案例研究：数据质量对生物活性算法预测的影响

人工智能和机器学习在提高许多学科的研究效率方面表现出了巨大的潜力。但是，在研发应用中实施这些技术仍然存在诸多显而易见的挑战，也存在许多机遇，可以立足当下以求更大突破。实际上，据 Gartner 的一名分析师估计，有多达 85％ 的人工智能推动项目无法实现其目标。正如我之前的博文所述，我和其他许多人都认为，影响这些成功率的主要差距之一是数据质量。

评估数据质量的影响

CAS 团队最近努力回答的问题是：我们能否通过量化来评估数据质量对算法预测成功率的影响？（剧透提醒）我们可以，并且我们最近在本案例研究中发布了我们一项初步实验的数据。

立即下载案例研究，以查看实验的详细信息和完整结果。

为了建立有效的测试，我们的数据科学家识别了最近发表的期刊文章，其中强调了机器学习分类挑战。该研究的最初目的是通过算法预测近 10,000 种化合物对五种不同靶标的生物活性。在该原创论文中，作者使用扩展连接指纹 (ECFP)（一种既定常用分子描述符）来预测 10,000 种化合物的活性。CAS 团队研究了该论文中所用的特定机器学习方法 (SVM)，以了解用 CAS 增强的专有指纹和描述符替换 ECFP 将如何影响结果的准确性。最初的影响非常显著，各标靶间的预测准确率平均提高逾 30％。

将卓越技术与高质量数据相结合，以提高成功率

作为一名数据科学家，我花了将近 20 年的时间从​​事数字技术应用的研究，对机器学习及在美国国立卫生研究院 (NIH)、各类咨询机构和两家创业公司等各类组织的医疗保健领域均有涉猎，在自己的领域内我也面临着应对数据挑战的难题。数据科学的吸引力在于建立一个行之有效的算法所产生的令人难以置信的满足感和自豪感，这类算法提供的预测能够真正实现更好的决策，加快上市速度并形成人类错过的独特见解。然而，现实情况是，技术只是这场战斗的一小部分。调整数据策略通常可以对项目的成功率产生即使不是更大也是同样的影响。

CAS 无与伦比的内容合集具有独特价值

出于这个原因，CAS 的数据合集是当初吸引我加入的关键驱动因素。关于这种质量和广度的数据价值对人工智能和机器学习项目成功率的影响，我运用了一种独特的视角。CAS 的数据合集明确、规范化并且通过科学家 100 余年来建立的语义连接得以强化。我们的合集收录了化学反应和物质、生物序列、属性、关键词等，且每天从全球期刊、专利和许多其他来源中进行提取，并检查了大数据应用通常需要的 4 个 V：数据量 (volume)、多样性 (variety)、真实性 (veracity) 和处理速度 (velocity)。

通过 CAS 服务项目与研发部门的研究和技术领导者展开合作，帮助他们克服数据挑战，推动项目成​​功，对此我感到非常满足。有兴趣详细了解我们如何助您一臂之力吗？联系我的团队，讨论您的具体项目需求和挑战。