Živimo u zlatnom dobu znanstvenih podataka, okruženi ogromnim rezervama genetskih informacija, medicinskih slika i astronomskih podataka. Trenutne mogućnosti algoritama strojnog učenja omogućuju umjetnoj inteligenciji te podatke proučavati brzo i istodobno vrlo pažljivo, često otvarajući vrata potencijalno novim znanstvenim otkrićima. Ipak, ne bismo trebali slijepo vjerovati rezultatima znanstvenih istraživanja koja je proveo AI, kaže istraživač sa Sveučilišta Rice Genever Allen. Barem ne na sadašnjoj razini razvoja ove tehnologije. Prema riječima znanstvenika, problem leži u činjenici da moderni AI sustavi nemaju sposobnost kritičke procjene rezultata svog rada.
Prema Allenu, AI sustavi koji koriste metode strojnog učenja, tj. Kada se učenje događa u procesu primjene rješenja za mnoge slične probleme, a ne samo uvođenjem i slijeđenjem novih pravila i propisa, može se vjerovati u donošenje nekih odluka. Preciznije, AI je moguće dodijeliti zadatke u rješavanju pitanja u onim područjima gdje konačan rezultat osoba može lako provjeriti i analizirati. Kao primjer možemo uzeti, recimo, brojanje broja kratera na Mjesecu ili predviđanje pretjeranih udara nakon potresa.
Međutim, točnost i učinkovitost složenijih algoritama koji se koriste za analizu vrlo velike količine podataka radi pronalaženja i utvrđivanja prethodno nepoznatih čimbenika ili odnosa između različitih funkcija "mnogo je teže provjeriti", napominje Allen. Dakle, nemogućnost provjere podataka podudarnih takvim algoritmima može dovesti do pogrešnih znanstvenih zaključaka.
Uzmimo, na primjer, preciznu medicinu, gdje stručnjaci analiziraju metapodate pacijenata kako bi pronašli određene skupine ljudi sa sličnim genetskim karakteristikama kako bi razvili učinkovit tretman. Neki AI programi dizajnirani za prosijavanje genetskih podataka doista su učinkoviti u identificiranju skupina pacijenata sa sličnom predispozicijom, na primjer, za razvoj karcinoma dojke. Međutim, ispada da su potpuno neučinkoviti u identificiranju drugih vrsta karcinoma, na primjer, debelog crijeva. Svaki algoritam analizira podatke različito, pa pri kombiniranju rezultata često može doći do sukoba u klasifikaciji uzorka pacijenta. To zauzvrat tjera znanstvenike da se pitaju kojem AI u konačnici mogu vjerovati.
Te kontradikcije nastaju zbog činjenice da su algoritmi za analizu podataka dizajnirani na način da se pokore uputama tih algoritama, što ne ostavlja mjesta neodlučnosti, neizvjesnosti, objašnjava Allen.
Znanstvenici ne vole nesigurnost. Međutim, tradicionalne metode za određivanje mjerne nesigurnosti dizajnirane su za one slučajeve u kojima je potrebna analiza podataka koji su posebno odabrani za procjenu određene hipoteze. Ovako ne djeluju AI programi za vađenje podataka. Ovi programi nisu vođeni bilo kojom voditeljskom idejom i jednostavno analiziraju skupove podataka prikupljene bez ikakve posebne svrhe. Stoga, mnogi istraživači AI, uključujući i samog Allena, sada razvijaju nove protokole koji će omogućiti AI sustavima sljedeće generacije da procijene točnost i obnovljivost svojih otkrića.
Promotivni video:
Istraživač objašnjava da će se jedna od novih metoda rudarstva temeljiti na konceptu preustroja. Na primjer, ako bi AI sustav trebao napraviti važno otkriće, na primjer, identificirao skupine pacijenata koji su klinički važni za istraživanje, tada bi to otkriće trebalo biti prikazano u drugim bazama podataka. Znanstvenicima je skupo stvoriti nove i veće skupove podataka za validaciju AI uzorkovanja. Stoga se, prema Allanu, može koristiti pristup u kojem će se "koristiti postojeći skup podataka, informacije u koje će se nasumično miješati na takav način da simuliraju potpuno novu bazu podataka". A ako AI iznova i iznova može odrediti karakteristične značajke koje omogućuju provođenje potrebne klasifikacije, "tada će biti moguće razmotritida imate stvarno pravo otkriće u svojim rukama ", dodaje Allan.
Nikolaj Khizhnyak