Self Driving Datasets: From 20 Million Papers to Nuanced Biomedical Knowledge at Scale
यह शोध पत्र "स्टारलिंग" (Starling) को प्रस्तुत करता है, जो एक मल्टी-एजेंट डीप रिसर्च सिस्टम है जो स्वायत्त रूप से संपूर्ण पबमेड (PubMed) कॉर्पस को बड़े पैमाने पर, उच्च-सटीक और सूक्ष्मता-युक्त संरचित बायोमेडिकल डेटासेट में परिवर्तित करता है, जो पैमाने और डेटा गुणवत्ता दोनों में पारंपरिक मैन्युअल रूप से क्यूरेट किए गए रिपॉजिटरी से बेहतर प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि बायोमेडिकल रिसर्च की दुनिया एक विशाल, अराजक लाइब्रेरी है जिसमें 22.5 मिलियन किताबें (वैज्ञानिक शोध पत्र) हैं। दशकों से, वैज्ञानिक नई दवाओं की खोज करने के लिए AI बनाने की कोशिश कर रहे हैं, लेकिन वे एक बहुत ही छोटे, महंगे और थोड़े पुराने "चीट शीट" (cheat sheet) से सीखने की कोशिश कर रहे हैं जिसे कुछ लाइब्रेरियन ने मैन्युअल रूप से लिखा था। यह चीट शीट (मौजूदा डेटाबेस) अच्छी तो है, लेकिन इसमें कई पन्ने गायब हैं, इसे अपडेट करने में समय लगता है, और लाइब्रेरियन अक्सर इस महत्वपूर्ण विवरण को छोड़ देते हैं कि प्रयोग वास्तव में कैसे किए गए थे।
यह पेपर Starling को पेश करता है, जो एक सुपर-पावर्ड, अथक लाइब्रेरियन की तरह है जो पूरी लाइब्रेरी के 22.5 मिलियन किताबों को पढ़ सकता है, तुरंत संदर्भ (context) को समझ सकता है, और चीट शीट को फिर से लिख सकता है ताकि वह बड़ी, अधिक सटीक और गायब विवरणों से भरपूर हो सके।
यहाँ बताया गया है कि Starling कैसे काम करता है, जिसे सरल चरणों में विभाजित किया गया है:
1. समस्या: "चीट शीट" दोषपूर्ण है
मौजूदा ड्रग डेटाबेस को एक स्प्रेडशीट की तरह समझें जहाँ किसी ने लिखा है: "दवा X काम करती है।"
- यह अधूरा है: इसमें वे हजारों नए अध्ययन छूट गए हैं जो स्प्रेडशीट के आखिरी अपडेट के बाद प्रकाशित हुए हैं।
- इसमें बारीकियों की कमी है: यह आपको यह नहीं बताता कि दवा X कब काम करती है। शायद यह केवल तभी काम करती है जब मरीज ने कुछ खाया न हो, या केवल तभी जब वे किसी विशिष्ट अन्य दवा के साथ इसे ले रहे हों। स्प्रेडशीट इस महत्वपूर्ण संदर्भ को फेंक देती है।
- इसमें त्रुटियाँ हैं: पेपर में पाया गया कि पुराने चीट शीट 7% से 16% बार गलत होते हैं।
2. समाधान: Starling (स्व-चालित लाइब्रेरियन)
लाइब्रेरियन को किताबें पढ़ने के लिए नियुक्त करने के बजाय (जिसमें वर्षों लग जाते हैं और बहुत पैसा खर्च होता है), लेखकों ने Starling बनाया, जो एक AI सिस्टम है जो अपना काम स्वयं करता है।
चरण A: टैगिंग सिस्टम (इंडेक्स)
सबसे पहले, Starling हर एक पेपर को पढ़ता है और उन पर 'स्टिकी नोट्स' लगाता है। यह 19 अलग-अलग श्रेणियों में 4.5 बिलियन विशिष्ट चीजों (जैसे दवाओं के नाम, जीन, बीमारियाँ और प्रोटीन) को टैग करता है। यह बिल्कुल वैसा ही है जैसे एक ऐसी लाइब्रेरी हो जहाँ हर किताब को उसके अंदर मौजूद हर पात्र और कथानक द्वारा तुरंत इंडेक्स किया जा सके।
चरण B: खोज (जासूस)
