在这里，人工智能已经证明自己是帮助公司扩展 聊天时代生命科 关键业务流程、克服运营挑战和实现新机遇的重要合作伙伴。毫无疑问，像 BioGPT 这样的大型语言模型 (LLM) 前景广阔，但在当今的现实中，它们充斥着安全、知识产权和事实不准确等潜在问题。在科学研究中，这样的风险实在太高了。
想要利用基于人工智能的技术所带来的好处的公司需要知道如何在噪音中航行，以了解什么是可以实现的，以及如何在今天安全地创造价值。
我们在最近的网络研讨会“在 ChatGPT 时代将 AI 应用于生命科学”中讨论了这些问题，并使用了expert.ai 生命科学平台来演示如何有效利用推动药物发现、临床试验和监管审查流程的数据。这篇博文总结了网络研讨会中回答的五个问题。查看下面的完整活动记录，看看你错过了什么。
问题 1. 成功实施 AI 可以带来哪些成果？
一般来说，在实施 AI 的每个阶段，定义切合实际的期 手机号码数据 望至关重要。这对于团队验证进度和设定预期结果以支持特定用例至关重要。定义“成功标准”将在很大程度上取决于您的业务目标，并将涉及技术和数据，以及领域专家的意见。以下是您可以考虑的一些结果：
- 跨内容孤岛访问信息的效率显著提高
- 提高每个疾病领域的自动分类模型的准确性
- 轻松扩展模型，在短时间内对大量出版物进行分类
- 对结果的准确性和安全性更有信心
这里要强调的一点是，团队对他们所使用的系统有信心非常重要。人们需要了解系统的工作原理以及用于改善结果的数据。没有人理解其工作原理的黑箱系统不是用户感到舒适的系统。可解释性（了解系统如何运行以及如何获得结果）可以建立信任。
问题2. 即使没有海量数据，我们还能拥有高性能的AI模型吗？
数据稀缺是许多流程面临的现实问题。然而，并非所有模型都需要进行大量训练。在某些情况下，预先训练的模型可以很好地发挥作用。许多此类模型可以针对大小和在防火墙内托管进行优化，以减少对 探索合作伙伴关系和赞助内容 专有数据在组织外部共享的担忧。
数据标准化也将在支持 AI 模型性能方面发挥重要作用。例如，语言翻译或医学术语可以帮助将医疗记录中的语言转换为参考语言和规范化术语。借助标准术语和自然语言理解，人们可以通过查看某种东西是药物还是候选药物的语义来做出推断。这些可以帮助减少我们训练系统或训练这些模型所需的数据量。
问题 3. 主题专家在 AI 过程中扮演什么角色，以及验证或与机器交互需要多少主题专业知识？
注释和验证活动非常耗时，并且对于任何 AI 实施的成功都至关重要。对于自然语言解决方案尤其如此，因为数据稀缺，需要极其准确的注释和验证。
在生命科学和医疗保健领域的 AI 中，缺乏可用的主 企业对企业数据库 题专家 (SME) 会大大减缓 AI 模型的开发。 预测所需的专业知识水平以及可用于加速注释或验证结果（可解释性）的工具将增加成功实施 AI 的机会。
主题专家必须尽早参与到这一过程，以建立人工智能目标的一致性，提供指导实施所需的专业知识，并验证人工智能方法是否符合这些目标，提供指导实施所需的专业知识， 并验证人工智能结果。