Как найти медицинский прорыв в обычном тексте? Встречайте NATURAL: метод для оценки причинно-следственных связей из неструктурированных текстовых данных за несколько часов, а не лет.

«`html

Оценка причинно-следственных связей с помощью NATURAL: практические решения для вашего бизнеса

Оценка причинно-следственных связей является ключевой для понимания воздействия вмешательств в различных областях, таких как здравоохранение, социальные науки и экономика. Это направление исследований фокусируется на определении того, как изменения в одной переменной вызывают изменения в другой, что является важным для обоснованного принятия решений. Традиционные методы часто включают обширный сбор данных и структурированные эксперименты, что может быть затратным и затратным по времени.

Проблема структурированных данных и ручной кураторства данных

Необходимость структурированных данных и ручного кураторства данных затрудняет текущие подходы к оценке причинно-следственных связей. Это требование увеличивает затраты и время исследований и ограничивает объем данных, которые могут быть проанализированы. Неструктурированные данные, такие как естественный язык из социальных медиа или форумов, представляют собой богатый, но недостаточно используемый источник информации для причинного анализа.

Решение: NATURAL — новый метод оценки причинно-следственных связей

Исследователи из Университета Торонто, Института Вектор и Meta AI представили NATURAL, новый набор оценщиков причинно-следственных связей, использующий большие языковые модели (LLM) для анализа неструктурированных текстовых данных. Этот метод позволяет извлекать причинную информацию из различных источников, таких как сообщения в социальных медиа, клинические отчеты и форумы пациентов. Автоматизируя кураторство данных и используя возможности LLM, NATURAL предоставляет масштабное решение для различных приложений.

Процесс NATURAL

NATURAL использует LLM для обработки текстов на естественном языке и оценки условных распределений переменных интереса. Процесс включает фильтрацию соответствующих отчетов, извлечение ковариатов и лечения, и использование их для вычисления средних эффектов лечения (ATE). Методика имитирует традиционные методы причинного вывода, но работает с неструктурированными данными, что делает ее универсальным и масштабируемым решением.

Результаты и преимущества

Предложенные оценщики NATURAL продемонстрировали высокую точность, с оценками ATE, соответствующими значениям истинности на уровне трех процентных пунктов от результатов случайных экспериментов. Метод был протестирован на шести наборах данных, включая синтетические наборы данных и данные реальных клинических испытаний. Для набора данных Semaglutide vs. Tirzepatide NATURAL точно предсказал результаты похудения средней абсолютной ошибкой 2,5%. Подход также продемонстрировал надежную производительность в прогнозировании результатов для лечения диабета и мигрени, достигая высокой согласованности с результатами клинических испытаний. Стоимость вычислительного анализа была значительно ниже, всего несколько сотен долларов, по сравнению с традиционными методами.

Преимущества NATURAL

Способность NATURAL точно оценивать причинные связи из неструктурированных данных предполагает трансформационный потенциал для областей, которые сильно полагаются на причинный анализ. Используя свободно доступные текстовые данные, этот метод может значительно сократить время и затраты, связанные с традиционными методами оценки причинных эффектов. Подход особенно ценен для приложений, где случайные испытания невозможны или слишком дороги.

Заключение

Фреймворк NATURAL представляет собой новаторский подход к оценке причинных связей с использованием неструктурированных данных на естественном языке. Автоматизируя кураторство данных и используя LLM, исследователи предоставили масштабное решение, которое может революционизировать области, полагающиеся на причинный анализ. Этот метод решает текущие ограничения и открывает новые возможности для использования богатых неструктурированных источников данных.

Подробнее о статье и проекте можно узнать на нашем сайте. Вся заслуга за это исследование принадлежит его авторам. Также не забудьте подписаться на наш Твиттер и присоединиться к нашему каналу в Телеграме и группе в LinkedIn. Если вам понравилась наша работа, вам понравится и наша рассылка.

Не забудьте присоединиться к нашему сообществу в Reddit.

Узнайте о предстоящих вебинарах по ИИ здесь.

Источник: MarkTechPost

Применение ИИ в вашем бизнесе

Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте What if the Next Medical Breakthrough is Hidden in Plain Text? Meet NATURAL: A Pipeline for Causal Estimation from Unstructured Text Data in Hours, Not Years.

Практические шаги для внедрения ИИ в бизнес

Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.

Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.

Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.

На полученных данных и опыте расширяйте автоматизацию.

Если вам нужны советы по внедрению ИИ, пишите нам на itinai. Следите за новостями о ИИ в нашем Телеграм-канале itinainews или в Twitter @itinairu45358.

Попробуйте AI Sales Bot itinai.ru/aisales. Этот AI ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.

Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru. Будущее уже здесь!

«`