A inteligência artificial (IA) está impulsionando a inovação em um ritmo inimaginável há uma década. A IA alcança quase todos os setores e empresas ao melhorar a eficiência, promover a tomada de decisões baseada em dados e aumentar a segurança. Ela também está revolucionando muitos campos da pesquisa científica, incluindo a química e as ciências biológicas. Os avanços da IA nessas duas áreas levaram a novas formas de descobrir materiais, aceleraram a descoberta de medicamentos e criaram modelos preditivos capazes de realizar milhões de experimentos antes mesmo de você entrar no laboratório.
Com a IA impactando todos os aspectos de nossas vidas diárias, é fácil perder de vista o que torna a IA tão poderosa e onde a tecnologia falha. Um fator chave é a importância da qualidade dos dados para qualquer aplicação de IA.
Definindo a qualidade dos dados
A qualidade dos dados pode significar coisas diferentes para pessoas diferentes, mas, geralmente, consiste em uma combinação de quatro fatores principais: precisão, consistência, integridade e relevância.
- Precisão garante que os dados estejam livres de erros e equívocos.
- Consistência significa que os dados são representados de forma uniforme.
- Integridade assegura que todos os dados necessários estejam presentes.
- Relevância valida se os dados são aplicáveis à tarefa em questão.
Conjuntos de dados que seguem esses fatores são vitais para treinar um algoritmo de IA. No entanto, é importante considerar também as consequências de não atingir esses requisitos.
Precisão
Treinar modelos com conjuntos de dados imprecisos resultará em modelos imprecisos. A baixa precisão em um conjunto de dados aumenta a probabilidade de uma generalização ruim. Se um modelo não generaliza bem, ele terá um desempenho insatisfatório com dados não incluídos em seu conjunto de treinamento. O resultado final de uma precisão ruim é que o modelo não será confiável, gerando problemas de confiança que são difíceis de superar após a implementação.
Consistência
Se seus dados forem inconsistentes, incorporar novos dados ao seu conjunto de treinamento exigirá mais esforço. A necessidade de identificar campos ausentes, mudanças em unidades, duplicações e outros tipos de inconsistências é um processo demorado. A maioria dos cientistas de dados gasta uma quantidade significativa de seu tempo melhorando a consistência dos conjuntos de dados. Esse tempo poderia ser mais bem aproveitado no desenvolvimento de algoritmos de IA se a consistência dos dados fosse priorizada anteriormente no pipeline de dados.
Integridade
Sem acesso a um conjunto de dados completo com todas as informações relevantes para o propósito pretendido do modelo, haverá lacunas na compreensão do modelo. Essas lacunas podem se manifestar como viés no modelo. Modelos enviesados são propensos a fazer previsões inadequadas ao encontrar dados que não se assemelham ao seu conjunto de treinamento. Modelos enviesados trazem consigo muitas preocupações éticas e legais, pois podem reforçar estereótipos prejudiciais ou criar um impacto social negativo para os usuários dos modelos.
Relevância
Pode ser necessário mais tempo para treinar um modelo útil se o conjunto de dados for irrelevante para a tarefa em questão. Usar dados irrelevantes no treinamento confundirá o modelo, pois ele tentará levar em conta dados que não impactam sua decisão final. Se um modelo precisa de mais tempo em sua fase de treinamento devido a esses dados irrelevantes, você pode esperar gastar mais tempo, recursos computacionais e dinheiro para treinar um modelo útil.
A CAS garante a qualidade dos dados com um toque humano
Preocupações com a qualidade dos dados existem em toda parte, mas a CAS reconhece e prioriza a natureza crítica desses fatores relacionados a dados científicos. Dados de química e ciências biológicas podem ser muito variados, dependendo da fonte. Existem várias maneiras diferentes de representar uma estrutura molecular na química. Elas incluem MDL Molfile (MOL), Structure-Data Format (SDF), Simplified Molecular Input Line Entry System (SMILES) e International Chemical Identifier (InChI). Cada uma dessas representações moleculares tem prós e contras. A CAS utiliza tecnologias que mapeiam todos os formatos moleculares para o CAS REGISTRY®. Quando a tecnologia sozinha não consegue determinar uma correspondência exata, a experiência humana é utilizada para identificar a estrutura correta. É por meio dessa curadoria humana que mantemos um banco de dados de alta qualidade, tanto de estruturas químicas quanto de reações químicas, que são usados em muitas aplicações de IA diferentes, tanto na CAS quanto com parceiros.
Da mesma forma, a CAS tem contado com a curadoria humana em nossa recente expansão para dados de ciências biológicas. A equipe global de cientistas e tecnólogos da CAS analisa dados de ciências biológicas, como farmacologia, biomarcadores e vias de sinalização. Esse esforço garante que nossos dados sejam precisos e consistentes, componentes fundamentais de conjuntos de dados de alta qualidade. Quando nosso conjunto de dados farmacológicos foi usado para treinar um modelo existente para prever a atividade de uma molécula contra um alvo proteico, observamos uma redução de 56% na diferença entre os valores experimentais e previstos em comparação com o modelo de referência, e uma redução de 23% no desvio padrão. Esse esforço demonstra a importância da qualidade dos dados, que pode ser encontrada em todos os conjuntos de dados da CAS.
Na CAS, acreditamos na importância da qualidade dos dados em aplicações de IA. Com o envolvimento humano, geramos conjuntos de dados consistentes e de alta precisão. Ao longo de nossos mais de 100 anos de existência, desenvolvemos experiência em gestão de conteúdo e conhecimento. Nossos cientistas contam com essa experiência para avaliar a integridade e a relevância de um conjunto de dados para uma determinada aplicação de IA. Usando esse conhecimento, eles podem identificar problemas de integridade e relevância em um conjunto de dados e desenvolver um plano para resolvê-los.