Mēs dzīvojam zinātnisko datu zelta laikmetā, un to ieskauj milzīgas ģenētiskās informācijas, medicīniskās attēlveidošanas un astronomisko datu rezerves. Mašīnmācīšanās algoritmu pašreizējās iespējas ļauj mākslīgajam intelektam pētīt šos datus tikpat ātri un vienlaikus ļoti uzmanīgi, bieži paverot iespējas potenciāli jauniem zinātniskiem atklājumiem. Tomēr mums nevajadzētu akli uzticēties AI veikto zinātnisko pētījumu rezultātiem, saka Rīsa universitātes pētnieks Ženevers Allens. Vismaz ne pašreizējā šīs tehnoloģijas attīstības līmenī. Pēc zinātnieka domām, problēma slēpjas faktā, ka mūsdienu AI sistēmām nav iespējas kritiski novērtēt sava darba rezultātus.
Pēc Allena teiktā, AI sistēmām, kurās tiek izmantotas mašīnmācīšanās metodes, tas ir, kad mācīšanās notiek daudzu līdzīgu problēmu risinājumu piemērošanas procesā, nevis tikai ieviešot un ievērojot jaunus noteikumus un noteikumus, var uzticēties dažu lēmumu pieņemšanā. Precīzāk, ir diezgan iespējams uzticēt AI uzdevumus problēmu risināšanā tajās jomās, kur gala rezultātu var viegli pārbaudīt un analizēt pati persona. Kā piemēru mēs varam, teiksim, skaitīt krāteru skaitu uz Mēness vai paredzēt pēcspēkus pēc zemestrīces.
Tomēr sarežģītāku algoritmu, kurus izmanto ļoti liela datu daudzuma analīzei, lai atrastu un noteiktu iepriekš nezināmus faktorus vai sakarības starp dažādām funkcijām, precizitāti un efektivitāti ir daudz grūtāk pārbaudīt, atzīmē Allens. Tādējādi neiespējamība pārbaudīt datus, kas saskaņoti ar šādiem algoritmiem, var radīt kļūdainus zinātniskus secinājumus.
Veikt, piemēram, precīzijas zāles, kur speciālisti analizē pacientu metadatus, lai atrastu īpašas cilvēku grupas ar līdzīgām ģenētiskajām īpašībām, lai izstrādātu efektīvu ārstēšanu. Dažas AI programmas, kas paredzētas ģenētisko datu atsijāšanai, patiešām ir efektīvas, identificējot pacientu grupas ar līdzīgu noslieci, piemēram, uz krūts vēža attīstību. Tomēr tie izrādās pilnīgi neefektīvi citu vēža veidu, piemēram, kolorektālā, identificēšanā. Katrs algoritms datus analizē atšķirīgi, tāpēc, apvienojot rezultātus, bieži var rasties konflikts pacienta izlases klasifikācijā. Tas, savukārt, zinātniekiem liek aizdomāties par to, kurai AI galu galā uzticēties.
Šīs pretrunas rodas tāpēc, ka datu analīzes algoritmi ir izstrādāti tā, lai tiktu ievēroti šajos algoritmos noteiktās instrukcijas, kas neatstāj vietu neizlēmībai, nenoteiktībai, skaidro Allens.
Zinātniekiem nepatīk nenoteiktība. Tomēr tradicionālās metodes mērījumu nenoteiktības noteikšanai ir paredzētas tiem gadījumiem, kad ir jāanalizē dati, kas īpaši atlasīti konkrētas hipotēzes novērtēšanai. Tas nav tas, kā darbojas AI programmas datu ieguvei. Šīs programmas nevirza neviena vadošā ideja, un tās vienkārši analizē savāktās datu kopas bez īpaša mērķa. Tāpēc daudzi AI pētnieki, ieskaitot pašu Allenu, tagad izstrādā jaunus protokolus, kas nākamās paaudzes AI sistēmām ļaus novērtēt atklājumu precizitāti un reproducējamību.
Reklāmas video:
Pētnieks skaidro, ka viena no jaunajām ieguves metodēm balstīsies uz atkārtotas paraugu ņemšanas koncepciju. Piemēram, ja domājams, ka AI sistēma veic svarīgu atklājumu, piemēram, identificē pacientu grupas, kas ir klīniski nozīmīgas pētniecībai, tad šis atklājums jāparāda citās datu bāzēs. Zinātniekiem ir ļoti dārgi izveidot jaunas un lielākas datu kopas, lai apstiprinātu AI paraugu ņemšanu. Tādēļ, pēc Allan teiktā, ir iespējams izmantot pieeju, kurā "tiks izmantota esošā datu kopa, kurā informācija tiks nejauši sajaukta tādā veidā, ka tā imitēs pilnīgi jaunu datu bāzi". Un, ja atkal un atkal AI var noteikt raksturīgās pazīmes, kas ļauj veikt nepieciešamo klasifikāciju, “tad būs iespējams apsvērtka jūsu rokās ir patiešām reāls atklājums,”piebilst Allans.
Nikolajs Khizhnyak