Các Nhà Khoa Học Quốc Tế Kêu Gọi Sự Minh Bạch Trong Nghiên Cứu Trí Tuệ Nhân Tạo

Một nhóm các nhà khoa học quốc tế từ các tổ chức khác nhau, bao gồm Princess Margaret Cancer Centre, University of Toronto, Stanford University, Johns Hopkins, Harvard School of Public Health và Massachusetts Institute of Technology, đang kêu gọi sự minh bạch hơn trong nghiên cứu trí tuệ nhân tạo (AI).

Bài viết trong đó các nhà khoa học kêu gọi các tạp chí khoa học nâng cao tiêu chuẩn về minh bạch trong nghiên cứu tính toán đã được xuất bản trên Nature vào ngày 14 tháng 10 năm 2020. Nhóm cũng đề xuất rằng các đồng nghiệp của họ nên phát hành mã, mô hình và môi trường tính toán trong các ấn phẩm.

Bài báo có tiêu đề “Minh bạch và tái tạo trong trí tuệ nhân tạo.”

Phát Hành Chi Tiết Nghiên Cứu Trí Tuệ Nhân Tạo

Tiến sĩ Benjamin Haibe-Kains là Nhà khoa học cấp cao tại Princess Margaret Cancer Centre và là tác giả đầu tiên của ấn phẩm.

“Sự tiến bộ khoa học phụ thuộc vào khả năng của các nhà nghiên cứu trong việc kiểm tra kết quả của một nghiên cứu và tái tạo lại các phát hiện chính để học hỏi,” Tiến sĩ Haibe-Kains nói. “Nhưng trong nghiên cứu tính toán, điều này chưa trở thành một tiêu chuẩn phổ biến để các chi tiết của một nghiên cứu trí tuệ nhân tạo được truy cập đầy đủ. Điều này có hại cho sự tiến bộ của chúng ta.”

Các lo ngại này xuất hiện sau một nghiên cứu của Google (GOOGL ) Health được công bố bởi McKinney et al. trên một tạp chí khoa học hàng đầu vào năm 2020, trong đó cho rằng một hệ thống trí tuệ nhân tạo có thể vượt qua các bác sĩ X quang về độ mạnh và tốc độ khi sàng lọc ung thư vú. Nghiên cứu này đã nhận được sự chú ý của truyền thông trên nhiều ấn phẩm hàng đầu.

Khả Năng Tái Tạo Mô Hình

Một trong những lo ngại chính sau nghiên cứu là nó không mô tả đầy đủ các phương pháp được sử dụng, cũng như mã và mô hình. Sự thiếu minh bạch này có nghĩa là các nhà nghiên cứu không thể học hỏi cách mô hình hoạt động, dẫn đến mô hình không thể được sử dụng bởi các tổ chức khác.

“Trên giấy và trong lý thuyết, nghiên cứu của McKinney et al. là đẹp,” Tiến sĩ Haibe-Kains nói. “Nhưng nếu chúng ta không thể học hỏi từ nó thì nó có rất ít giá trị khoa học.”

Tiến sĩ Haibe-Kains cũng được bổ nhiệm làm Giáo sư Liên kết tại Khoa Vật lý Y học của University of Toronto. Ông cũng là một thành viên liên kết tại Viện Trí tuệ Nhân tạo Vector.

“Các nhà nghiên cứu được khuyến khích hơn để xuất bản các phát hiện của họ rather than dành thời gian và tài nguyên để đảm bảo nghiên cứu của họ có thể được tái tạo,” Tiến sĩ Haibe-Kains tiếp tục. “Các tạp chí dễ bị ‘hype’ của AI và có thể降 thấp tiêu chuẩn cho việc chấp nhận các bài báo không bao gồm tất cả các tài liệu cần thiết để làm cho nghiên cứu tái tạo được — thường mâu thuẫn với các hướng dẫn của riêng họ.”

Môi trường này có nghĩa là các mô hình trí tuệ nhân tạo có thể mất nhiều thời gian hơn để đến với các môi trường lâm sàng, và các mô hình không thể được tái tạo hoặc học hỏi bởi các nhà nghiên cứu.

Nhóm các nhà nghiên cứu đã đề xuất các khuôn khổ và nền tảng khác nhau để giải quyết vấn đề này và cho phép các phương pháp được chia sẻ.

“Chúng tôi có hy vọng cao về sự hữu ích của trí tuệ nhân tạo cho bệnh nhân ung thư của chúng tôi,” Tiến sĩ Haibe-Kains nói. “Chia sẻ và xây dựng dựa trên các khám phá của chúng tôi — đó là tác động khoa học thực sự.”