Integrasi model bahasa skala besar (LLM) ke dalam proses penelitian telah membawa perubahan besar dalam cara melakukan tinjauan sistematis. Para peneliti dari ARC Special Research Initiative Safeguarding the Antarctic Environmental Future(SAEF) telah mengeksplorasi bagaimana LLM dapat digunakan untuk meningkatkan efisiensi analisis literatur. Fokus mereka adalah respons global tanaman nonvaskular terhadap angin, sebuah topik yang memerlukan penelitian cermat terhadap sejumlah besar makalah ilmiah.

Tim SAEF menghadapi tantangan dalam mengidentifikasi konten relevan yang tidak disebutkan secara eksplisit dalam judul atau ringkasan artikel. Untuk mengatasi hal ini, mereka menerapkan aplikasi tanya jawab menggunakan layanan mikro LlaMa 3.1 8B Instruct NIM. Alat tersebut memungkinkan mereka membuat prototipe dan mengoptimalkan perintah dengan cepat untuk mengekstrak informasi penting dari literatur. Validasi manual awal dari hasil menunjukkan hasil yang menjanjikan, yang mengarah pada peningkatan lebih lanjut pada proses ekstraksi.

Untuk meningkatkan kinerja LLM, para peneliti memanfaatkan layanan mikro NVIDIA NIM dan nv-ingest, menerapkannya pada GPU NVIDIA A100 80 GB yang canggih. Mereka juga menyempurnakan model untuk meningkatkan akurasi. Dengan mengubah makalah menjadi file JSON terstruktur dan menerapkan pemrosesan paralel, mereka mampu mengurangi waktu pemrosesan secara signifikan. Tim menguji berbagai LLM dari katalog API NVIDIA dan akhirnya memilih Llama-3.1-8B-instruct, yang paling sesuai dengan kebutuhan mereka.

Kemajuan yang dicapai oleh tim SAEF di Generative AI Codefest menunjukkan potensi AI untuk mengubah proses peninjauan sistematis. Dengan mengurangi waktu yang dibutuhkan untuk mengekstrak informasi dari makalah ilmiah secara signifikan, mereka menunjukkan bagaimana AI dapat membantu peneliti memperoleh wawasan yang lebih cepat dan lebih komprehensif tentang bidang penelitian mereka. Seiring dengan upaya tim untuk terus menyempurnakan alur kerja dan antarmuka pengguna, mereka berkomitmen untuk membuat perangkat AI ini dapat diakses oleh komunitas penelitian yang lebih luas, sehingga membuka jalan bagi penelitian interdisipliner yang lebih efisien.