AI kan getraind worden om onafhankelijk wetenschappelijke voorspellingen te doen op basis van eerder verworven kennis

Er is een lopend debat onder AI-onderzoekers of Artificial Intelligence, zoals TheNext Web (TNW) opmerkt, “binnenkort in staat zal zijn de soort algemene intelligentie te ontwikkelen die mensen hebben,” met verhitte discussies voor en tegen.

Maar er is nog een ander gebied van kennis waar AI reusachtige stappen vooruit maakt, en dat is met Natural Language Processing (NLP), een onderdeel van een veel grotere paraplu van machine learning, met als doel “om informatie uit tekstuele gegevens te beoordelen, extraheren en evalueren.” Daartoe wijst TNW op een paper onlangs gepubliceerd in Nature die meldt dat een AI erin is geslaagd “om toekomstige wetenschappelijke ontdekkingen te voorspellen door simpelweg betekenisvolle gegevens uit onderzoekspublicaties te extraheren.”

Onderzoek doen en een specifieke wetenschappelijke vraag begrijpen vereist de voor de hand liggende stap om boeken, gespecialiseerde publicaties, webpagina’s en alle andere relevante bronnen te raadplegen. Natuurlijk kan dit een extreem tijdrovende oefening zijn, vooral als we een zeer complex probleem of vraag hebben. Daar komt NLP om de hoek kijken. Door “geavanceerde methoden en technieken te gebruiken, kunnen computerprogramma’s concepten, onderlinge relaties, algemene onderwerpen en specifieke eigenschappen uit grote tekstuele datasets identificeren.”

Zoals in de eerdergenoemde studie wordt besproken, “tot nu toe zijn de meeste bestaande geautomatiseerde NLP-gebaseerde methoden beperkt tot toezicht, waarbij menselijke invoer vereist is. Ondanks dat het een verbetering is ten opzichte van een puur manuele aanpak, is dit nog steeds een arbeidsintensieve taak.” Maar de onderzoekers die deze paper hebben voorbereid, waren in staat om een AI-systeem te creëren dat “accuraat informatie kon identificeren en extraheren zonder menselijke tussenkomst. Het gebruikte geavanceerde technieken op basis van statistische en geometrische eigenschappen van gegevens om chemische namen, concepten en structuren te identificeren. Dit was gebaseerd op ongeveer 1,5 miljoen samenvattingen van wetenschappelijke papers over materiaalkunde.”

Vervolgens classificeerde dit machine learning-programma “woorden in de gegevens op basis van specifieke kenmerken zoals “elementen”, “energetica” en “binders”. Bijvoorbeeld, “hitte” werd geclassificeerd als onderdeel van “energetica”, en “gas” als “elementen”. Dit hielp om bepaalde verbindingen te verbinden met typen magnetisme en overeenkomst met andere materialen, waardoor inzicht werd verkregd in hoe de woorden zonder menselijke tussenkomst met elkaar in verband stonden.”

Deze methode maakte het mogelijk voor de AI om “complexere relaties te identificeren en verschillende lagen van informatie te detecteren, wat voor mensen vrijwel onmogelijk zou zijn.” Dit maakte het mogelijk om inzichten te geven die ver vooruit liepen op wat wetenschappers op dit moment kunnen doen. AI heeft daadwerkelijk materialen aanbevolen “voor functionele toepassingen, enkele jaren voordat ze daadwerkelijk werden ontdekt. Er waren vijf dergelijke voorspellingen, allemaal gebaseerd op papers die voor 2009 werden gepubliceerd. Zoals bijvoorbeeld het identificeren van een stof bekend als CsAgGa2Se4as als een thermoelektrisch materiaal, dat wetenschappers pas in 2012 ontdekten. Als de AI in 2009 had bestaan, had het de ontdekking kunnen versnellen.”