AI kan tränas för att oberoende göra vetenskapliga förutsägelser baserat på tidigare kunskap

Det pågår en debatt bland AI-forskare om Artificiell Intelligens, som TheNext Web (TNW) noterar, “snart kommer att kunna utveckla den typ av allmän intelligens som människor har,” med heta diskussioner för och emot.

Men det finns ett annat område av kunskap där AI gör jättekliv framåt, och det är inom Naturlig Språkbehandling (NLP), en del av en mycket större paraply av maskinlärning, med “målet att bedöma, extrahera och utvärdera information från textdata.” Till det syftet pekar TNW på en nyligen publicerad artikel i Nature som rapporterar att en AI har “lyckats förutsäga framtida vetenskapliga upptäckter genom att enbart extrahera meningsfull data från forskningspublikationer.”

Att forska och förstå ett specifikt vetenskapligt problem kräver det uppenbara steget att konsultera böcker, specialpublikationer, webbsidor och alla andra relevanta källor. Det kan naturligtvis vara ett extremt tidskrävande företag, särskilt om vi har ett mycket komplext problem eller fråga i fråga. Där kommer NLP in. Genom att använda “avancerade metoder och tekniker kan datorprogram identifiera begrepp, ömsesidiga relationer, allmänna ämnen och specifika egenskaper från stora textdata.”

Som diskuteras i den ovannämnda studien, “hittills är de flesta existerande automatiserade NLP-baserade metoder övervakade, vilket kräver inmatning från människor. Trots att det är en förbättring jämfört med en rent manuell metod, är det fortfarande ett arbetskrävande jobb.” Men forskare som förberedde denna artikel kunde skapa ett AI-system som “kunde exakt identifiera och extrahera information oberoende. Det använde avancerade tekniker baserade på statistiska och geometriska egenskaper hos data för att identifiera kemiska namn, begrepp och strukturer. Detta baserades på cirka 1,5 miljoner sammanfattningar av vetenskapliga artiklar om materialvetenskap.”

Sedan klassificerade detta maskinlärningsprogram “ord i data baserat på specifika funktioner som “element”, “energetik” och “bindare”. Till exempel klassificerades “värme” som en del av “energetik” och “gas” som “element”. Detta hjälpte till att koppla vissa föreningar med typer av magnetism och likhet med andra material, bland annat, och gav insikt i hur orden var kopplade utan att någon mänsklig inblandning krävdes.”

Denna metod gjorde det möjligt för AI att “fånga komplexa relationer och identifiera olika lager av information, vilket skulle vara praktiskt taget omöjligt att utföra av människor.” Detta gjorde det möjligt att ge insikt långt i förväg jämfört med vad forskare inom området kan göra för tillfället. AI rekommenderade faktiskt material “för funktionella tillämpningar flera år innan deras faktiska upptäckt. Det fanns fem sådana förutsägelser, alla baserade på artiklar publicerade före år 2009. Till exempel kunde AI identifiera en substans känd som CsAgGa2Se4as som ett termoelektriskt material, som forskare först upptäckte 2012. Så om AI hade funnits 2009, kunde den ha påskyndat upptäckten.”