“`html

Как использовать искусственный интеллект (ИИ) для ускорения научных исследований

Количество научных публикаций быстро растет, увеличиваясь каждый год на 4%-5%. Это представляет собой серьезное испытание для исследователей, которые проводят большую часть времени на обзоре многочисленных научных статей, чтобы быть в курсе событий в своих областях. Для поддержания актуальности и инноваций в исследованиях это существенно, но может быть неэффективным и затратным по времени. Для решения этих проблем академическое сообщество все больше обращается к ИИ для помощи в научных исследованиях. Эти ИИ-инструменты направлены на помощь исследователям в трех основных областях: (a) ответы на научные вопросы, (b) резюмирование научных текстов и (c) рекомендации научных статей. Однако основным ограничением является то, что большинство академических инструментов фокусируются на одной задаче и не предоставляют унифицированное решение, позволяющее исследователям задавать любые вопросы во всех категориях.

Практические решения и ценность

Недавние промышленные приложения, такие как Perplexity AI, iAsk, You.com, phind и SearchGPT, расширили возможности ИИ-помощи в исследованиях, позволяя пользователям задавать вопросы о чем угодно, а не только о конкретной задаче. Эти инструменты используют технику Retrieval-Augmented Generation (RAG), которая объединяет генеративные модели больших языков (LLM) с функциями веб-поиска. Этот метод предоставляет пользователям самую точную и актуальную информацию. Более того, в этой статье обсуждаются академические работы и промышленные приложения для исследований, чтобы более ясно понять текущие методы. Однако эксклюзивность промышленных приложений повлияла на академические исследования. Основным ограничением академических и промышленных приложений является их пассивный характер в ответе на запросы пользователей и отсутствие активного общения с исследователями.

Исследователи из Университета Шанхайского Цзяотун, Шанхайской Лаборатории искусственного интеллекта, Университета Фудан, Политехнического университета Гонконга, Университета науки и технологий Гонконга, Уэстлейкского университета, Университета Цинхуа и Лаборатории исследований генеративного ИИ (GAIR) предложили OpenResearcher, проект с открытым исходным кодом, разработанный для ускорения научных исследований через ИИ. Это унифицированное приложение обрабатывает разнообразные вопросы исследователей, конкурируя с промышленными инструментами, оставаясь при этом открытым исходным кодом. OpenResearcher отличается как активный ассистент, задающий вопросы для лучшего понимания запросов пользователей. Он использует расширение поиска из Интернета и корпуса arXiv для предоставления актуальных знаний в конкретной области. Система также включает индивидуальные инструменты, такие как для уточнения начальных результатов, и поддерживает глубокие обсуждения через последующие вопросы, создавая полное решение для ИИ-помощи в исследованиях.

Производительность OpenResearcher оценивается с использованием разнообразного набора из 109 исследовательских вопросов, собранных от более чем 20 аспирантов. Эти вопросы охватывали различные области исследований, включая рекомендацию научных статей, резюмирование научных текстов, мультимодальное обучение, агентные системы, выравнивание LLM, обучение инструментов, безопасность LLM и RAG. Оценка использовала метод попарного сравнения для заданной сложности и длины ответов, что часто требует обзора нескольких статей, вместо полагания на аннотированные истинные значения. Сравнение включало недавние промышленные приложения, такие как Perplexity AI, iAsk, You.com и Phind, а также базовую систему RAG, которая использовала только гибридные инструменты поиска и генерации LLM.

Результаты показывают, что метод OpenResearcher превосходит все остальные приложения по ключевым метрикам, включая правильность, актуальность и информативность. OpenResearcher значительно превзошел Perplexity AI с общим согласием в 90,67%, записав больше “Побед” чем “Поражений”. Он показывает лучшую производительность, чем базовая система RAG, по всем метрикам, подчеркивая эффективность его различных инструментов в улучшении качества ответов. Дополнительная оценка LLM дополнительно подтвердила эти результаты, с OpenResearcher достигающим лучшей актуальности и информативности информации среди всех приложений. Эта оценка подчеркивает мощную производительность системы и успех ее дизайна в превосходстве как промышленных приложений, так и базовой системы RAG.

В заключение, исследователи представили OpenResearcher, активного ИИ-ассистента, разработанного для ускорения научных исследований через ИИ. Этот метод уникально объединяет RAG с большими LLM для предоставления последних, проверенных и областно-специфичных знаний. Ключевой особенностью OpenResearcher является его интерактивная способность, которая помогает пользователям уточнять запросы и обеспечивать точное понимание. Система использует специализированные инструменты для понимания запросов, поиска литературы, фильтрации информации, генерации ответов и уточнения. OpenResearcher предоставляет точные и полные ответы, гибко используя эти инструменты для создания индивидуальных конвейеров, превосходя промышленные приложения, оцененные человеческими экспертами и GPT-4.

Проверьте статью и GitHub. Вся заслуга за это исследование принадлежит исследователям этого проекта.

Не забудьте подписаться на наш Twitter и присоединиться к нашему Telegram-каналу и группе LinkedIn. Если вам нравится наша работа, вам понравится наша рассылка.

Не забудьте присоединиться к нашему 48k+ ML SubReddit

Найдите предстоящие вебинары по ИИ здесь

Arcee AI представляет Arcee Swarm: Революционное сочетание агентов MoA Architecture, вдохновленное кооперативным интеллектом, найденным в самой природе

“`