AI4Life Open Calls and Public Challenges: why, how, and what we have learned.
Durch die Durchführung von drei Open Calls und drei Public Challenges zwischen 2023 und 2025 unterstützte die AI4Life-Initiative 22 Biobildanalyse-Projekte und legte offen, dass die Einführung von FAIR-konformem Deep Learning zwar vor erheblichen Implementierungshürden steht, der primäre Engpass für wissenschaftliche KI in der Biologie jedoch nicht in der Methodenentwicklung, sondern in der Verfügbarkeit von Daten, Annotationen und gemeinsamer Infrastruktur liegt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Welt vor, in der Wissenschaftler leistungsstarke Mikroskope verwenden, um Fotos von den kleinsten Bausteinen des Lebens zu machen, wie etwa Zellen und Proteinen. Diese Bilder sind wie Schatzkarten, die Geheimnisse darüber verbergen, wie Krankheiten funktionieren oder wie Pflanzen wachsen. Aber hier liegt der Haken: Diese Karten sind oft verschwommen, unordentlich oder in einer Sprache verborgen, die nur wenige Experten lesen können. Um dies zu lösen, haben Wissenschaftler begonnen, „KI-Detektive“ zu bauen – intelligente Computerprogramme, die darauf trainiert sind, diese unscharfen Bilder aufzubereiten und die verborgenen Schätze automatisch zu finden. Dieses Feld wird als Biobildanalyse bezeichnet. Die große Idee ist: Wenn wir Computer beibringen können, klar zu sehen, können wir Entdeckungen beschleunigen, die helfen könnten, Krankheiten zu heilen oder die Welt zu ernähren. Doch genau wie ein superstarkes Auto nutzlos ist, wenn man keine Straße hat, auf der man fahren kann, reicht eine brillante KI nicht aus, wenn die Daten, die sie benötigt, fehlen, defekt oder in verschiedenen digitalen Tresoren weggeschlossen sind.
Dieses Paper erzählt die Geschichte eines Teams namens AI4Life, das beschloss, das Wasser zu testen, indem es zwischen 2023 und 2025 drei „Open Calls“ (wie einen Helpdesk für Wissenschaftler) und drei „Public Challenges“ (wie Videospiel-Turniere für KI-Experten) organisierte. Sie wollten sehen, ob sie diese KI-Werkzeuge tatsächlich für reale biologische Probleme zum Laufen bringen können. Sie erhielten 151 Hilfegesuche und unterstützten 22 Projekte, während 225 Teilnehmer an den Wettbewerben teilnahmen, um zu sehen, wer die besten Algorithmen zur Bildbereinigung entwickeln konnte.
Was sie herausfanden, war ein wenig Realitätscheck. Sie entdeckten, dass die KI-„Detektive“ zwar immer klüger werden, die „Tatorte“ (die Daten) jedoch oft ein Chaos sind. Tatsächlich waren von den 22 Projekten, bei denen sie halfen, nur 8 beim Start wirklich einsatzbereit, und nur 2 verfügten über genügend perfekte, beschriftete Beispiele, um eine KI von Grund auf neu zu trainieren. Meistens mussten die Wissenschaftler Monate damit verbringen, nur ihre Daten zu bereinigen, Dateiformate zu korrigieren oder tausende kleiner Linien zu zeichnen, um dem Computer zu sagen, wie eine Zelle aussieht. Das Paper legt nahe, dass der größte Engpass nicht die KI selbst ist, sondern der Mangel an guten, gemeinsam genutzten Daten und den Werkzeugen, um diese zu bewegen.
Das Team stellte auch fest, dass viele Wissenschaftler trotz der Existenz erstaunlicher neuer KI-Tools immer noch an alter, vertrauter Software festhalten, weil das neue Zeug schwer zu installieren oder zu benutzen ist. Es ist, als hätte man ein selbstfahrendes Auto, für dessen Start man einen PhD benötigt, sodass die Leute einfach weiterhin ihre alten, manuellen Autos fahren. Die Wettbewerbe zeigten, dass zwar einige schicke neue KI-Modelle gewinnen können, die alten, zuverlässigen Arbeitspferde aber immer noch die beliebteste Wahl sind, weil sie einfach funktionieren.
Die wichtigste Lehre aus diesem Abenteuer ist, dass wir nicht einfach nur bessere KI bauen und erwarten können, dass Magie geschieht. Wir müssen zuerst bessere Straßen, Wegweiser und Tankstellen bauen. Die Autoren schlagen vor, dass wir, damit die KI die Biologie wirklich revolutionieren kann, darauf fokussieren müssen, Daten leichter teilbar zu machen, Wissenschaftler darin zu schulen, wie sie diese Werkzeuge nutzen, und Menschen dafür zu belohnen, ihre Daten zu teilen, genau wie wir sie dafür belohnen, wissenschaftliche Arbeiten zu schreiben. Bis wir diese „Sanitärprobleme“ lösen, wird die superintelligente KI darauf warten müssen, dass die Daten aufholen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.