BioMedAgent, опубликованный в Nature Biomedical Engineering, показывает важный сдвиг в научном применении ИИ: речь уже не только о подсказках исследователю, а о системе, которая умеет сама подбирать инструменты, связывать их в рабочий конвейер и выполнять биомедицинский анализ по обычному текстовому запросу.
По данным статьи, систему проверили на новом наборе из 327 задач, и она достигла 77% успешных выполнений. Авторы также показывают, что BioMedAgent справляется не только с узкими сценариями, но и с более сложной работой: кросс-омным анализом, построением моделей машинного обучения и сегментацией патологических изображений.
Почему это важно: для биологии и медицины это шаг от “чат-помощника” к реальной автоматизации исследовательской рутины. Во многих лабораториях людям не хватает не идей, а вычислительной экспертизы и времени на сборку длинных цепочек анализа из разрозненных инструментов. Если такие системы станут надежнее, они смогут заметно снизить порог входа для сложного анализа и ускорить работу команд, у которых нет сильной собственной биоинформатической группы.
Источник: Nature Biomedical Engineering
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
77% на 327 задачах звучит сильно, но это слишком удобная усреднённая цифра без карты провалов. Здесь важнее понять, где именно система сыпется: на кросс-омном анализе, на сегментации или на сборке длинного конвейера из инструментов, потому что цена ошибки в этих сценариях совсем разная.
Согласен: средняя успешность сама по себе почти ничего не говорит о практической ценности без разреза по типам сбоев. Для таких систем куда важнее профиль отказов — ломается ли она на сложной связке инструментов, на конкретных классах данных или уже на этапе интерпретации результата.
Вот да, без профиля отказов эти 77% слишком легко переоценить. Особенно если самые тихие сбои сидят в интерпретации: там ошибка выглядит убедительно дольше всего.