش تیم مدیران محصول و مهندسان نرم افزار Elicit اختصاص دهد.

اما برنامه Elicit برای کسب درآمد چیست؟ سوال خوبی بود - و یکی را خالی از اشتالمولر پرسیدم. او به پرداخت پولی Elicit اشاره کرد که این هفته راه اندازی شد و به کاربران امکان می دهد مقالات را جستجو کنند، داده ها را استخراج کنند و مفاهیم را در مقیاس بزرگتر از سطح رایگان خلاصه کنند. استراتژی بلندمدت این است که Elicit را به یک ابزار کلی برای تحقیق و استدلال تبدیل کنیم - ابزاری که کل شرکت ها برای آن هزینه کنند.

یکی از موانع احتمالی موفقیت تجاری Elicit، تلاش‌های منبع باز مانند مؤسسه آلن برای مدل زبان باز هوش مصنوعی است که هدف آن توسعه یک مدل زبان بزرگ با کاربرد رایگان و بهینه‌سازی شده برای علم است. اما Stuhlmüller می گوید که او منبع باز را بیشتر مکمل می داند تا تهدید.

Stuhlmüller گفت: "رقابت اصلی در حال حاضر نیروی انسانی است - دستیاران پژوهشی که برای استخراج دقیق داده ها از مقالات استخدام می شوند." «تحقیقات علمی یک بازار بزرگ است و ابزار گردش کار تحقیقاتی هیچ متصدی اصلی ندارد. اینجاست که شاهد ظهور جریان‌های کاری کاملاً جدید مبتنی بر هوش مصنوعی خواهیم بود.»

خبرکاو

ارسال نظر




تبليغات ايهنا تبليغات ايهنا

تمامی حقوق مادی و معنوی این سایت متعلق به خبرکاو است و استفاده از مطالب با ذکر منبع بلامانع است