Los modelos de IA han demostrado ser capaces de muchas cosas, pero ¿qué tareas realmente queremos que realicen? Preferiblemente, las tareas tediosas, y hay muchas de ellas en la investigación y la academia. Reliant espera especializarse en el tipo de trabajo de extracción de datos que consume mucho tiempo y que actualmente es una especialidad de estudiantes de posgrado e internos cansados.
«Lo mejor que puedes hacer con la IA es mejorar la experiencia humana: reducir el trabajo menial y permitir que las personas hagan las cosas que son importantes para ellas,» dijo el CEO Karl Moritz Hermann. En el mundo de la investigación, donde él y los cofundadores Marc Bellemare y Richard Schlegel han trabajado durante años, la revisión de literatura es uno de los ejemplos más comunes de este «trabajo menial».
Cada artículo cita trabajos anteriores y relacionados, pero encontrar estas fuentes en el mar de la ciencia no es fácil. Y algunos, como las revisiones sistemáticas, citan o utilizan datos de miles. Para un estudio, Hermann recordó, «Los autores tuvieron que revisar 3,500 publicaciones científicas y muchas de ellas terminaron no siendo relevantes. Es una tonelada de tiempo invertido en extraer una pequeña cantidad de información útil, esto parecía ser algo que realmente debería ser automatizado por la IA.»
Sabían que los modelos de lenguaje modernos podrían hacerlo: Un experimento puso a ChatGPT en la tarea y descubrió que podía extraer datos con una tasa de error del 11%. Como muchas cosas que pueden hacer los LLM, es impresionante pero no lo que las personas realmente necesitan.
«Simplemente no es lo suficientemente bueno,» dijo Hermann. «Para estas tareas de conocimiento, meniales como puedan ser, es muy importante que no cometas errores.» El producto central de Reliant, Tabular, se basa en parte en un LLM (Llama 3.1), pero se complementa con otras técnicas propietarias que lo hacen considerablemente más efectivo. En la extracción de varios miles de estudios mencionada anteriormente, dijeron que hizo la misma tarea sin errores.
Lo que esto significa es que introduces mil documentos, dices qué datos quieres extraer de ellos, y Reliant los examina y encuentra esa información, ya sea perfectamente etiquetada y estructurada o (mucho más probable) que no lo esté. Luego presenta todos esos datos y cualquier análisis que desees en una interfaz bonita para que puedas sumergirte en casos individuales.
«Nuestros usuarios necesitan poder trabajar con todos los datos al mismo tiempo y estamos desarrollando funciones para permitirles editar los datos que están allí o pasar de los datos a la literatura; vemos nuestro papel como ayudar a los usuarios a encontrar dónde enfocar su atención,» dijo Hermann.
Esta aplicación personalizada y efectiva de IA, no tan llamativa como un amigo digital pero casi seguramente mucho más viable, podría acelerar la ciencia en varios dominios altamente técnicos. Los inversores han tomado nota, financiando una ronda de financiación semilla de $11.3 millones; Tola Capital e Inovia Capital lideraron la ronda, con el ángel Mike Volpi participando.
Como cualquier aplicación de IA, la tecnología de Reliant es muy intensiva en computación, por lo que la empresa ha comprado su propio hardware en lugar de alquilarlo a la carta a uno de los grandes proveedores. La internalización del hardware ofrece tanto riesgo como recompensa: tienes que hacer que estas máquinas caras se paguen a sí mismas, pero tienes la oportunidad de adentrarte en el problema con computación dedicada.
«Una cosa que hemos descubierto es que es muy desafiante dar una buena respuesta si tienes tiempo limitado para dar esa respuesta,» explicó Hermann, por ejemplo, si un científico le pide al sistema que realice una tarea de extracción o análisis novedosa en cien artículos. Puede hacerse rápidamente o bien, pero no ambas cosas, a menos que se prevea lo que los usuarios podrían preguntar y se descubra la respuesta, o algo similar, por adelantado.
Por: Reliant AI
Esto también le da tiempo a los modelos para resolver las inevitables ambigüedades y supuestos que se encuentran en diferentes dominios científicos. Cuando una métrica «indica» otra, puede que no signifique lo mismo en farmacología que en patología o ensayos clínicos. No solo eso, sino que los modelos de lenguaje tienden a dar diferentes resultados dependiendo de cómo se les formule ciertas preguntas. Por lo tanto, el trabajo de Reliant ha sido convertir la ambigüedad en certeza y «esto es algo que solo puedes hacer si estás dispuesto a invertir en una ciencia o dominio particular,» señaló Hermann.
Como empresa, el primer enfoque de Reliant es establecer que la tecnología pueda pagarse a sí misma antes de intentar algo más ambicioso. «Para hacer progresos interesantes, tienes que tener una visión grande pero también necesitas comenzar con algo concreto,» dijo Hermann. «Desde el punto de vista de sobrevivencia de una startup, nos enfocamos en empresas con fines de lucro, porque nos dan dinero para pagar nuestros GPUs. No estamos vendiendo esto a pérdida a los clientes.»
Se podría esperar que la empresa sienta la presión de empresas como OpenAI y Anthropic, que están invirtiendo dinero en manejar tareas más estructuradas como gestión de bases de datos y codificación, o de socios de implementación como Cohere y Scale. Pero Bellemare se mostró optimista: «Estamos construyendo esto sobre una base sólida, cualquier mejora en nuestra tecnología es genial para nosotros. El LLM es uno de los ocho grandes modelos de aprendizaje automático en ese sentido; los otros son totalmente propietarios y creados desde cero con datos de nuestra propiedad.»
La transformación de la industria de la biotecnología e investigación en una impulsada por la IA ciertamente apenas está comenzando y puede ser bastante dispar durante los próximos años. Pero Reliant parece haber encontrado un punto de partida sólido.
«Si quieres la solución del 95% y simplemente te disculpas profusamente con uno de tus clientes de vez en cuando, genial,» dijo Hermann. «Estamos para cuando la precisión y la recuperación realmente importan y donde los errores realmente importan. Y francamente, eso es suficiente; estamos felices de dejar el resto a los demás.»
