Živimo v zlati dobi znanstvenih podatkov, obkroženi z ogromnimi zalogami genetskih informacij, medicinskih slik in astronomskih podatkov. Trenutne zmožnosti algoritmov strojnega učenja omogočajo umetni inteligenci, da te podatke prouči tako hitro in hkrati zelo previdno, kar pogosto odpira vrata za morebitna nova znanstvena odkritja. Vendar pa ne smemo slepo zaupati rezultatom znanstvenih raziskav, ki jih je izvedel AI, pravi raziskovalka z univerze Rice Genever Allen. Vsaj ne na trenutni stopnji razvoja te tehnologije. Po mnenju znanstvenika je težava v tem, da sodobni AI sistemi nimajo sposobnosti kritične ocene rezultatov svojega dela.
Po Allenovem mnenju je za nekatere odločitve mogoče zaupati sistemom AI, ki uporabljajo metode strojnega učenja, torej ko se učenje zgodi v procesu uporabe številnih podobnih težav, in ne zgolj z uvedbo in upoštevanjem novih pravil in predpisov. Natančneje, popolnoma je mogoče dodeliti naloge AI pri reševanju vprašanj na tistih področjih, kjer lahko končni rezultat zlahka preveri in analizira oseba. Kot primer lahko vzamemo, recimo, štetje števila kraterjev na Luni ali napovedovanje potresov po potresu.
Vendar je natančnost in učinkovitost kompleksnejših algoritmov, ki se uporabljajo za analizo zelo velike količine podatkov za iskanje in določitev prej neznanih dejavnikov ali razmerij med različnimi funkcijami, "veliko težje preveriti," ugotavlja Allen. Tako nemožnost preverjanja podatkov, ki jih ujemajo takšni algoritmi, lahko privede do napačnih znanstvenih zaključkov.
Vzemimo za primer natančno medicino, kjer specialisti analizirajo metapodatke bolnikov, da bi našli posebne skupine ljudi s podobnimi genetskimi značilnostmi, da bi razvili učinkovite načine zdravljenja. Nekateri programi AI, zasnovani za presejanje genetskih podatkov, so resnično učinkoviti pri prepoznavanju skupin bolnikov s podobnimi predispozicijami, na primer pri razvoju raka dojke. Vendar se izkažejo za popolnoma neučinkovite pri prepoznavanju drugih vrst raka, na primer kolorektalnega. Vsak algoritem različno analizira podatke, zato lahko pri združevanju rezultatov pogosto pride do spora pri razvrščanju vzorca pacienta. Zaradi tega se znanstveniki sprašujejo, kateremu AI naj na koncu zaupajo.
Ta protislovja nastanejo zaradi dejstva, da so algoritmi za analizo podatkov zasnovani tako, da upoštevajo navodila, določena v teh algoritmih, ki ne puščajo prostora za neodločnost, negotovost, pojasnjuje Allen.
Znanstveniki ne marajo negotovosti. Vendar so tradicionalne metode določanja merilnih negotovosti zasnovane za tiste primere, ko je treba analizirati podatke, ki so bili posebej izbrani za oceno določene hipoteze. Tako ne delujejo programi AI za rudarjenje podatkov. Teh programov ne vodi nobena vodilna ideja in preprosto analizirajo zbirke podatkov, zbrane brez posebnega posebnega namena. Zato mnogi raziskovalci AI, med njimi tudi Allen, zdaj razvijajo nove protokole, ki bodo sistemom AI naslednje generacije omogočili oceno natančnosti in obnovljivosti njihovih odkritij.
Promocijski video:
Raziskovalec pojasnjuje, da bo ena od novih metod rudarjenja temeljila na konceptu preoblikovanja. Če naj bi na primer sistem AI naredil pomembno odkritje, na primer določil skupine bolnikov, ki so klinično pomembne za raziskave, bi bilo treba to odkritje prikazati v drugih zbirkah podatkov. Za znanstvenike je zelo drago ustvariti nove in večje naloge podatkov za potrditev vzorčenja AI. Zato je po Allanovem mnenju mogoče uporabiti pristop, v katerem bodo "uporabljeni obstoječi nabor podatkov, pri čemer bodo informacije naključno pomešane tako, da posnemajo povsem novo bazo podatkov". In če lahko AI znova in znova ugotovi značilne lastnosti, ki omogočajo izvedbo potrebne razvrstitve, "potem bo možno razmislitida imaš v rokah resnično resnično odkritje, «dodaja Allan.
Nikolaj Hizhnyak