Kunstig intelligens (AI) revolusjonerer det vitenskapelige fellesskapet ved å tilby innovative verktøy som hjelper forskere på ulike stadier av studiene deres. AI sin analytiske styrke blir stadig mer brukt i akademia, der teknologiselskaper over hele verden utvikler løsninger som integreres sømløst i hvert trinn av forskningsarbeidet.
Forskere har nå tilgang til AI-drevne verktøy, som TLDR for å oppsummere studiepapirer, kartografiske databaser for å identifisere forskningsgap, konsensusmotorer for å avdekke ekspertinnsikt, og plattformer som HeyScience for å lette fagfellevurderinger. Disse fremskrittene har fått betydelig investoroppmerksomhet, med betydelige finansieringer hentet inn av AI-startups.
Selskapet Elicit skaffet seg for eksempel imponerende 9 millioner dollar kort tid etter lanseringen av sin forskningsarbeidsflyt-system. På samme måte sikret oppstarten NobleAI fra California 17 millioner euro for å forbedre plattformen sin innen materialvitenskap og kjemisk syntese.
Europeiske motparter er også i fremvekst, med selskapet Iris fra Oslo som samlet inn 7,6 millioner euro i en finansieringsrunde. Iris sitt flaggskipprodukt er en AI-motor som gjennomsøker akademisk litteratur, slik at forskere kan raskt identifisere relevant informasjon over flere dokumenter og kraftig redusere innsatsen som tradisjonelt kreves for slike oppgaver.
Iris sin plattform gavner et bredt spekter av brukere, fra akademia til bedriftskunder som Materiom og Finnish Food Authority, som utnytter teknologien til strategiske formål som å kontrollere aviær influensa gjennom datadrevne innsikter.
Iris sin administrerende direktør Anita Schjøll Abildgaard bekrefter at deres AI-verktøy muliggjør rask gjennomgang av et stort antall forskningspapirer for å finne relevant informasjon på krysningspunktet av spesialiserte felt, en analyse som manuelt ville tatt måneder.
For å møte AI sin tendens til å generere faktiske unøyaktigheter – som var synlig i det kontroversielle Galactica-programmet lansert av Meta og raskt avsluttet grunnet produksjonen av meningsløse AI-genererte tekster – skiller Iris seg ut ved å benytte kognitive grafer, datautvinning og kontekstslikhetstester for å forsikre nøyaktigheten i innholdet.
Forpliktet til å tilby presisjon, arbeider Iris også med å forbedre innholdets nøyaktighet i deres AI-resultater ved å verifisere mot strukturerte kunnskapsbaser og likheter med virkelighetskilder. Abildgaard understreker viktigheten av disse virkelighetsankerene, da nøyaktige grunnlag er av største betydning i forskning. Iris søker å videreutvikle verktøykassen sin for å hjelpe forskere med å navigere informasjonslandskapet med størst mulig faktuell integritet.