AI4Life Open Calls and Public Challenges: why, how, and what we have learned.
2023년에서 2025년 사이 세 차례의 오픈 콜(Open Call)과 세 차례의 퍼블릭 챌린지(Public Challenge)를 실행함으로써, AI4Life 이니셔티브는 22개의 바이오 이미지 분석 프로젝트를 지원했으며, FAIR 딥러닝 도입이 상당한 구현 장벽에 직면해 있는 반면, 생물학 분야 과학적 AI의 주요 병목 현상은 방법론 개발이 아니라 데이터, 주석(annotation), 그리고 공유 인프라의 가용성에 있다는 것을 밝혀냈다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
과학자들이 세포나 단백질과 같은 생명체의 가장 작은 구성 요소들을 찍기 위해 강력한 현미경을 사용하는 세상을 상상해 보세요. 이 이미지들은 질병이 어떻게 작동하는지, 혹은 식물이 어떻게 자라는지에 대한 비밀을 숨기고 있는 보물 지도와 같습니다. 하지만 여기에는 함정이 있습니다. 이 지도들은 종종 흐릿하거나, 엉망이거나, 혹은 소수의 전문가들만이 읽을 수 있는 언어로 숨겨져 있다는 점입니다. 이를 해결하기 위해 과학자들은 이 흐릿한 사진들을 깨끗하게 정리하고 숨겨진 보물을 자동으로 찾아내도록 훈련된 'AI 탐정'—즉, 똑똑한 컴퓨터 프로그램—을 만들어 왔습니다. 이 분야를 '바이오이미지 분석(bioimage analysis)'이라고 부릅니다. 핵심 아이디어는 우리가 컴퓨터에게 명확하게 보는 법을 가르칠 수 있다면, 질병을 치료하거나 세상을 먹여 살리는 데 도움이 될 발견의 속도를 높일 수 있다는 것입니다. 하지만, 슈퍼 파워를 가진 자동차가 있어도 달릴 도로가 없다면 무용지물인 것처럼, 뛰어난 AI를 갖는 것만으로는 충분하지 않습니다. 만약 그 AI가 필요로 하는 데이터가 누락되었거나, 망가졌거나, 혹은 서로 다른 디지털 금고 안에 잠겨 있다면 말입니다.
이 논문은 2023년에서 2025년 사이에 세 번의 '오픈 콜(Open Calls, 과학자들을 위한 도움 창구와 같은 것)'과 세 번의 '공개 챌린지(Public Challenges, AI 전문가들을 위한 비디오 게임 토너먼트와 같은 것)'를 조직하며 실전 테스트를 하기로 결정한 'AI4Life'라는 팀의 이야기를 들려줍니다. 그들은 자신들이 실제로 이 AI 도구들을 실제 생물학 문제에 적용할 수 있는지 확인하고 싶었습니다. 그들은 151건의 도움 요청을 받았으며, 22개의 프로젝트를 지원했고, 225명의 참가자가 최고의 이미지 정리 알고리즘을 만들기 위해 경합에 참여했습니다.
그들이 발견한 것은 일종의 현실 자각 타임이었습니다. 그들은 AI '탐정'들은 점점 더 똑똑해지고 있지만, '범죄 현장(데이터)'은 종종 엉망이라는 사실을 발견했습니다. 실제로 그들이 도왔던 22개의 프로젝트 중, 시작 단계에서 정말로 실행 준비가 되어 있던 프로젝트는 8개뿐이었고, AI를 처음부터 훈련시킬 수 있을 만큼 완벽하게 라벨링 된 예시가 충분했던 프로젝트는 단 2개뿐이었습니다. 대부분의 경우, 과학자들은 데이터를 정리하고, 파일 형식을 수정하거나, 컴퓨터에게 세포가 어떻게 생겼는지 알려주기 위해 수천 개의 작은 선을 그리는 데에만 몇 달을 소비해야 했습니다. 이 논문은 가장 큰 병목 현상이 AI 자체가 아니라, 양질의 공유된 데이터와 이를 이동시킬 수 있는 도구의 부재라고 제안합니다.
팀은 또한 놀라운 새로운 AI 도구들이 있음에도 불구하고, 많은 과학자들이 여로 설치하거나 사용하기 어렵다는 이유로 여전히 익숙하고 오래된 소프트웨어를 고수한다는 점을 주목했습니다. 이는 마치 박사 학위가 있어야 시동을 걸 수 있는 자율주행차를 가지고 있어서, 사람들이 그냥 기존의 수동 차량을 계속 운전하는 것과 같습니다. 경합을 통해 일부 화려한 새로운 AI 모델들이 우승할 수는 있지만, 구식의 믿음직한 일꾼들이 여전히 가장 인기 있는 선택지라는 점이 드러났는데, 그 이유는 그것들이 그냥 제대로 작동하기 때문입니다.
이 모험의 주요 교훈은 단순히 더 나은 AI를 만든다고 해서 마법이 일어나기를 기대해서는 안 된다는 것입니다. 우리는 먼저 더 나은 도로, 표지판, 그리고 주유소를 만들어야 합니다. 저자들은 AI가 진정으로 생물학을 혁신하기 위해서는 데이터를 더 쉽게 공유할 수 있도록 만드는 데 집중해야 하며, 과학자들에게 이러한 도구를 사용하는 법을 교육하고, 논문을 쓰는 것만큼이나 데이터를 공유하는 것에 대해서도 보상해야 한다고 제언합니다. 이러한 '배관' 문제를 해결하기 전까지는, 초지능 AI도 데이터가 따라잡기를 기다리며 멈춰 서 있을 것입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.