[論文レビュー] FAIR for AI: An interdisciplinary and international community building perspective

E. A. Huerta, Ben Blaiszik+22 more|arXiv (Cornell University)|Sep 30, 2022

Research Data Management Practices被引用数 5

ひとこと要約

本論文は、科学分野における人工知能（AI）モデルおよびデータセットへのFAIR原則（Findable, Accessible, Interoperable, Reusable）の拡張を図る、コミュニティ主導で多様な分野が参加する枠組みを提唱する。標準化され、再利用可能で持続可能なAIの実現を目指し、FAIR対応のデータインfra構築、AIモデルリポジトリ、Garden Projectのようなクロスディシプリナリーなプラットフォームを含む実行可能な戦略を提示することで、分野を越えて自動的かつ再現可能で革新的なAI駆動型発見を可能にする。

ABSTRACT

A foundational set of findable, accessible, interoperable, and reusable (FAIR) principles were proposed in 2016 as prerequisites for proper data management and stewardship, with the goal of enabling the reusability of scholarly data. The principles were also meant to apply to other digital assets, at a high level, and over time, the FAIR guiding principles have been re-interpreted or extended to include the software, tools, algorithms, and workflows that produce data. FAIR principles are now being adapted in the context of AI models and datasets. Here, we present the perspectives, vision, and experiences of researchers from different countries, disciplines, and backgrounds who are leading the definition and adoption of FAIR principles in their communities of practice, and discuss outcomes that may result from pursuing and incentivizing FAIR AI research. The material for this report builds on the FAIR for AI Workshop held at Argonne National Laboratory on June 7, 2022.

研究の動機と目的

• FAIR原則をAIモデルおよびデータセットに適用する包括的かつ分野に依存しない統一された枠組みを確立し、長期的な再利用可能性と科学的インパクトを確保すること。
• 科学的AI研究におけるAIモデルおよびデータの再現不能性と標準化の欠如という、増大する課題に対処すること。
• FAIR準拠のAI開発を学術的キャリアおよび資金配分意思決定において正当かつ価値ある貢献と認識するよう提言すること。
• 統合された科学的データインフラを活用し、AI研究の新規性および妥当性の自動的検証と評価を可能にすること。
• Garden Project や Physiome Project などのFAIR準拠プラットフォームを通じて、AIモデル、データ、計算リソースを連結することで、分野を越えた協働を促進すること。

提案手法

• 2016年の元のFAIR原則をAIモデル、ソフトウェア、ワークフロー、データセットを研究対象として第一級の研究対象に含めるように適応・拡張すること。
• 既存の科学的データインフラを活用し、査読済み論文におけるAI結果のFAIR性の自動的評価と検証を可能にすること。
• 研究論文とAIモデル、データ、ソフトウェアを結びつける使いやすいプラットフォームを開発し、FAIR性の定量化と発見を可能にすること。
• FAIR対応データとハイパフォーマンスコンピューティング環境（クラウド、スーパーコンピュータ）に統合されたFAIR AIモデルを活用し、スケーラブルで再現可能なAIワークフローを実現すること。
• 材料科学、物理学、化学の分野においてAIモデルとデータを結びつける分野特化型のAIモデルガーデンの構築を促進すること。
• 多タスクおよびマルチモーダル学習を用いて多様でFAIR構造化されたデータ上で基礎AIモデルを発展させることで、広範な下流応用への対応可能性を高めること。

実験結果

リサーチクエスチョン

• RQ1 FAIR原則をAIモデルおよびデータセットに効果的に拡張する方法は何か？ これにより、長期的な再利用可能性と科学的インパクトが確保できるか？
• RQ2 学術的および研究的キャリアにおいてFAIR準拠のAI開発を奨励・認識するために、どのような制度的・インfraストラクチャ的変化が必要か？
• RQ3 科学的データインフラをどのように活用すれば、新規AI研究結果の検証と評価を自動化できるか？
• RQ4 Garden Project などのFAIR準拠プラットフォームが、分野を越えたAIモデルおよびデータの再利用をどのように可能にするか？
• RQ5 FAIR原則は、多様で相互運用可能なデータセット上で学習された汎用的で基盤的なAIモデルの開発をどの程度支援できるか？

主な発見

• FAIR for AIイニシャチブは、コミュニティ主導の実用的枠組みを生み出し、データにとどまらずAIモデル、ソフトウェア、ワークフローを含むFAIR原則の拡張を実現した。
• Garden Project や Physiome Project といったプラットフォームは、FAIR AIモデルおよびデータセットを結びつけ、再現可能でクラウドおよびHPC環境に対応した科学的ワークフローの実現に成功している。
• FAIR準拠のデータインfraは、AI結果の新規性および妥当性の自動的評価を可能にし、研究の透明性と信頼性を向上させている。
• 多様でFAIR構造化されたデータ上で学習されたマルチモーダルおよびマルチタスクAIモデル（例：40種類の物性を同時に予測するモデル）は、科学分野における汎用的AIの実現可能性を示している。
• FAIR原則を研究評価プロセスに統合することで、FAIR準拠のAI研究への機関の導入とキャリア的承認を促進できる。
• 分野、資金提供機関、機関間の協働的連携（例：Bridge2AIプログラム）は、持続可能で相互運用可能なAI研究エコシステムの構築を加速できる。