- Prabha Ranganathan和Ruby Lin为此博客做出了贡献。
了解如何将AI/ML用于与创新的生活科学相关用例，这是我们行业滞后的领域。在这篇博客文章中，我们将讨论几个用例，其中独特的AI模型可用于有效解决关键问题：
- NLQ（自然语言查询）- 我们处理生命科学中广泛的临床和操作数据。业务用户如何在不知道数据结构并编写复杂SQL样查询的情况下搜索数据？他们可以以人类可读格式输入问题，并使用AI/ML模型将其转换为可以执行的查询？
- 录取- 在服用药物后报告问题时，消费者类型如何在文本框中类型，如何从中提取AE？可以使用MEDDRA对此信息进行编码，并且可以生成E2B XML文件并将其作为潜在AE发送到安全系统？
- 虚拟助手- 虚拟助手如何智能理解对话并为用户提供所需的信息？可以增强对话流程以使其更像人性化，并且用户体验是否可以确保客户旅程非凡？
在评估所有这些用例的解决方案时，我们观察到了多种模型的设计模式来解决这些用例。我们还确定，在某些用例中使用的模型当然可以为其他用例重复使用，这取决于我们要解决的问题。
AI/ML模型作为设计模式
- 意图检测- 此AI/ML模型检测到用户意图。该模型解决了分类问题，并使用用户会问或提交的代表性问题/话语进行培训。对于NLQ，用户请求数据（向我显示注册主题列表）或汇总信息（肿瘤学ONC4765试验的筛选有多少受试者失败？）。对于虚拟助手而言，这种意图可能有所不同：用户报告不良事件，产品投诉还是请求有关某些药物的信息？对于摄入用例，通常会报告潜在的AE或产品投诉。
- 了解数据/元数据- 该AI/ML模型也称为命名实体提取（NER），旨在找到用户话语中表达的特定模式或概念，以将其转换为元数据。对于NLQ，元数据用于告知另一个有关如何生成相应搜索查询的模型。在虚拟助手的情况下，该模型应清楚地了解其访问的数据/文档，以便它可以为最终用户提供有意义的响应。在进气情况下，该模型应能够提取关键信息，例如使用MEDDRA中的文本和代码指示。这些NER模型可以在用例中培训和重复使用。有关如何策划数据的更多信息，请参阅我们的利用人工智能在生命科学中提供知识存储库和内容策划博客。
- 执行意图- 该模型是执行意图并为用户提供结果的最后一步。在NLQ用例中，该执行后端查询，可能自动/自动校正查询中的任何错误并执行它们以生成结果。对于进气应用程序，这可能是对安全系统的简单API呼吁，在存在问题时可以进行自动校正。在虚拟助手用例中，它为用户提供了对其查询的响应，使用用户响应和情感分析来自我/自动对话，以便为最终用户提供所需的信息。
这种设计模式适用于选定的用例：
NLQ：
- 正在查询什么（意图）
- 生成查询
- 执行查询以获取结果
录取：
- 解析输入
- 识别潜在的AE，支持信息和编码指示
- 将信息发送给源文档的安全系统
虚拟助手：
- 对话的目的：信息收集，提供详细信息（AE，产品投诉）
- 检测潜在的AE，PC，潜在条件，请求的信息
- 从策划数据中获取信息，每公司政策升级AES/PC
好处
- 可以在多个解决方案中使用一个NER模型 - 即，在进气和虚拟助手中检测NLQ（在所有用例中）
- NLP Tex-to-data（用于NLQ）或数据到文本（在虚拟助手响应中）
挑战
- 培训和培训数据 - 确保我们有正确的数据和中小型企业可用于培训各种模型的用例
- 了解元数据和数据（结构化和非结构化）
- 应用生命科学知识以理解意图并基于语言结构来策划数据，以确定问题的目的：药物治疗vs.我服用药物后有这种心脏病）
- AI验证 - 对于经过验证的解决方案，我们需要一个独特且可接受的过程来验证非确定性AI解决方案
总之，了解用例，将设计模式应用于确定的用例以及跨用例的训练有素的模型将决定推出AI微服务的成功，并定义AI策略以满足您的业务需求。
