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

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

Αλλά υπάρχει ακόμη ένα πεδίο γνώσης όπου το AI κάνει γιγαντιαίες προόδους, και αυτό είναι με την Επεξεργασία Φυσικής Γλώσσας (NLP), ένα μέρος ενός πολύ μεγαλύτερου ομπρελού της μηχανικής μάθησης, με “στόχο να αξιολογήσει, να εξαγάγει και να αξιολογήσει πληροφορίες από δεδομένα κειμένου.” Σε αυτό το πλαίσιο, το TNW αναφέρεται σε một πρόσφατο άρθρο που δημοσιεύθηκε στη Nature που αναφέρει ότι ένα AI έχει πλέον “καταφέρει να προβλέψει μελλοντικές επιστημονικές ανακαλύψεις απλώς εξάγοντας σημαντικά δεδομένα από ερευνητικές δημοσιεύσεις.”

Η έρευνα και η κατανόηση ενός συγκεκριμένου επιστημονικού ερωτήματος απαιτεί το προφανές βήμα της διαβούλευσης βιβλίων, ειδικών δημοσιεύσεων, ιστοσελίδων και οποιασδήποτε άλλης σχετικής πηγής. Φυσικά, αυτό μπορεί να είναι một εξαιρετικά χρονοβόρο άσκηση, ιδιαίτερα αν έχουμε ένα πολύ σύνθετο πρόβλημα ή ερώτημα στο χέρι. Εκεί είναι που έρχεται η NLP. Χρησιμοποιώντας “σοφιστικούς методους και τεχνικές, τα προγράμματα υπολογιστή μπορούν να αναγνωρίσουν έννοιες, αμοιβαίες σχέσεις, γενικούς θέματα και συγκεκριμένες ιδιότητες από μεγάλες συνόλους δεδομένων κειμένου.”

Όπως συζητείται στην προαναφερθείσα μελέτη, “μέχρι τώρα, οι περισσότερες από τις υφιστάμενες αυτοματοποιημένες μεθόδους NLP απαιτούν είσοδο από 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 τεχνικές που βασίζονται στις 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 μηχανικής 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 πραγμάτων, παρέχοντας έτσι μια εικόνα για το πώς οι λέξεις συνδέονται χωρίς να απαιτείται ανθρώπινη παρέμβαση.”

Αυτή η μέθοδος έκανε δυνατό για το AI να “καταγράψει σύνθετες σχέσεις και να αναγνωρίσει διαφορετικά επίπεδα πληροφοριών, τα οποία θα ήταν πρακτικά αδύνατο να thựcευτούν από ανθρώπους.” Αυτό έκανε δυνατό να παρέχει εικόνες πολύ πιο μπροστά σε σύγκριση με ό,τι οι επιστήμονες που ασχολούνται με το πεδίο μπορούν να κάνουν αυτή τη στιγμή. Το AIRecommended υλικά “για λειτουργικές εφαρμογές αρκετά 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 μπόρεσε να αναγνωρίσει μια ουσία γνωστή ως CsAgGa2Se4 ως θερμοηλεκτρικό υλικό, το οποίο οι επιστήμονες ανακάλυψαν μόνο το 2012. Έτσι, αν το AI ήταν γύρω στο 2009, θα μπορούσε να επιταχύνει την ανακάλυψη.”