Kunstig intelligens kan trenes til å gjøre vitenskapelige prediksjoner uavhengig basert på tidligere kunnskap

Det pågår en debatt blant AI-forskere om kunstig intelligens, som TheNext Web (TNW) bemerker, “vil snart være i stand til å utvikle den type generell intelligens som mennesker har,” med heftige argumenter for og mot.

Men det er ennå et felt der AI tar store skritt fremover, og det er innen naturlig språkbehandling (NLP), en del av en mye større paraply av maskinlæring, med “målet å vurdere, trekke ut og evaluere informasjon fra tekstdata.” Til dette punktet peker TNW på en artikkel nylig publisert i Nature som rapporterer at en AI har nå “klart å forutsi fremtidige vitenskapelige oppdagelser ved å trekke ut meningsfulle data fra forskningspublikasjoner.”

Å forske og forstå et bestemt vitenskapelig spørsmål krever det åpenbare steget å konsultere bøker, spesialiserte publikasjoner, nettsider og andre relevante kilder. Selvfølgelig kan dette være en ekstremt tidskrevende øvelse, særlig hvis vi har et svært komplekst problem eller spørsmål for hånden. Det er der NLP kommer inn. Ved å bruke “sophisticerte metoder og teknikker kan dataprogrammer identifisere konsepter, gjensidige relasjoner, generelle emner og spesifikke egenskaper fra store tekstdatasett.”

Som det diskuteres i den ovennevnte studien, “hittil er de fleste eksisterende automatiske NLP-baserte metoder overvåket, og krever inndata fra mennesker. Til tross for å være en forbedring sammenlignet med en ren manuell tilnærming, er dette fortsatt et arbeidskrevende arbeid.” Men forskerne som forberedte denne artikkelen kunne lage et AI-system som “kunne nøyaktig identifisere og trekke ut informasjon uavhengig. Det brukte sofistikerte teknikker basert på statistiske og geometriske egenskaper til å identifisere kjemiske navn, konsepter og strukturer. Dette var basert på omtrent 1,5 millioner abstrakter av vitenskapelige papirer om materialevitenskap.”

Deretter klassifiserte dette maskinlæringsprogrammet “ord i dataene basert på bestemte egenskaper som “elementer”, “energetikk” og “binder”. For eksempel ble “varme” klassifisert som en del av “energetikk”, og “gass” som “elementer”. Dette hjalp til å koble bestemte forbindelser med typer magnetisme og likhet med andre materialer, og ga innsikt i hvordan ordene var koblet uten noen menneskelig inngripen.”

Denne metoden gjorde det mulig for AI å “fange komplekse relasjoner og identifisere ulike lag med informasjon, noe som ville være praktisk talt umulig å utføre for mennesker.” Dette gjorde det mulig å gi innsikt langt fremme i sammenligning med hva forskerne som håndterer feltet er i stand til å gjøre i øyeblikket. AI anbefalte faktisk materialer “for funksjonelle applikasjoner flere år før deres faktiske oppdagelse. Det var fem slike forutsigelser, alle basert på papirer publisert før år 2009. For eksempel klarte AI å identifisere en substans kjent som CsAgGa2Se4as som et termoelektrisk materiale, som vitenskapsmenn bare oppdaget i 2012. Så hvis AI hadde vært til stede i 2009, kunne det ha akselerert oppdagelsen.”