Tekoäly voidaan kouluttaa tekemään itsenäisesti tieteellisiä ennusteita aikaisemman tiedon perusteella

Tekoälytutkijoiden keskuudessa on käynnissä kiivas keskustelu siitä, voivatko tekoälyjärjestelmät, kuten TheNext Web (TNW) huomauttaa, “pystyvätkö ne pian kehittymään sellaiseen yleiseen älykkyyteen, jota ihmiset omistavat,” ja tämä aiheuttaa kiihkeitä väittelyjä sekä puolesta että vastaan.

Mutta on olemassa toinen tieteenala, jossa tekoäly tekee jättimäisiä harppauksia eteenpäin, ja se on Luonnollisen kielen prosessointi (NLP), joka on osa laajempaa koneoppimisen parapluuta, jonka tavoitteena on “arvioida, poimia ja arvioida tietoa tekstuaalisista tiedoista.” Tähän vaikutukseen TNW viittaa äskettäin Naturessa julkaistuun tutkimukseen, jossa kerrotaan, että tekoäly on “onnistunut ennustamaan tulevia tieteellisiä löytöjä yksinkertaisesti poimimalla merkityksellisiä tietoja tutkimusjulkaisuista.”

Joidenkin tiettyjen tieteellisten kysymysten tutkiminen ja ymmärtäminen edellyttää ilmeistä askelta, kuten kirjojen, erikoistuneiden julkaisujen, verkkosivujen ja muiden relevanttien lähteiden konsultoimista. Tietysti tämä voi olla erittäin aikaa vievä harjoitus, etenkin jos meillä on erittäin monimutkainen ongelma tai kysymys käsillä. Siinä kohtaa NLP tulee kuvaan. Käyttämällä “monimutkaisia menetelmiä ja tekniikoita, tietokoneohjelmat voivat tunnistaa käsitteitä, keskinäisiä suhteita, yleisiä aiheita ja tiettyjä ominaisuuksia suurista tekstuaalisista tietoista.”

Kuten edellä mainitussa tutkimuksessa käydään läpi, “toistaiseksi useimmat olemassa olevat automaattiset NLP-pohjaiset menetelmät ovat valvottuja, ja ne vaativat ihmisten syötettä. Vaikka tämä on parannus verrattuna puhtaasti manuaaliseen lähestymistapaan, se on edelleen työlääs tehtävä.” Mutta tutkimuksessa mukana olleet tutkijat pystyivät luomaan tekoälyjärjestelmän, joka “voi tarkasti tunnistaa ja poimia tietoja itsenäisesti. Se käytti monimutkaisia tekniikoita, jotka perustuivat tilastollisiin ja geometrisiin ominaisuuksiin, tunnistamaan kemiallisia nimiä, käsitteitä ja rakenteita. Tämä perustui noin 1,5 miljoonaan materiaalitieteellisten tieteellisten artikkeleiden tiivistelmiin.”

Sitten tämä koneoppimisohjelma “luokitteli sanat tiedoissa tiettyjen ominaisuuksien perusteella, kuten “alkuaineet”, “energiat” ja “sidokset”. Esimerkiksi “lämpö” luokiteltiin osaksi “energiat”, ja “kaasu” osaksi “alkuaineita”. Tämä auttoi yhdistämään tiettyjä yhdisteitä magneettisuuden tyyppeihin ja samankaltaisuuteen muiden materiaalien kanssa, ja antoi näin ollen syvällisiä näkemyksiä siitä, miten sanat liittyvät toisiinsa ilman, että ihmisten väliintuloa tarvittiin.”

Tämä menetelmä mahdollisti tekoälylle “kaapata monimutkaisia suhteita ja tunnistaa eri tasoja tietoa, mikä olisi käytännössä mahdotonta toteuttaa ihmisvoimin.” Tämä mahdollisti antaa syvällisiä näkemyksiä paljon aikaisemmin verrattuna siihen, mitä tieteenalat hoitavat tällä hetkellä. Tekoäly suositteli materiaaleja “toiminnallisiin sovelluksiin useita vuosia ennen niiden todellista löytymistä. Näin ollen tekoäly pystyi tunnistamaan aineen, joka tunnetaan termosähköisenä materiaalina, jonka tutkijat löysivät vasta vuonna 2012. Jos tekoäly olisi ollut olemassa vuonna 2009, se olisi voinut nopeuttaa löytöä.”