Elämme tieteellisen tiedon kultakaudella, jota ympäröivät laajat geneettisen tiedon, lääketieteellisen kuvantamisen ja tähtitieteellisen tiedon varastot. Koneoppimisalgoritmien nykyiset ominaisuudet antavat tekoälylle mahdollisuuden tutkia näitä tietoja yhtä nopeasti ja samalla erittäin huolellisesti, mikä usein avaa oven mahdollisesti uusille tieteellisille löytöille. Meidän ei pidä kuitenkaan sokeasti luottaa AI: n suorittaman tieteellisen tutkimuksen tuloksiin, sanoo Rice-yliopiston tutkija Genever Allen. Ainakaan ei tämän tekniikan nykyisellä kehitystasolla. Tutkijan mukaan ongelma on siinä, että nykyaikaisilla AI-järjestelmillä ei ole kykyä arvioida kriittisesti työnsä tuloksia.
Allenin mukaan AI-järjestelmiin, jotka käyttävät koneoppimismenetelmiä, toisin sanoen kun oppiminen tapahtuu ratkaisujen löytämiseksi moniin vastaaviin ongelmiin eikä pelkästään ottamalla käyttöön ja noudattamalla uusia sääntöjä ja määräyksiä, voidaan luottaa tekemään joitain päätöksiä. Tarkemmin sanottuna on täysin mahdollista antaa tehtäviä AI: lle asioiden ratkaisemisessa alueilla, joilla henkilö itse voi helposti tarkistaa ja analysoida lopputuloksen. Esimerkiksi voimme esimerkiksi laskea kraatterien määrän kuulla tai ennustaa jälkijäristyksiä maanjäristyksen jälkeen.
Monimutkaisempien algoritmien, joita käytetään analysoimaan erittäin suuria tietomääriä aiemmin tuntemattomien tekijöiden tai eri toimintojen välisten suhteiden löytämiseksi ja määrittämiseksi, tarkkuus ja tehokkuus on kuitenkin huomattavasti vaikeampi todentaa , Allen toteaa. Täten, että tällaisten algoritmien kanssa sovitun datan todentaminen on mahdotonta, voi johtaa virheellisiin tieteellisiin johtopäätöksiin.
Otetaan esimerkiksi tarkkuuslääketiede, jossa asiantuntijat analysoivat potilaan metatietoja löytääkseen tietyt ihmisryhmät, joilla on samanlaiset geneettiset ominaisuudet tehokkaan hoidon kehittämiseksi. Jotkut geneettisen tiedon seulomiseen suunnitellut AI-ohjelmat ovat todella tehokkaita potilasryhmien tunnistamisessa, joilla on samanlaisia alttiuksia, kuten rintasyövän kehittyminen. Ne osoittautuvat kuitenkin täysin tehottomiksi tunnistaa muita syöpätyyppejä, esimerkiksi paksusuoli. Jokainen algoritmi analysoi tiedot eri tavalla, joten tuloksia yhdistäessä voi usein olla ristiriita potilasnäytteen luokittelussa. Tämä puolestaan saa tutkijat ihmettelemään, mihin AI: hen lopulta luottaa.
Nämä ristiriidat johtuvat siitä, että data-analyysin algoritmit on suunniteltu noudattamaan näissä algoritmeissa annettuja ohjeita, jotka eivät jätä tilaa päätöksentekoon, epävarmuuteen, Allen selittää.
Tutkijat eivät pidä epävarmuudesta. Perinteiset mittausepävarmuustekijöiden määritysmenetelmät on kuitenkin suunniteltu tapauksiin, joissa on tarpeen analysoida tietoja, jotka on erityisesti valittu tietyn hypoteesin arvioimiseksi. Tietojen louhinnan AI-ohjelmat eivät toimi näin. Näitä ohjelmia ei johda mikään ohjaava idea, ja ne vain analysoivat kerättyjä tietokokonaisuuksia ilman erityistä erityistä tarkoitusta. Siksi monet AI-tutkijat, mukaan lukien Allen itse, ovat nyt kehittämässä uusia protokollia, joiden avulla seuraavan sukupolven AI-järjestelmät voivat arvioida havaintojensa tarkkuutta ja toistettavuutta.
Mainosvideo:
Tutkija selittää, että yksi uusista kaivosmenetelmistä perustuu uudelleentäytteen käsitteeseen. Jos esimerkiksi AI-järjestelmän on tarkoitus tehdä tärkeä löytö, esimerkiksi identifioimalla potilaiden ryhmät, jotka ovat kliinisesti tärkeitä tutkimukselle, tämän löytön tulisi olla näkyvissä muissa tietokannoissa. Tutkijoiden on erittäin kallista luoda uusia ja suurempia tietoaineistoja AI-näytteenottojen validoimiseksi. Siksi Allanin mukaan on mahdollista käyttää lähestymistapaa, jossa "käytetään olemassa olevaa tietojoukkoa, jonka tiedot sekoitetaan satunnaisesti siten, että se jäljittelee täysin uutta tietokantaa". Ja jos AI voi yhä uudelleen määrittää ominaispiirteet, jotka mahdollistavat tarvittavan luokituksen suorittamisen,”niin on mahdollista harkitaettä sinulla on todella todellinen löytö käsissäsi”, Allan lisää.
Nikolay Khizhnyak