【云駐共創】知識計算如何讓新冠藥物篩查效率提升70%

當前新冠藥物篩選的痛點

1、病毒機制，藥物作用機制等研究，需要查詢大量的科研文獻，數據庫等知識，知識獲取效率低，不全面，當前知識文化水平及服務需求非常迫切。

2、抗病毒藥物，病毒蛋白，病毒種類非常多，關系錯綜復雜，如何通過AI技術輔助科研人員進行藥物篩選，提升藥物篩選效率，是當前的難點和挑戰之一。

3、醫學數據種類繁多，未有效融合，缺少高效檢索能力、交互式關聯分析、智能化關系預測等知識化服務。

第一步：初步準備包括面向數據做數據準備、預處理，知識體系定義、樣本進行標注。本體是知識圖譜的范疇，需要抽取到知識圖譜當中的實體關系，并對其進行嚴格的定義。比如，新冠科研知識圖譜，那么應該包括哪些知識、病毒知識呢？ 對權威的科研文獻網站，權威的數據庫等等，需要把數據源進行很好的整理和準備，對數據進行預處理，甚至數據格式轉換；最后，對樣本進行標注。

第二步，知識建模做好知識抽取，知識體系定義，圖譜構建。知識建模說白了就是要基于算法模型，做信息抽取，目的是能構建出來知識圖譜，基于機器學，機器閱讀理解信息抽取模型、語言模型、預訓練模型，領域系列模型，例如medicalknowledge，knowledge。

知識建模優化方式有多種：

醫學預監督信息抽取模型：華為云CHIEF框架，針對醫學數據特點融入多類醫學數據，優化信息抽提模型；

三元組信息抽取：基于聯合學習的算法，預訓練的模型的拼接，整個過程其實分為，主語的抽取部分和賓語加謂語的聯合抽取的部分，主語抽取部分就是深度學習框架，去做主語的抽取

小樣本學習優化：在少量標注的數據的情況下，比如說每類別關系只有3~5個標注樣本的情況下，就可以啟動抽取的工作，小樣本抽取完之后可以滾出來更多的訓練的數據，再進入到第二步聯合學習模型，通過滾雪球的方式，可以很快把信息抽取的工作，快速的收斂，基本上就能達到非常不錯的效果。

預訓練模型優化：基于通用的語料（新聞、資訊）做預訓練的模型。

知識建模經驗總結：

第一點，遠程監督技術是非常有用，可以基于詞典，權威的數據庫做遠程監督，它的目的就是基于技術衍生出來更多的標注數據。通過小樣本學習技術，啟動信息抽取工作，然后迭代更新模型。

第二點，數據增強，指小樣本技術，可以在標志數據很少的情況下，也可以啟動工作，同時模型預訓練加人工矯正思想也是可以復用的。

第三點，預訓練模型，知識抽取要結合行業的特點，運用領域場景語料訓練模型。

除此之外，新冠科研圖譜構建與應用還需要運用到多輪知識圖譜問答、圖譜關系自動預測模型（智能關系預測）。

那要如何提升知識計算的效率呢?這就需要用到知識圖譜，華為云知識計算平臺提供多輪知識圖譜問答能力，包含離線模塊，模塊主要是用來做模板學習，生成的查詢模板，意圖匹配的模型。例如，問題進來后需要做實體識別，概念識別，包括意圖的理解和匹配，對話策略，對話狀態的記錄等。多輪知識圖譜問答屬于后端技術，在前端展示是以一種對話問答的機器人形式。

智能關系預測主要用途是挖掘出來某些病毒和蛋白之間的關系，比如說新冠病毒跟哪些蛋白有關系？然后蛋白又跟哪些藥物有關系？目的就是說能夠找到某個藥物是不是真的能夠作用到某些蛋白，再繼續作用到某些病毒。這里運用到 了AutoML自研的算法，把整個網絡結構自動的去做學習，同時還引入了 softmax函數，增強它的隨機性，最后就是集成思想，提升模型能力。

總的來說，面向醫療行業的端到端知識計算平臺提供能力如下：

提供統一的知識圖譜底座，，給不同的科研機構，科研人員提供共享支持、應用。

醫學科研者可以在搜索窗搜自己想要的東西，提供問答、機器人能力。

在算法方面，提供科研文獻三元組抽取算法。

華為云知識計算解決方案，實現行業知識與AI結合的新路徑

AI其實已經進入到很多的行業了，AI能力對于企業的降本增效，創收，盈利起到了非常大的價值。那么當前行業知識要如何和AI更好地結合呢？

華為云知識計算解決方案，利用計算機和人工智能技術，實現機器對知識的獲取、建模、管理、應用等方面。圍繞知識生命周期進行抽象和劃分的，主要分為：

知識的獲取：行業數據解析器、網頁解析器、語音識別、專家標注、多模態信息抽取、文字識別等

知識建模：用合適的方式運用AI技術完成相應建模知識表征、圖譜構建、知識融合、多模態表征、圖嵌入、機理建模

知識管理：通過知識圖譜或規則庫，進行生命周期管理、質量管理、知識補全和維護

知識應用：最后體現的價值是在業務價值，業務價值體現在應用能力，包含知識搜索、智能對話、知識推薦、預測分析、知識推理等。

華為云知識圖譜云服務，提供多人流水線的形式工具，可以讓開發者或企業技術人員快速構建屬于自己的知識圖譜。本體設計通過可視化形式進行快速構建，信息抽取嵌入了預制信息抽取算法的模板，知識服務面向企業場景，可通過一鍵開啟的形式，提供搜索、實體鏈接、問答以及可視化等主流的應用。

企業知識計算案例分享，從行業知識+AI到知識計算平臺及應用

除了運用在藥物科研領域，華為云知識計算平臺，還可以應用在金融領域知識問答、汽車維修知識計算、汽車對話機器人構建Demo、油氣領域知識計算等場景

金融領域知識問答：主要面向網點咨詢場景，首先給銀行構建網點郵件時間，辦理業務等等知識圖譜，提供問答應用，多輪多場景的自由式交互，同時也支持語義方面的理解。

汽車維修知識計算：通過平臺和工具，快速把問答應用構建，通過知識圖譜的形式，把分散在各地的數據進行匯總和建模，提供多輪問答的應用,最后維修技師通過語音的形式和應用完成交互。

汽車對話機器人構建Demo：不僅運用到了知識圖譜技術，還用到了ocr技術，通過ocr技術掃描車的參數，、型號、發動機類型等紙質信息進行電子化，做表格的抽取，進行知識圖譜的構建，基于結構化數據，自動構建本體。問答對話機器人應用自動一鍵開啟。

油氣領域知識計算：油氣開采涉及到如何精準識別哪個深度有油？此場景下，主要用到知識圖譜的圖嵌入表示，即是知識表征技術，然后結合深度學習預測方法預測結果，做一定的人工的分析，模型還要結合其他的相關的報告給專家做輔助，目的是讓他們能夠在測井解釋過程當中，提升效率，節省時間的開銷。

結語：

AI作為新的通用目的技術，正在進入千行百業，未來的人工智能將會把知識、數據、算法和算力四要素結合同時發力，才能夠構建出更好的AI，讓AI落地到各行各業當中。

AI 知識圖譜

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。