[논문 리뷰] FAIR for AI: An interdisciplinary and international community building perspective

E. A. Huerta, Ben Blaiszik외 22명|arXiv (Cornell University)|2022. 09. 30.

Research Data Management Practices인용 수 5

한 줄 요약

이 논문은 과학 분야에서 표준화되고 재사용 가능하며 지속 가능한 인공지능(AI)을 촉진하기 위해, 찾기 쉬운(Findable), 접근 가능한(Accessible), 상호운용 가능한(Interoperable), 재사용 가능한(Reusable) 원칙을 인공지능(AI) 모델과 데이터셋으로 확장하는 공동체 주도의 다학제적 프레임워크를 제안한다. 이를 위해 FAIR 준비된 데이터 인프라, AI 모델 리포지터리, 그리고 Garden 프로젝트와 같은 다학제적 플랫폼과 같은 실행 가능한 전략을 제시하여 분야를 초월해 자동화되고 재현 가능하며 혁신적인 AI 기반 탐색을 가능하게 한다.

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.

연구 동기 및 목표

• AI 모델과 데이터셋에 FAIR 원칙을 적용하기 위한 통합적이고 영역에 구애받지 않는 프레임워크를 구축하여 장기적인 재사용 가능성과 과학적 영향력을 확보한다.
• 과학적 AI 연구에서 AI 모델과 데이터의 재현 불가능성 및 표준화 부족 문제를 해결한다.
• 학술 경력과 자금 지원 결정에서 FAIR 준수 AI 개발을 공식적으로 인정하고 가치 있는 기여로 삼을 것을 주장한다.
• 통합된 과학 데이터 인프라를 통해 AI 연구의 신선성과 타당성에 대한 자동 검증과 평가를 가능하게 한다.
• Garden 프로젝트, Physiome 프로젝트와 같은 FAIR 준수 플랫폼을 통해 AI 모델, 데이터, 계산 자원을 연결함으로써 다학제적 협력을 촉진한다.

제안 방법

• 2016년에 제안된 원래의 FAIR 원칙을 AI 모델, 소프트웨어, 워크플로우, 데이터셋을 연구 객체로 포함하도록 적응 및 확장한다.
• 기존의 과학 데이터 인프라를 활용하여 동료 검토된 논문에서 AI 결과의 FAIR 성격을 자동으로 평가하고 검증한다.
• 연구 논문과 AI 모델, 데이터, 소프트웨어를 연결하는 사용자 우아한 플랫폼을 개발하여 FAIR 성격의 정량화와 탐색을 가능하게 한다.
• FAIR 준비된 데이터와 고성능 컴퓨팅 환경(클라우드, 슈퍼컴퓨팅)과 통합된 FAIR AI 모델을 통해 확장 가능하고 재현 가능한 AI 워크플로우를 실현한다.
• 자기주도적인 AI 모델 정원을 구축하여 물리학, 화학, 재료 과학 분야 간에 방법론을 교류할 수 있도록 AI 모델과 데이터를 연결한다.
• 다양하고 FAIR로 구조화된 데이터를 기반으로 다중작업 및 다중모odal 학습을 통해 기초 AI 모델의 개발을 진전시켜 광범위한 후속 적용 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 FAIR 원칙을 어떻게 효과적으로 AI 모델과 데이터셋으로 확장하여 장기적인 재사용 가능성과 과학적 영향력을 보장할 수 있는가?
• RQ2 학술 및 연구 경력에서 FAIR 준수 AI 개발을 장려하고 인정하기 위해 필요한 기관적 및 인프라적 변화는 무엇인가?
• RQ3 과학 데이터 인프라는 어떻게 활용되어 새로운 AI 연구 결과의 검증과 평가를 자동화할 수 있는가?
• RQ4 Garden 프로젝트와 같은 FAIR 준수 플랫폼이 다학제적 AI 모델과 데이터 재사용을 어떻게 가능하게 하는가?
• RQ5 FAIR 원칙은 다양한 상호운용 가능한 데이터셋으로 훈련된 일반 목적의 기초 AI 모델 개발을 어느 정도 지원할 수 있는가?

주요 결과

• FAIR for AI 이니셔티브는 데이터를 초월해 AI 모델, 소프트웨어, 워크플로우까지 포함하는 실용적이고 공동체 주도의 프레임워크 개발에 기여했다.
• Garden 프로젝트와 Physiome 프로젝트와 같은 플랫폼은 FAIR 준수 AI 모델과 데이터셋을 연결하여 재현 가능하고 클라우드 및 HPC 환경과 호환되는 과학 워크플로우를 성공적으로 실현하고 있다.
• FAIR 준수 데이터 인프라는 AI 결과의 새로운 내용과 타당성에 대한 자동 평가를 가능하게 하여 연구의 투명성과 신뢰도를 향상시킨다.
• 다양하고 FAIR로 구조화된 데이터를 기반으로 훈련된 다중모달 및 다중작업 AI 모델—예를 들어 동시에 40개의 물질 성질을 예측하는 모델—은 과학 분야에서 일반 목적의 AI가 실현 가능하다는 것을 입증한다.
• FAIR 원칙을 연구 평가 과정에 통합하면 FAIR 준수 AI 작업의 기관적 수용과 경력 인정을 촉진할 수 있다.
• Bridge2AI 프로그램이 대표하는 바와 같이, 분야 간 협업, 자금 지원 기관, 기관 간의 시너지적 협력이 지속 가능하고 상호운용 가능한 AI 연구 생태계의 개발을 가속화할 수 있다.