Mes gyvename auksiniame mokslo duomenų amžiuje, apsuptame didžiulės genetinės informacijos, medicininių vaizdų ir astronominių duomenų atsargų. Dabartinės mašinų mokymosi algoritmų galimybės leidžia dirbtiniam intelektui šiuos duomenis ištirti taip pat greitai ir tuo pačiu metu labai atsargiai, dažnai atveriant duris galimiems naujiems moksliniams atradimams. Tačiau neturėtume aklai pasitikėti AI atliktų mokslinių tyrimų rezultatais, sako Rice universiteto tyrėjas Geneveris Allenas. Bent jau ne dabartiniu šios technologijos vystymosi lygiu. Anot mokslininko, problema slypi tame, kad šiuolaikinės PG sistemos neturi galimybės kritiškai įvertinti savo darbo rezultatų.
Anot Alleno, AI sistemomis, naudojančiomis mašininio mokymosi metodus, tai yra, kai mokymasis vyksta pritaikant daugelio panašių problemų sprendimus, o ne tik įvedant ir laikantis naujų taisyklių bei reglamentų, galima pasitikėti priimant kai kuriuos sprendimus. Tiksliau sakant, visiškai įmanoma priskirti užduotis AI sprendžiant klausimus tose srityse, kuriose galutinį rezultatą gali pats patikrinti ir išanalizuoti pats asmuo. Kaip pavyzdį galime paimti, tarkime, kraterių skaičiaus Mėnulyje skaičiavimą arba prognozuoti po žemės drebėjimo įvyksiančius potvynius.
- „Salik.biz“
Tačiau sudėtingesnių algoritmų, kurie naudojami labai dideliam duomenų kiekiui analizuoti, siekiant surasti ir nustatyti anksčiau nežinomus veiksnius ar ryšius tarp skirtingų funkcijų, tikslumą ir efektyvumą yra daug sunkiau “, - pažymi Allenas. Taigi neįmanoma patikrinti duomenų, suderintų su tokiais algoritmais, ir tai gali padaryti klaidingas mokslines išvadas.
Paimkite, pavyzdžiui, tiksliąją mediciną, kur specialistai analizuoja pacientų metaduomenis, kad surastų konkrečias žmonių grupes, turinčias panašias genetines savybes, kad sukurtų veiksmingą gydymą. Kai kurios PG programos, sukurtos perduoti genetinius duomenis, iš tiesų yra veiksmingos identifikuojant pacientų grupes, turinčias panašų polinkį, pavyzdžiui, susirgti krūties vėžiu. Tačiau jie tampa visiškai neveiksmingi nustatant kitas vėžio rūšis, pavyzdžiui, gaubtinę ir tiesiąją žarną. Kiekvienas algoritmas analizuoja duomenis skirtingai, todėl derinant rezultatus dažnai gali kilti prieštaravimų klasifikuojant paciento imtį. Tai savo ruožtu priverčia mokslininkus susimąstyti, kuria AI galiausiai pasitikėti.
Šie prieštaravimai kyla dėl to, kad duomenų analizės algoritmai yra suprojektuoti taip, kad būtų paisoma šiuose algoritmuose pateiktų nurodymų, kurie nepalieka vietos neapibrėžtumui, netikrumui, aiškina Allenas.
Mokslininkams nepatinka netikrumas. Tačiau tradiciniai matavimo neapibrėžčių nustatymo metodai yra sukurti tais atvejais, kai reikia analizuoti duomenis, kurie buvo specialiai parinkti tam tikrai hipotezei įvertinti. Taip neveikia AI duomenų gavybos programos. Šios programos nėra grindžiamos jokia pagrindine idėja ir tiesiog analizuoja surinktus duomenų rinkinius be jokio konkretaus tikslo. Todėl daugelis AI tyrinėtojų, įskaitant patį Alleną, dabar kuria naujus protokolus, kurie naujos kartos AI sistemoms leis įvertinti jų atradimų tikslumą ir atkuriamumą.
Reklaminis vaizdo įrašas:
Tyrėjas aiškina, kad vienas iš naujų kasybos metodų bus pagrįstas mėginių ėmimo samprata. Pvz., Jei AI sistema turėtų padaryti svarbų atradimą, pavyzdžiui, nustatomos pacientų grupės, kliniškai svarbios tyrimams, tada šis atradimas turėtų būti rodomas kitose duomenų bazėse. Mokslininkams labai brangu sukurti naujus ir didesnius duomenų rinkinius, patvirtinančius AI mėginių ėmimą. Todėl, pasak Allano, galima naudoti požiūrį, kai „bus naudojamasi esamu duomenų rinkiniu, kuriame informacija bus atsitiktinai sumaišyta taip, kad imituotų visiškai naują duomenų bazę“. Ir jei vėl ir vėl AI gali nustatyti būdingus požymius, leidžiančius atlikti reikiamą klasifikavimą, „tada bus galima apsvarstytikad jūsų rankose yra tikrai tikras atradimas “, - priduria Allanas.
Nikolajus Khizhnyak