Perché gli scienziati non dovrebbe essere invocata per IA in materia di scoperte scientifiche, almeno per ora

Viviamo in un secolo d'oro dei dati scientifici, circondandosi di enormi riserve di informazioni genetiche, di immagini mediche e i dati di osservazioni astronomiche. Risultati possibilità di algoritmi di apprendimento automatico consentono di intelligenza artificiale più veloce e allo stesso tempo studiare attentamente questi dati, spesso aprendo così la porta ad potenzialmente nuove scoperte della ricerca scientifica. Tuttavia, non abbiamo bisogno di fidarsi ciecamente i risultati di ricerche scientifiche condotte IA, ritiene esperto scientifico Università di Rice Jenever Allen. Almeno non al livello attuale di sviluppo di questa tecnologia. Secondo la studiosa, il problema sta nel fatto che i moderni sistemi di intelligenza non hanno la capacità di valutazione critica dei risultati del loro lavoro.

Secondo Allen, IA-i sistemi che utilizzano tecniche di apprendimento automatico, cioè quando l'apprendimento avviene nel processo di applicazione di soluzioni dozzine di simili attività, e non solo grazie all'introduzione e seguito di nuove regole e istruzioni, si può fidare l'adozione di alcune soluzioni. Più precisamente, l'IA è possibile affidare compiti in materia in quei settori dove il risultato finale può essere facilmente controllato e analizzato dall'uomo stesso. Come esempio si può prendere, per esempio, il conteggio del numero di crateri sulla Luna o la previsione di ripetute scosse di assestamento dopo il terremoto.

Tuttavia, la precisione e l'efficienza più complessi algoritmi che vengono utilizzati per analizzare grandi quantità di dati per la ricerca e la definizione precedentemente fattori sconosciuti o le relazioni tra le varie funzioni di «verificare molto più difficile», osserva Allen. In questo modo l'impossibilità di verificare i dati, raccolti questi algoritmi, può portare ad una errata scientifico conclusioni.

Prendiamo, ad esempio, precisa la medicina, quando per lo sviluppo di terapie efficaci, gli esperti che conducono l'analisi dei metadati dei pazienti, cercando di trovare determinati gruppi di persone con le stesse caratteristiche genetiche. Alcuni IA-programmi progettati per la «semina delle» dati genetici, mostrano la loro efficacia, con successo rappresentante di un gruppo di pazienti con una simile predisposizione, ad esempio, allo sviluppo del cancro al seno. Tuttavia, essi sono del tutto inefficaci in materia di definizione di altri tipi di cancro, ad esempio, del colon-retto. Ogni algoritmo effettua l'analisi dei dati a modo suo, quindi quando si uniscono i risultati può spesso verificarsi conflitto nella classificazione del campione dei pazienti. Questo a sua volta induce gli studiosi a pensare che AI fidare fine.

Queste polemiche nascono dal fatto che gli algoritmi di analisi dei dati sono stati progettati per rispettare la garanzia in questi algoritmi di istruzioni, che non lasciano spazio per indecisione, incertezza, spiega Allen.

«Se si mette il compito di un algoritmo di clustering trovare tale gruppo nel suo database, eseguirà attività e dirà che ha trovato diversi gruppi in base ai parametri specificati. Dite trovare tre gruppi, troverà tre. Richiedi trovare quattro, troverà quattro», — dice Allen.

«In realtà, la vera efficacia di un simile IA sarà proiettato poi, quando il programma è in grado di rispondere più o meno così: «credo davvero che questa gruppo di pazienti adatto sotto l'classificazione, tuttavia, nel caso di queste persone qui, i dati di cui ho anche controllato e confrontato, non sono del tutto sicuro».

Gli Scienziati non piace l'incertezza. Tuttavia, i metodi tradizionali di definizione delle incertezze di misura sono progettati per quelle occasioni in cui si desidera effettuare l'analisi dei dati, che sono stati appositamente selezionati per la valutazione di una certa ipotesi. Programma di intelligenza artificiale per il data mining funzionano affatto così. Questi programmi non mossi un po ' l'idea guida e basta condurre un'analisi di matrici di dati, raccolti senza alcun singolo uno scopo particolare. Così ora molti ricercatori nel campo dell'intelligenza artificiale, tra cui lo stesso Allen, lo sviluppo di nuovi protocolli che consentono AI sistemi di nuova generazione di valutare l'accuratezza e la riproducibilità delle sue scoperte.

Il Ricercatore spiega che uno dei nuovi metodi di profonda analisi sarà basata sul concetto di ricampionamento. Per esempio, se IA-sistema presumibilmente farà una scoperta importante, ad esempio, determinerà un gruppo clinicamente importanti per la ricerca di pazienti, è l'apertura deve essere visualizzato e in altri database. Creare nuovi e di grandi quantità di dati per verificare la correttezza di campionamento IA molto costoso per gli studiosi. Pertanto, secondo Allan, è possibile utilizzare un approccio in cui «sarà utilizzato già disponibile un set di dati, che sarà per caso miscelato in questo modo, per questo ha completamente nuovo database». E se di volta in volta l'IA sarà in grado di identificare le caratteristiche che consentono di trascorrere una giusta classificazione, «che in questo caso è possibile pensare che avete a portata di mano è apparso davvero reale apertura», aggiunge Allan.

Iscriviti alla nostra , per essere sempre aggiornato sugli ultimi eventi dal mondo della scienza e della tecnologia.