生成式 AI 與生命科學

生成式 AI 的使用案例與未來預測

最近更新時間：2023 年 8 月 29 日，上午 10:54

歡迎閱讀新系列的第一篇部落格文章，本系列旨在探討生成式 AI 在生命科學方面的應用，特別是這項技術對這個領域及生命科學翻譯服務的影響。我們將審視例如 ChatGPT 等生成式 AI 技術和神經 MT ，也會概要說明目前的最新進展，然後再預先檢視生成式 AI 在相關產業中的一些可能使用案例。

與我們聯絡

生成式 AI 與生命科學的現況

對於生成式 AI，其實您並沒有自以為的那麼一無所知。您一定聽過 ChatGPT，畢竟它在 2022 年的年末大放異彩，受到新聞鋪天蓋地的報導。此外，您很可能早已跟 AI 聊天機器人互動過，只是自己並沒有意識到，如果您最近曾在線上跟客服專員「交談」過，那麼有很大機率對方並不是真正的人類。

根據一些估計，現在約有 70% 的客服互動已經完全由人工智慧 (AI) 處理，Facebook Messenger 上就有超過 300,000 個運作中的聊天機器人。這個趨勢在某些領域特別明顯，例如線上零售業。而這種現象的箇中原因，非常值得我們探討。在這種情境下，客戶的問題通常具備以下特色：

簡單
重複
相對來說較為急迫

如果是更為複雜的問題，仍舊會需要人類的專業能力與判斷才能處理。然而，聊天機器人的對話能力，已經足以執行初步的篩選工作。只有在無法從 AI 快速取得滿意的回覆時，客戶才會進一步尋求客服人員的協助。

企業領導人和投資人正密切關注這方面的發展。可惜的是，有些人得出的結論並不正確。初步的實驗顯示，AI 可以成功地部署用以擔任特定角色，並可因此增進服務可用性及消費者選擇。即使如此，一定還是會有碰到複雜問題或是個人偏好鮮明的客戶，而人工干預的必要性也不會因此消失。您可以運用 AI 更有效率地配置成本，但無法完全消除上述這些因素。

生命科學領域通常受到嚴格的法規限制，也特別注重安全性，因此傳統上對新興技術往往會先採取觀望的態度。然而，創新是這個產業的命脈。對創新者和股東來說，深具變革潛力的 AI，也就是個絕對不容小覷的技術。運用 AI，可以讓我們更快地將藥品或產品推向病人和市場嗎？它可以安全地導入產業嗎？

身為深受一流生命科學組織信賴的語言服務供應商，Lionbridge 正積極思考與探索這些問題，也發現我們其實早已搶佔重要的先機。諸如 ChatGPT 等工具或許是近期新聞頭條的關注焦點，但這些工具所依據的技術，也就是大型語言模型 (LLM) 與生成式人工智慧 (AI)，卻並不是什麼新鮮事。事實上，Lionbridge 使用這些技術已有多年，並累積了深厚的專業能力，深知這些技術的能與不能，同時也積極探索它們在不久的未來會有哪些可能性。

未來的展望：生成式 AI 與生命科學

多年來，我們致力將 AI 整合至以品質為本的工作流程，並在過程中獲得了許多寶貴經驗。現在，我們也在其他產業看到類似的模式出現。同樣地，客服聊天機器人一樣是個深具啟發性的指標性範例。部署這些解決方案的組織便發現，最能發揮 AI 效益的方式，是運用它來協助人類專家排解困難、更快做出關鍵決策。

這是否代表 AI 的部署一定要伴隨嚴密的監督？其實不然。這只是意味著在做選擇時，我們必須要深思熟慮，必須要根據內容的本質以及目標對象的需求做出選擇。當目標對象包括病人或監管機關時，我們自然會採取比較保守的做法；而當結果沒那麼關鍵的時候，我們就會提出適當的選擇。這種決策方式對我們而言很有效，我們相信它也可以更廣泛地應用在其他地方。

以下是我們將會探索的一些領域：

分析與分類龐大的內容集：LLM 和 ML 系統的設計目的，就是要在大型資料集中找出具有意義的模式。研究人員已經在審視這類技術相對來說顯而易見的一些應用。以診斷性造影領域而言，就有越來越多的證據顯示，機器學習或許可以扮演非常重要的角色。但在這些情境中，AI 並不會完全取代專業臨床醫師，而是用來輔助後者進行判讀。

例如：

某個 AI 系統可以辨識特定的腫瘤類型，正確性高達 90%。我們可以用這個系統篩檢影像資料，協助醫師優先處理那些更有可能據此做出診斷及介入治療的報告。

清理雜訊資料：藥品和器材的製造商早已不遺餘力地試著從現場收集的安全性資料，找出可實行的實用資料。然而這些原始資料不但結構鬆散，更得花很多心力與成本來收集和解讀。

例如：

醫療照護人員往往會以不設限且「形式任意的文字」欄位，來儲存重要的臨床發現，但這種傾向一直以來也妨礙了他們及時共享可實行的實用資料。而訓練參數經過精心設計的 ML 系統，或許可以降低這個問題的嚴重性。

讓臨床資料更容易為人取用：監管機關和病患權益倡議團體長久以來的努力，終於在近日有了重大進展，讓病人及普羅大眾可以更輕易地取得與理解臨床資料，進而更有助於做出明智的法規決策以及病人治療選擇。值得注意的是，要以適當的語言製作可靠的資訊，除了得要有科學溝通這方面的專業技巧，也要具備相關標準與最佳實務做法的知識。同樣地，AI 系統並不會馬上就能取代這種專業能力，但可以協助相關人士拓展清楚易懂內容的範疇與類型。

發掘我們不知道的資訊：面對樣本數、方法或偏差都容易引起爭議的多項科學研究，想要取得統計上可靠的結果，長久以來的作法是針對這些研究進行統合分析。但統合分析有個不證自明的侷限，就是它只能找出分析者想要尋找的模式。機器學習系統則可能可以在這些有意為之的量測或關聯之外，找出其他具有意義的模式。

內容探索與分類：Lionbridge 與客戶經常碰到的一個挑戰，就是不同的內容類型需要不同的語言服務。這種挑戰在生命科學領域中更是特別普遍，受法律規範內容所需的服務 (例如臨床醫師專家審閱)，對線上行銷文案或內部訓練手冊而言就沒什麼太大的意義。但是要將內容分類並轉交給適當的服務管道處理，往往需要許多技巧嫻熟的人員以及大量的時間。Lionbridge 已經開始著手採用 AI 技術來解決這些效率不彰的問題，並認為這方面的發展應該能在未來數個月內發揮作用，加快流程。