Το AI μπορεί να εκπαιδευτεί για να κάνει ανεξάρτητα επιστημονικές προβλέψεις με βάση τις προηγούμενες γνώσεις

Υπάρχει μια συνεχής συζήτηση μεταξύ των ερευνητών του AI σχετικά με το εάν η Τεχνητή Νοημοσύνη, όπως σημειώνει το TheNext Web (TNW), “θα είναι σε θέση να αναπτύξει τον τύπο γενικής νοημοσύνης που έχουν οι άνθρωποι”, με έντονα επιχειρήματα υπέρ και κατά.

Αλλά υπάρχει ακόμη ένα πεδίο γνώσης όπου το AI κάνει γιγαντιαίες προόδους, και αυτό είναι η επεξεργασία φυσικής γλώσσας (NLP), ένα μέρος ενός πολύ μεγαλύτερου ομπρέλα του μηχανικού μάθησης, με “στόχο να αξιολογηθεί, να εξαχθεί και να αξιολογηθεί η πληροφορία από δεδομένα κειμένου”. Για αυτό, το TNW αναφέρεται σε một έγγραφο που δημοσιεύθηκε πρόσφατα στην Nature, το οποίο αναφέρει ότι ένα AI “κατάφερε να προβλέψει μελλοντικές επιστημονικές ανακαλύψεις απλώς εξάγοντας σημαντικά δεδομένα από ερευνητικές δημοσιεύσεις”.

Η έρευνα και η κατανόηση ενός συγκεκριμένου επιστημονικού ερωτήματος απαιτεί το σαφές βήμα της консультації βιβλίων, ειδικών δημοσιεύσεων, ιστοσελίδων και άλλων σχετικών πηγών. Φυσικά, αυτό μπορεί να είναι ένα εξαιρετικά χρονοβόρο άσκηση, ιδιαίτερα αν έχουμε ένα πολύ σύνθετο πρόβλημα ή ερώτημα στο χέρι. Εκεί είναι που έρχεται η NLP. Χρησιμοποιώντας “σοφιστικούς μεθόδους και τεχνικές, τα προγράμματα υπολογιστή μπορούν να αναγνωρίσουν έννοιες, αμοιβαίες σχέσεις, γενικά θέματα και συγκεκριμένες ιδιότητες από μεγάλες συνόλους δεδομένων κειμένου”.

Όπως συζητείται στην προαναφερθείσα μελέτη, “μέχρι τώρα, οι περισσότερες από τις υπάρχουσες αυτόματες μεθόδους NLP βασίζονται σε εποπτεία, απαιτώντας εισαγωγή από τους ανθρώπους.尽管 αυτό είναι μια βελτίωση σε σύγκριση με μια καθαρά χειροκίνητη προσέγγιση, αυτό εξακολουθεί να είναι một εργατοαπαιτητική δουλειά”. Αλλά οι ερευνητές που προετοίμασαν αυτό το έγγραφο μπόρεσαν να δημιουργήσουν ένα σύστημα AI που “μπορούσε να αναγνωρίσει και να εξαγάγει πληροφορίες ανεξάρτητα. Χρησιμοποίησε σοφιστικούς με βάση στατιστικές και γεωμετρικές ιδιότητες των δεδομένων για να αναγνωρίσει ονόματα χημικών, έννοιες και δομές. Αυτό βασίστηκε σε περίπου 1,5 εκατομμύρια περίληψη επιστημονικών εργασιών για την επιστήμη των υλικών”.

Στη συνέχεια, αυτό το πρόγραμμα μηχανικού μάθησης “κατηγοριοποίησε τις λέξεις στα δεδομένα με βάση συγκεκριμένα χαρακτηριστικά όπως “στοιχεία”, “ενεργειακά” και “δένδρα”. Για παράδειγμα, η “θερμότητα” κατηγοριοποιήθηκε ως μέρος της “ενεργειακής”, και το “αέριο” ως “στοιχείο”. Αυτό βοήθησε να συνδέσει ορισμένα σύνθετα με τύπους μαγνητισμού και ομοιότητα με άλλα υλικά μεταξύ άλλων, παρέχοντας έτσι πληροφορίες σχετικά με το πώς οι λέξεις συνδέονται χωρίς να απαιτείται ανθρώπινη παρέμβαση”.

Αυτή η μέθοδος επέτρεψε στο AI να “καταγράψει σύνθετες σχέσεις και να αναγνωρίσει διαφορετικά επίπεδα πληροφοριών, τα οποία θα ήταν σχεδόν αδύνατο να thựcευτούν από τους ανθρώπους”. Αυτό επέτρεψε να δώσει πληροφορίες πολύ πιο μπροστά σε σύγκριση με ότι μπορούν να κάνουν οι επιστήμονες που ασχολούνται με το πεδίο αυτό τη στιγμή. Το AI πραγματικά πρότεινε υλικά “για λειτουργικές εφαρμογές πολλά χρόνια πριν από την πραγματική ανακάλυψή τους. Υπήρχαν πέντε τέτοιες προβλέψεις, όλες με βάση έγγραφα που δημοσιεύθηκαν πριν από το 2009. Για παράδειγμα, το AI κατάφερε να αναγνωρίσει μια ουσία γνωστή ως CsAgGa2Se4 ως θερμοηλεκτρικό υλικό, το οποίο οι επιστήμονες ανακάλυψαν μόνο το 2012. Έτσι, αν το AI ήταν παρόν το 2009, θα μπορούσε να επιταχύνει την ανακάλυψη”.