Pourquoi les scientifiques ne devraient pas compter sur l'IA en matière de découvertes scientifiques, au moins, maintenant

Nous vivons dans l'âge d'or des données scientifiques entourant les énormes réserves de l'information génétique, l'imagerie médicale et des données d'observations astronomiques. Le courant des possibilités d'algorithmes d'apprentissage automatique permettent à l'intelligence artificielle, le plus rapidement possible et en même temps d'étudier attentivement ces données, souvent lever ainsi la porte à des nouvelles découvertes scientifiques. Il ne faut toutefois pas se fier aveuglément les résultats de la recherche menée par l'IA, estime un chercheur spécialiste de l'Université de Rice Женевера Allen. Au moins, pas au niveau actuel de développement de cette technologie. De l'avis scientifique, le problème réside dans le fait que les systèmes modernes de l'IA n'a pas la capacité de l'évaluation critique des résultats de ses travaux.

Selon Allen, IA-systèmes utilisant des méthodes d'apprentissage automatique, c'est à dire quand l'apprentissage se produit dans le processus de l'application des décisions de la multitude des tâches similaires, et non pas simplement grâce à la mise en œuvre et le respect de ces nouvelles règles et les instructions, vous pouvez faire confiance à l'adoption de certaines décisions. Plus précisément, l'IA est tout à fait possible de confier la tâche à des problèmes dans les domaines où le résultat final peut être facilement vérifié et analysé par l'homme. À titre d'exemple, on peut prendre, disons, le comptage des cratères sur la Lune ou la prédiction des chocs répétés après le tremblement de terre.

Cependant, la précision et l'efficacité en plus complexes algorithmes qui sont utilisés pour l'analyse de très grands ensembles de données pour rechercher et déterminer les inconnues de facteurs ou de relations entre les différentes fonctions de «vérifier beaucoup plus difficile», note Allen. Par conséquent, l'impossibilité de vérifier les données sélectionnées de ces algorithmes, peut conduire à un faux scientifique des conclusions.

Prenons, par exemple, précise la médecine, quand pour le développement de méthodes efficaces de traitement des spécialistes de procéder à l'analyse des métadonnées des patients, en essayant de trouver certains groupes de personnes ayant les mêmes caractéristiques génétiques. Certains IA-programmes conçus pour «просева» des données génétiques, vraiment preuve de leur efficacité, avec succès d'identifier les groupes de patients similaires prédisposition, par exemple, au développement du cancer du sein. Cependant, ils sont tout à fait inefficaces dans les questions de la définition d'autres types de cancer, par exemple, le cancer colorectal. Chaque algorithme effectue l'analyse des données sur son propre, donc lors de la fusion des résultats peut souvent se produire un conflit dans la classification des échantillons de patients. Ceci, à son tour, oblige les chercheurs à réfléchir sur ce à quoi l'IA finalement faire confiance.

Ces contradictions proviennent du fait que les algorithmes d'analyse de données sont conçus pour obéir à jeter dans ces algorithmes les instructions qui ne laissent pas de place à l'indécision, l'incertitude, explique Allen.

«Si vous mettez la tâche de l'algorithme de clustering de trouver un tel groupe dans sa base de données, il accomplira la tâche, et dira qu'il a trouvé plusieurs groupes selon des paramètres prédéfinis. Dites à trouver les trois groupes, il trouvera trois. Demandez de trouver quatre, il trouvera quatre», — commente Allen.

«en fait, La véritable efficacité est semblable à l'IA sera présentée lorsque le programme est en mesure de répondre: «Je crois vraiment que c'est voici un groupe de patients est adapté en fonction de la classification, mais dans le cas de ces ici c'est des gens dont j'ai aussi testé et comparé, je ne suis pas sûr».

Les Scientifiques n'aiment pas l'incertitude. Cependant, les méthodes traditionnelles de détermination des incertitudes de mesure sont conçus pour le cas où vous souhaitez réaliser l'analyse des données qui ont été spécialement sélectionnés pour l'évaluation spécifique de l'hypothèse. Le programme de l'IA pour l'exploration de données fonctionnent pas. Ces programmes ne sont pas mus par un dirigeant idée, et il suffit de procéder à l'analyse des ensembles de données recueillies, sans aucune donnée un objectif spécifique. Donc, maintenant, de nombreux chercheurs dans le domaine de l'IA, y compris la Allen, s'occupent du développement de nouveaux protocoles qui permettent de l'IA-systèmes d'une nouvelle génération d'évaluer la précision et la reproductibilité de ses découvertes.

Le Chercheur explique que l'une des nouvelles méthodes de la profondeur de l'analyse est fondée sur une conception de ré-échantillonnage. Par exemple, si l'IA-système prétendument fera une découverte importante, par exemple, déterminera les groupes cliniquement importants pour l'étude des patients, cette découverte devrait apparaître dans d'autres bases de données. Créer de nouvelles et de grands tableaux de données afin de vérifier l'exactitude de l'échantillon de l'IA très coûteux pour les scientifiques. Par conséquent, selon Allan, vous pouvez utiliser l'approche qui sera utilisée déjà un ensemble de données, qui sera au hasard de remuer de manière à avoir imité une toute nouvelle base de données». Et si maintes et maintes fois, l'IA peut définir les traits caractéristiques, permettant de poursuivre la classification «dans ce cas, vous pouvez considérer que vous avez sur les mains est apparu vraiment la véritable découverte», ajoute Allan.

Inscrivez-vous à notre , pour être au courant des derniers événements du monde de la science et de la technologie.