Research·
نماذج لغوية كبيرة تدقق مشاركة الكود في الأبحاث الطبية وتكشف فجوات التوثيق
استخدم باحثون من معهد ماساتشوستس للتكنولوجيا ودانا-فاربر نماذج لغوية كبيرة لتحليل ما يقرب من 4000 دراسة للتنبؤ السريري، ليجدوا أن مشاركة الكود لا تزال نادرة وأن المستودعات العامة تفتقر غالباً إلى التوثيق اللازم لإمكانية إعادة الإنتاج.

نشر فريق من مختبر الفسيولوجيا الحاسوبية في معهد ماساتشوستس للتكنولوجيا ومعهد دانا-فاربر للسرطان نماذج لغوية كبيرة لفحص ما يقرب من 4000 ورقة بحثية مفتوحة الوصول في التنبؤ السريري، وتتبع مستودعات الكود المرتبطة بها. استخرج خط أنموذج اللغة الكبير بيانات توفر الكود، وتتبع الروابط إلى مئات المستودعات، وقيّم ما إذا كان كل إيداع يتضمن البيانات الوصفية، والتبعيات، والوثائق السردية المطلوبة لباحث آخر لإعادة تشغيل التحليل.
فجوتان بنيويتان
كمّنت المراجعة، المنشورة في Nature Medicine، مشكلتين مستمرتين: أقل من دراسة واحدة من كل ثلاث دراسات تشارك أي كود على الإطلاق، ومن بين تلك التي تفعل ذلك، تغفل الغالبية السياق الحاسم مثل خطوات معالجة البيانات المسبقة، وإعدادات المعلمات الفائقة، أو نصوص التقييم. بدون هذه القطع الأثرية، تظل "درجات حرية الباحث" التي تشكل سلوك النموذج غامضة، مما يحد من التدقيق في الأدوات التي قد توجه رعاية المرضى.
تغذي النتائج الآن مباشرةً في TRIPOD-Code، معيار تقارير ناشئ يمدد قوائم التحقق TRIPOD و TRIPOD+AI بمتطلبات ملموسة لمشاركة الكود. من المتوقع أن تشير الجهات المانحة والمجلات إلى هذا الدليل عند وضع سياسات الإيداع.
لماذا هذا مهم للبنية التحتية لـ GPU / الذكاء الاصطناعي: يتطلب الذكاء الاصطناعي السريري القابل لإعادة الإنتاج بيئات حوسبة يمكن إعادة إنشاؤها عند الطلب — أوقات تشغيل حاوية، لقطات بيانات ذات إصدارات، وتتبع منشأ آلي. منصات GPU السحابية التي تعرض هذه العناصر كخدمات من الدرجة الأولى تقلل من احتكاك الامتثال وتسرع ترجمة النماذج المعتمدة إلى أعباء عمل إنتاجية.
- aigpu
- ai gpu
- ai gpu cloud
- aigpu dubai
- llm
- medical ai
- reproducibility
- research infrastructure
بقلم AiGpu Editorial · إعادة صياغة تحريرية استناداً إلى تقارير عامة (MIT News AI)
→ كل المقالات