जब कोई शोधकर्ता ऐसा प्रश्न पूछता है जैसे, "मुझे हर वह समय ढूँढ कर दें जब किसी ने भी इस बारे में बात की हो कि एक दवा मस्तिष्क में कैसे प्रवेश करती है," तो Starling केवल अनुमान नहीं लगाता। यह "हाइब्रिड सर्च" (कीवर्ड मिलान और वाक्यों के अर्थ को समझने का संयोजन) का उपयोग करता है ताकि 22.5 मिलियन किताबों में से सटीक पन्ने खोज सके जो प्रासंगिक हों।
चरण C: निष्कर्षण (लेखक/Scribe)
यही असली जादू है। Starling AI एजेंटों की एक टीम का उपयोग करता है जो:
- फॉर्म डिजाइन करता है: यह तय करता है कि कौन सी जानकारी महत्वपूर्ण है (जैसे, "क्या मरीज उपवास पर था?")।
- पढ़ना और लिखना: यह विशिष्ट पैराग्राफों को पढ़ता है, डेटा निकालता है, और एक संरचित रिकॉर्ड भरता है।
- न्यायाधीश (The Judge): एक अंतिम AI "जज" काम की जाँच करता है। वह पूछता है: "क्या आपने वास्तव में यह इस पेपर में पाया है? क्या दवा का नाम सही है? क्या आपने कोई नंबर खुद से बना लिया है?" यदि उत्तर 'नहीं' है, तो वह उस रिकॉर्ड को हटा देता है।
3. परिणाम: एक बेहतर लाइब्रेरी
पेपर ने Starling का परीक्षण छह अलग-अलग कार्यों पर किया, जैसे कि यह पता लगाना कि एक रसायन कितना जहरीला है या एक दवा रक्त-मस्तिष्क अवरोध (blood-brain barrier) को कितनी अच्छी तरह पार करती है।
- पैमाना (Scale): Starling ने लगभग 6.3 मिलियन रिकॉर्ड तैयार किए। कुछ कार्यों के लिए, यह मौजूदा सर्वोत्तम मैनुअल डेटाबेस से 20 से 30 गुना बड़ा है।
- सटीकता (Accuracy): आश्चर्यजनक रूप से, Starling के रिकॉर्ड मानव-क्यूरेटेड (human-curated) रिकॉर्ड की तुलना में अधिक सटीक थे। जहाँ पुराने डेटाबेस में 7% से 16% की त्रुटि दर थी, वहीं Starling की त्रुटि दर केवल 0.6% से 7.7% थी।
- बारीकी (Nuance): यह सबसे बड़ी जीत है। Starling ने केवल यह नहीं कहा कि "दवा X की बायोअवेलेबिलिटी 60% है।" इसने कहा, "दवा X की बायोअवेलेबिलिटी 60% है यदि खाली पेट ली जाए, लेकिन उच्च वसा वाले भोजन के साथ लेने पर केवल 20% है।" इसने उस संख्या के पीछे की "कहानी" को पकड़ लिया, जिसे पिछले डेटाबेस फेंक देते थे।
4. लागत
पेपर नोट करता है कि इस पूरी प्रक्रिया की लागत लगभग एक सेंट प्रति रिकॉर्ड आई। इसके विपरीत, इन डेटाबेस को मैन्युअल रूप से क्यूरेट करने में बहुत पैसा और वर्षों लग जाते हैं।
सारांश
पेपर का दावा है कि साहित्य से स्वायत्त रूप से प्राथमिक वैज्ञानिक साहित्य को पढ़ने के लिए AI का उपयोग करके, हम ऐसे डेटासेट बना सकते हैं जो मानव द्वारा मैन्युअल रूप से क्यूरेट किए गए किसी भी डेटाबेस से बड़े, सस्ते, अधिक सटीक और विवरणों में अधिक समृद्ध हैं। उन्होंने कोड और डेटासेट जारी कर दिए हैं ताकि अन्य लोग इस "स्व-चालित" पद्धति का उपयोग करके अपने स्वयं के ज्ञान आधार (knowledge bases) बना सकें।
पेपर क्या दावा नहीं करता है:
- यह दावा नहीं करता है कि इन डेटासेट्स ने पहले ही बीमारियों को ठीक कर दिया है या नई दवाओं को मंजूरी मिलने में मदद की है।
- यह दावा नहीं करता है कि AI पूर्ण है या यह एक मानव डॉक्टर की तरह जीव विज्ञान को समझता है (इसे अभी भी जाँच की आवश्यकता है)।
- यह दावा नहीं करता कि सिस्टम पेपर में छवियों या ग्राफों को पढ़ सकता है (यह वर्तमान में केवल टेक्स्ट और टेबल पढ़ सकता है)।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।