AI kan trænes til selvstændigt at lave videnskabelige forudsigelser baseret på tidligere viden

Der er en løbende debat blandt AI-forskere, om kunstig intelligens, som TheNext Web (TNW) noter, “vilje snart være i stand til udvikle den slags generel intelligens som mennesker har,” med heftige argumenter for og imod.

Men der er endnu et vidensfelt, hvor AI tager gigantiske skridt fremad, og det er med Natural Language Processing (NLP), en del af en meget større paraply af maskinlæring, med "et mål at vurdere, udtrække og evaluere information fra tekstdata." I den retning peger TNW på et papir for nylig udgivet i Nature som rapporterer, at en AI nu har "formået at forudsige fremtidige videnskabelige opdagelser ved blot at udtrække meningsfulde data fra forskningspublikationer."

At undersøge og forstå et specifikt videnskabeligt spørgsmål kræver det indlysende trin at konsultere bøger, specialiserede publikationer, websider og andre relevante kilder. Selvfølgelig kan dette være en ekstremt tidskrævende øvelse, især hvis vi har et meget komplekst problem eller spørgsmål ved hånden. Det er her NLP kommer ind i billedet. Ved at bruge "sofistikerede metoder og teknikker, computerprogrammer kan identificere begreber, gensidige relationer, generelle emner og specifikke egenskaber fra store tekstdatasæt."

Som diskuteret i den førnævnte undersøgelse, "indtil videre er de fleste af de eksisterende automatiserede NLP-baserede metoder overvåget, hvilket kræver input fra mennesker. På trods af at det er en forbedring i forhold til en rent manuel tilgang, er dette stadig et arbejdskrævende job.” Men forskere, der har udarbejdet dette papir, var i stand til at skabe et AI-system, der "uafhængigt kunne identificere og udtrække information nøjagtigt. Det brugte sofistikerede teknikker baseret på statistiske og geometriske egenskaber af data til at identificere kemiske navne, begreber og strukturer. Dette var baseret på omkring 1.5 millioner abstracts af videnskabelige artikler om materialevidenskab."

Så dette maskinlæringsprogram "klassificerede ord i dataene baseret på specifikke funktioner såsom "elementer", "energi" og "bindemidler". For eksempel blev "varme" klassificeret som en del af "energi" og "gas" som "elementer". Dette hjalp blandt andet med at forbinde visse forbindelser med typer af magnetisme og lighed med andre materialer, hvilket gav indsigt i, hvordan ordene var forbundet med ingen menneskelig indgriben påkrævet."

Denne metode gjorde det muligt for AI at "fange komplekse relationer og identificere forskellige lag af information, som ville være praktisk talt umulige at udføre af mennesker." Dette gjorde det muligt at give indsigt et godt stykke frem i forhold til, hvad forskerne, der beskæftiger sig med området, er i stand til at gøre i øjeblikket. AI anbefalede faktisk materialer "til funktionelle applikationer flere år før deres faktiske opdagelse. Der var fem sådanne forudsigelser, alle baseret på papirer offentliggjort før år 2009. For eksempel lykkedes det AI at identificere et stof kendt som CsAgGa2Se4as som en termoelektrisk materiale, som forskerne først opdagede i 2012. Så hvis AI havde eksisteret i 2009, kunne det have fremskyndet opdagelsen."