La inteligencia artificial (IA) impulsa la innovación a un ritmo inimaginable hace una década. La IA llega a casi todos los sectores y empresas al mejorar la eficiencia, fomentar la toma de decisiones basada en datos y reforzar la seguridad. También está revolucionando muchos campos de la investigación científica, como la química y las ciencias de la vida. Los avances de la IA en estos dos sectores han dado lugar a nuevas formas de descubrir materiales, han acelerado el descubrimiento de fármacos y han creado modelos predictivos capaces de realizar millones de experimentos antes de entrar en el laboratorio.
Dado que la IA influye en todos los aspectos de nuestra vida cotidiana, es fácil perder de vista qué es lo que la hace tan potente y dónde falla esta tecnología. Un factor clave es la importancia de la calidad de los datos para cualquier aplicación de IA.
Definición de la calidad de los datos
La calidad de los datos puede significar cosas distintas para cada persona, pero, por lo general, consiste en una combinación de cuatro factores principales: precisión, coherencia, integridad y relevancia.
- Precisión garantiza que los datos estén libres de errores y equivocaciones.
- Coherencia significa que los datos se representan de forma uniforme.
- Integridad asegura que todos los datos necesarios estén presentes.
- Relevancia valida que los datos sean aplicables a la tarea en cuestión.
Los conjuntos de datos que cumplen estos factores son vitales para entrenar un algoritmo de IA. Sin embargo, es importante considerar también las consecuencias de no alcanzar estos requisitos.
Precisión
Entrenar modelos con conjuntos de datos imprecisos dará lugar a modelos imprecisos. Una baja precisión en un conjunto de datos aumenta la probabilidad de una mala generalización. Si un modelo no generaliza bien, su rendimiento será deficiente con datos no incluidos en su conjunto de entrenamiento. El resultado final de una mala precisión es que el modelo no será fiable, lo que provocará problemas de confianza difíciles de superar tras su implementación.
Coherencia
Si sus datos son incoherentes, incorporar nuevos datos a su conjunto de entrenamiento requerirá más esfuerzo. La necesidad de identificar campos faltantes, cambios en las unidades, duplicaciones y otros tipos de incoherencias es un proceso que consume mucho tiempo. La mayoría de los científicos de datos dedican una parte importante de su tiempo a mejorar la coherencia de los conjuntos de datos. Este tiempo podría aprovecharse mejor en el desarrollo de algoritmos de IA si se priorizara la coherencia de los datos al principio del proceso.
Integridad
Sin acceso a un conjunto de datos completo con toda la información relevante para el propósito previsto del modelo, habrá lagunas en la comprensión del mismo. Estas lagunas pueden manifestarse como sesgos en el modelo. Los modelos sesgados son propensos a realizar predicciones inadecuadas cuando encuentran datos que no se parecen a su conjunto de entrenamiento. Los modelos sesgados conllevan muchas preocupaciones éticas y legales, ya que pueden reforzar estereotipos perjudiciales o generar un impacto social negativo en sus usuarios.
Relevancia
Puede requerir más tiempo entrenar un modelo útil si el conjunto de datos no es relevante para la tarea en cuestión. El uso de datos irrelevantes en el entrenamiento confundirá al modelo, ya que intentará tener en cuenta datos que no influyen en su decisión final. Si un modelo necesita más tiempo en su fase de entrenamiento debido a estos datos irrelevantes, cabe esperar que se dedique más tiempo, recursos computacionales y dinero a entrenar un modelo útil.
CAS garantiza la calidad de los datos con un toque humano
Los problemas de calidad de los datos están presentes en todas partes, pero CAS reconoce y prioriza la naturaleza crítica de estos factores en relación con los datos científicos. Los datos de química y ciencias de la vida pueden ser muy variados según su origen. Existen diversas formas de representar una estructura molecular en química, como MDL Molfile (MOL), Structure-Data Format (SDF), Simplified Molecular Input Line Entry System (SMILES) e International Chemical Identifier (InChI). Cada una de estas representaciones moleculares tiene sus ventajas e inconvenientes. CAS utiliza tecnologías que asignan todos los formatos moleculares a CAS REGISTRY®. Cuando la tecnología por sí sola no puede determinar una coincidencia exacta, se recurre a la experiencia humana para identificar la estructura correcta. Gracias a esta curación humana, mantenemos una base de datos de alta calidad tanto de estructuras químicas como de reacciones químicas, utilizada en numerosas aplicaciones de IA, tanto en CAS como con nuestros socios.
Del mismo modo, CAS ha confiado en la curación humana en su reciente expansión hacia los datos de ciencias de la vida. El equipo global de científicos y tecnólogos de CAS revisa datos de ciencias de la vida, como farmacología, biomarcadores y vías de señalización. Este esfuerzo garantiza que nuestros datos sean precisos y coherentes, componentes clave de los conjuntos de datos de alta calidad. Cuando nuestro conjunto de datos farmacológicos se utilizó para entrenar un modelo existente destinado a predecir la actividad de una molécula frente a una diana proteica, observamos una reducción del 56 % en la diferencia entre los valores experimentales y los predichos en comparación con el modelo base, así como una reducción del 23 % en la desviación estándar. Este resultado demuestra la importancia de la calidad de los datos, presente en todos los conjuntos de datos de CAS.
En CAS, creemos en la importancia de la calidad de los datos en las aplicaciones de IA. Mediante la intervención humana, generamos conjuntos de datos coherentes y de alta precisión. A lo largo de nuestros más de 100 años de historia, hemos desarrollado una gran experiencia en la gestión de contenidos y conocimientos. Nuestros científicos se basan en esta experiencia para evaluar la integridad y relevancia de un conjunto de datos para una aplicación de IA específica. Gracias a ello, pueden identificar problemas de integridad y relevancia en un conjunto de datos y desarrollar un plan para resolverlos.