Искусственный интеллект и машинное обучение обещают революцию в фармацевтике, ускоряя процессы разработки, клинических испытаний и производства. Однако, несмотря на огромный потенциал, многие проекты в этой сфере сталкиваются с неудачами. Причина кроется не в недостатках алгоритмов, а в недостаточной подготовке данных.
Недавний белый документ под названием "Гармонизация данных: скрытое условие для надежного ИИ/МЛ в области жизни" подчеркивает, что успех ИИ в биофармацевтике зависит от правильной подготовки данных. Основатель и CEO компании BullFrog AI, Вин Сингх, утверждает, что именно гармонизация данных является ключевым фактором для достижения надежных результатов.
В документе описывается, как современные ИИ-процессы часто терпят неудачу из-за шумных и фрагментированных данных, которые могут давать искаженную информацию. Для решения этой проблемы предлагается практическая структура, включающая создание значимых производных признаков, надежных категориальных переменных и преобразование неструктурированных клинических документов в готовые для анализа наборы данных.
Сингх отмечает, что команды в биофармацевтике могут значительно снизить уровень неудач в испытаниях, доверяя своим входным данным прежде, чем полагаться на модели. Переход к стандартизированным, готовым к ИИ наборам данных позволяет получать надежные аналитические активы, которые помогают в разработке лекарств.
"Спешка в применении ИИ в разработке лекарств приводит к множеству неудач, не из-за алгоритмов, а из-за анализа, который отражает особенности обработки данных, а не биологию," - говорит Сингх. Он добавляет, что их команда быстро распознает типичное состояние данных, которые часто фрагментированы и находятся в форматах, не поддающихся автоматизированной обработке.
Таким образом, гармонизация данных становится важным шагом для достижения реальной ценности ИИ и машинного обучения в биофармацевтике. Сингх подчеркивает, что именно с гармонизацией данных ИИ начинает приносить ощутимые и повторяемые результаты.