Aceleración de la generación de conjuntos de datos para el aprendizaje automático mediante modelos de lenguaje...

Área de la Ciencia:

• Investigación farmacéutica
• Aprendizaje automático
• Ciencia de datos

Sus antecedentes:

• Los conjuntos de datos de alta calidad son cruciales para el aprendizaje automático (ML) en campos especializados como la investigación farmacéutica.
• La extracción manual de datos de la literatura científica consume mucho tiempo y mano de obra.
• Los métodos existentes tienen dificultades con las fuentes de datos heterogéneas en el desarrollo de fármacos.

Objetivo del estudio:

• Desarrollar un nuevo marco de ingeniería de indicaciones profunda para automatizar la generación de conjuntos de datos para la investigación farmacéutica.
• Transformar GPT-4 en una herramienta para la extracción acelerada y precisa de parámetros críticos de la literatura.
• Reducir el esfuerzo manual y el tiempo requerido para crear conjuntos de datos estructurados para modelos de ML.

Principales métodos:

• Se empleó una estrategia de indicaciones de conjuntos múltiples utilizando GPT-4 para analizar 70 artículos de texto completo sobre impresión de inyección de tinta farmacéutica.
• Se extrajeron y calcularon 22 variables relevantes para el dominio, categorizadas en parámetros de impresión, reología y dosis de fármacos.
• Los resultados se compararon rigurosamente con un conjunto de datos curado por humanos compilado por expertos en el campo.

Principales resultados:

• El marco GPT-4 logró una precisión general de 0.942 en 4.217 puntos de datos.
• Las variables calculadas demostraron una alta precisión (0.983), incluso con cálculos complejos y conversiones de unidades.
• El tiempo de procesamiento por artículo se redujo de horas de esfuerzo humano a menos de 3,5 minutos.

Conclusiones:

• El nuevo enfoque de ingeniería de indicaciones permite a GPT-4 generar conjuntos de datos confiables y de alta calidad derivados de la literatura.
• Este método reduce significativamente el esfuerzo manual y al mismo tiempo mantiene una precisión a nivel de experto para el entrenamiento de modelos de ML.
• La estrategia facilita la escalabilidad del aprendizaje automático en dominios farmacéuticos y otros dominios intensivos en datos.