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

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

Men der er endnu et område af viden, hvor AI gør kæmpe skridt fremad, og det er inden for Natural Language Processing (NLP), en del af en meget større paraply af maskinlæring, med “et mål om at vurder, udtrække og evaluere information fra tekstdata.” I den forbindelse peger TNW på en artikel nyt publiceret i Nature, som rapporterer, at en AI nu har “formået at forudsige fremtidige videnskabelige opdagelser ved blot at udtrække meningsfuld data fra forskningspublikationer.”

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

Som det diskuteres i den ovennævnte studie, “indtil nu er de fleste af de eksisterende automatiserede NLP-baserede metoder overvåget, og de kræver input fra mennesker. Trods det er det en forbedring i forhold til en ren manuel tilgang, men dette er stadig et arbejdskrævende job.” Men forskerne, der forberedte denne artikel, kunne oprette et AI-system, der “kunne nøjagtigt identificere og udtrække informationer 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 på basis af 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, hvilket 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, hvilket ville være næsten umuligt for mennesker at udføre.” Dette gjorde det muligt at give indsigt langt fremme i forhold til, hvad videnskabsmændene, der beskæftiger sig med feltet, kan gøre på dette tidspunkt. AI anbefalede faktisk materialer “til funktionelle anvendelser flere år før deres faktiske opdagelse. Der var fem sådanne forudsigelser, alle baseret på artikler publiceret før 2009. For eksempel kunne AI identificere en stof kendt som CsAgGa2Se4 som et termoelektrisk materiale, som videnskabsmænd først opdagede i 2012. Så hvis AI havde været til stede i 2009, kunne det have fremskyndet opdagelsen.”