L’IA peut être formée pour faire des prédictions scientifiques de manière indépendante en fonction des connaissances antérieures

Il existe un débat en cours parmi les chercheurs en IA sur le fait que l’intelligence artificielle, comme le note TheNext Web (TNW), « sera-t-elle bientôt en mesure de développer le type d’intelligence générale que les humains possèdent », avec des arguments passionnés pour et contre.

Mais il existe un autre domaine de connaissance où l’IA fait des progrès géants, et c’est dans le domaine du traitement automatique des langues naturelles (NLP), une partie d’un parapluie beaucoup plus large de l’apprentissage automatique, avec « l’objectif d’évaluer, d’extraire et d’évaluer les informations à partir de données textuelles ». À cet égard, TNW fait référence à un article publié récemment dans Nature qui rapporte qu’un IA a maintenant « réussi à prédire des découvertes scientifiques futures en extrayant simplement des données significatives de publications de recherche ».

Rechercher et comprendre une question scientifique spécifique nécessite l’étape évidente de consulter des livres, des publications spécialisées, des pages Web et toutes les autres sources pertinentes. Bien sûr, cela peut être un exercice extrêmement chronophage, en particulier si nous avons un problème ou une question très complexe entre les mains. C’est là que le NLP intervient. En utilisant « des méthodes et des techniques sophistiquées, les programmes informatiques peuvent identifier des concepts, des relations mutuelles, des sujets généraux et des propriétés spécifiques à partir de grands ensembles de données textuelles ».

Comme il est discuté dans l’étude mentionnée, « jusqu’à présent, la plupart des méthodes NLP automatisées existantes sont supervisées, nécessitant une intervention humaine. Malgré le fait qu’il s’agisse d’une amélioration par rapport à une approche purement manuelle, il s’agit toujours d’un travail fastidieux ». Mais les chercheurs qui ont préparé cet article ont pu créer un système IA qui « pouvait identifier et extraire des informations de manière indépendante. Il a utilisé des techniques sophistiquées basées sur les propriétés statistiques et géométriques des données pour identifier les noms de substances chimiques, les concepts et les structures. Cela reposait sur environ 1,5 million de résumés de documents scientifiques sur la science des matériaux ».

Ensuite, ce programme d’apprentissage automatique « a classé les mots dans les données en fonction de caractéristiques spécifiques telles que « éléments », « énergétique » et « liants ». Par exemple, « chaleur » a été classé comme faisant partie de « l’énergétique », et « gaz » comme « élément ». Cela a aidé à relier certains composés à des types de magnétisme et à des similitudes avec d’autres matériaux, entre autres choses, fournissant des informations sur la façon dont les mots étaient connectés sans intervention humaine requise ».

Cette méthode a permis à l’IA de « capturer des relations complexes et d’identifier différents niveaux d’informations, ce qui serait virtuellement impossible à réaliser pour les humains ». Cela a permis de fournir des informations bien à l’avance par rapport à ce que les scientifiques qui traitent du domaine sont capables de faire à ce moment. L’IA a en fait recommandé des matériaux « pour des applications fonctionnelles plusieurs années avant leur découverte réelle. Il y a eu cinq telles prédictions, toutes basées sur des documents publiés avant l’année 2009. Par exemple, l’IA a réussi à identifier une substance connue sous le nom de CsAgGa2Se4as comme un matériau thermoélectrique, que les scientifiques n’ont découvert qu’en 2012. Donc, si l’IA avait été présente en 2009, elle aurait pu accélérer la découverte ».