Тенденции из окопов: почему семантика имеет значение в биологических науках

Автор: сотрудники Bio-IT World News

5 августа 2026 г. | Бум ИИ вывел стратегию работы с данными в медико-биологических науках на неприятный свет: ответы выглядят отполированными, но иллюзии, слабая воспроизводимость и нечеткие контрольные журналы делают их рискованными в регулируемой работе. Именно это давление заставляет все чаще обсуждать готовность к ИИ графы знаний, онтологии и принципы FAIR-данных. В последнем выпуске подкаста Trends from the Trenches Том Пластерер, генеральный директор и соучредитель, и Эрик Литтл, директор по данным, компании Knowledge3, разбирают, что нужно, чтобы превратить семантику в нечто практическое.

Когда команда может отследить источник утверждения, сохранить его происхождение и определить значение с помощью общей семантики, становится возможным масштабировать ИИ за пределы демонстраций и внедрить его в реальное научное принятие решений. В фармацевтической и биотехнологической отраслях это важно, поскольку «факты» часто представляют собой предварительные научные истины, а цена ошибки может измеряться годами, бюджетами и влиянием на пациентов.

Практический подход заключается в том, чтобы рассматривать семантику как продукт, а не как разовую модель. Перспектива Knowledge3 сосредоточена на сокращении разрыва между научным замыслом и пригодными для использования системами путем создания «подключаемых и работающих» знаний с помощью модульных компонентов и строгой операционной дисциплины. Декомпозиция проблемы разбивает большие бизнес-вопросы на более мелкие части, которые можно решать, повторять и улучшать, вместо того чтобы строить хрупкую, монолитную корпоративную онтологию.

Здесь вступает в игру семантические операции, или «семооперации». Применение подхода в стиле DevOps к метаданным, моделям и доставке графов знаний позволяет командам версионировать, тестировать и внедрять семантику с той же серьезностью, с какой они подходят к разработке программного обеспечения. «Контекстные графы» — не новое изобретение, хотя сейчас уделяется повышенное внимание тому, для чего графы всегда предназначались: для представления взаимосвязей с учетом нюансов. Контекст может включать время, условия, вероятность и перспективу, все из которых имеют важное значение в биомедицине.

Наиболее масштабируемый способ уловить эти нюансы — многоуровневое проектирование онтологий. Начните с моделей, точно отражающих реальные таблицы, документы и идентификаторы, для обеспечения однозначной прослеживаемости, затем перейдите к онтологиям предметных областей и подобластей (например, пациенты, заболевания, исследования, исследовательские центры и биомаркеры), которые добавляют смысл. Наконец, перестройте эти слои таким образом, чтобы запросы могли направлять только к тому, что действительно важно, поддерживая различные точки зрения, например, с точки зрения химика, фокусирующегося на связывании рецепторов, и с точки зрения биолога, рассматривающего пути и системные эффекты. В результате вы получите детерминированную основу, которая дополняет, а не конкурирует с ИИ.

Чтобы узнать больше о роли графов знаний, LLM и межфункциональных конфликтов, послушайте подкаст Trends from the Trenches.

Источник: www.bio-itworld.com