AI kan tränas för att självständigt göra vetenskapliga förutsägelser baserade på tidigare kunskap

Det pågår en debatt bland AI-forskare om artificiell intelligens, som TheNext Web (TNW) anteckningar, "kommer snart kunna utveckla den typ av allmän intelligens som människor har”, med hetsiga argument för och emot.

Men det finns ännu ett kunskapsområde där AI tar gigantiska steg framåt, och det är med Naturlig språkbehandling (NLP), en del av ett mycket större paraply av maskininlärning, med "ett syfte att bedöma, extrahera och utvärdera information från textdata." I det avseendet pekar TNW på ett papper nyligen publicerad i Nature som rapporterar att en AI nu "har lyckats förutsäga framtida vetenskapliga upptäckter genom att helt enkelt extrahera meningsfull data från forskningspublikationer."

Att forska och förstå en specifik vetenskaplig fråga kräver det självklara steget att konsultera böcker, specialiserade publikationer, webbsidor och andra relevanta källor. Naturligtvis kan detta vara en extremt tidskrävande övning, särskilt om vi har ett mycket komplext problem eller en fråga till hands. Det är där NLP kommer in. Genom att använda "sofistikerade metoder och tekniker, datorprogram kan identifiera begrepp, ömsesidiga relationer, allmänna ämnen och specifika egenskaper från stora textdatauppsättningar.”

Som diskuteras i den tidigare nämnda studien, "Hittills är de flesta av de befintliga automatiserade NLP-baserade metoderna övervakade, vilket kräver input från människor. Trots att det är en förbättring jämfört med ett rent manuellt tillvägagångssätt är detta fortfarande ett arbetskrävande jobb.” Men forskare som förberedde det här dokumentet kunde skapa ett AI-system som "kan exakt identifiera och extrahera information oberoende. Den använde sofistikerade tekniker baserade på statistiska och geometriska egenskaper hos data för att identifiera kemiska namn, begrepp och strukturer. Detta baserades på cirka 1.5 miljoner sammandrag av vetenskapliga artiklar om materialvetenskap.”

Sedan, detta maskininlärningsprogram "klassificerade ord i data baserat på specifika egenskaper som "element", "energi" och "bindemedel". Till exempel klassificerades "värme" som en del av "energi" och "gas" som "element". Detta hjälpte till att koppla vissa föreningar med typer av magnetism och likheter med andra material, bland annat, vilket gav insikt om hur orden hängde ihop utan någon mänsklig inblandning som krävs."

Denna metod gjorde det möjligt för AI att "fånga komplexa relationer och identifiera olika lager av information, som skulle vara praktiskt taget omöjliga att utföra av människor." Detta gjorde det möjligt att ge insikter långt fram i jämförelse med vad forskarna som arbetar med området kan göra just nu. AI rekommenderade faktiskt material "för funktionella applikationer flera år innan de faktiskt upptäcktes. Det fanns fem sådana förutsägelser, alla baserade på tidningar publicerade före år 2009. Till exempel lyckades AI identifiera ett ämne som kallas CsAgGa2Se4as som en termoelektriskt material, som forskare upptäckte först 2012. Så om AI hade funnits 2009, kunde det ha påskyndat upptäckten."