Kunstig intelligens kan trænes til at foretage videnskabelige forudsigelser uafhængigt baseret på tidligere viden

Der er en igangværende debat blandt AI-forskere om, hvorvidt kunstig intelligens, som TheNext Web (TNW) bemærker, “vil snart være i stand til at udvikle den type generel intelligens, som mennesker har,” med ophedede diskussioner for og imod.

Men der er endnu et område, hvor AI gør kæmpe skridt fremad, og det er inden for Naturlig Sprogbehandling (NLP), en del af en langt større paraply af maskinlæring, med “det formål at vurderer, udtrækker og evaluere information fra tekstdata.” TNW henviser til en artikel, der nyligt er offentliggjort i Nature, som viser, at en AI har kunnet “forudsige fremtidige videnskabelige opdagelser ved blot at udtrække meningsfuld data fra forskningspublikationer.”

At undersøge og forstå et bestemt videnskabeligt spørgsmål kræver det åbenlyse skridt at konsultere bøger, specialiserede publikationer, websteder og andre relevante kilder. Det kan være en ekstremt tidskrævende øvelse, især hvis vi har et meget komplekst problem eller spørgsmål. Det er her, NLP kommer ind. Ved at bruge “avancerede metoder og teknikker kan computerprogrammer identificere begreber, gensidige relationer, generelle emner og specifikke egenskaber fra store tekstdata.”

Som det diskuteres i den nævnte studie, “er de fleste af de eksisterende automatiserede NLP-baserede metoder overvågete, og kræver input fra mennesker. Trods det er det stadig et arbejdskrævende job.” Men forskerne, der har udarbejdet denne artikel, har kunnet oprette et AI-system, der “kunne nøjagtigt identificere og udtrække information uafhængigt. Det brugte avancerede teknikker baseret på statistiske og geometriske egenskaber af data til at identificere kemiske navne, begreber og strukturer. Dette var baseret på omkring 1,5 million abstrakter af videnskabelige artikler om materialevidenskab.”

Derefter klassificerede dette maskinlæringsprogram “ord i data baseret på specifikke funktioner såsom “elementer”, “energetik” og “bindingsmidler”. For eksempel blev “varme” klassificeret som en del af “energetik”, og “gas” som “elementer”. Dette hjalp med at forbinde visse forbindelser med typer af magnetisme og lighed med andre materialer, og gav indsigt i, hvordan ordene var forbundet uden menneskelig indgriben.”

Denne metode gjorde det muligt for AI at “fange komplekse relationer og identificere forskellige lag af information, som ville være næsten umuligt at udføre for mennesker.” Dette gjorde det muligt at give indsigt langt før sammenlignet med, hvad videnskabsmændene på området kan gøre i øjeblikket. AI anbefalede faktisk materialer “til funktionelle anvendelser flere år før deres faktiske opdagelse. Der var fem sådanne forudsigelser, alle baseret på artikler offentliggjort før 2009. For eksempel kunne AI identificere en substans kendt som CsAgGa2Se4as som et termoelektrisk materiale, som videnskabsmænd først opdagede i 2012. Så hvis AI havde været til stede i 2009, kunne det have accelereret opdagelsen.”