AI ikerketa zientifikoa: ikaskuntza automatikoaren benetako helburua

IRUDIAREN KREDITUA:
Irudiaren kreditu
iStock

AI ikerketa zientifikoa: ikaskuntza automatikoaren benetako helburua

AI ikerketa zientifikoa: ikaskuntza automatikoaren benetako helburua

Azpitituluaren testua
Ikertzaileak adimen artifizialaren ahalmena probatzen ari dira aurkikuntza aurreratuak ekar ditzaketen datu kopuru handiak ebaluatzeko.
    • Egilea:
    • Egilearen izena
      Quantumrun Prospektiba
    • 11 daiteke, 2023

    Hipotesiak garatzea giza jarduera soilik kontsideratu izan da tradizionalki, sormena, intuizioa eta pentsamendu kritikoa eskatzen baititu. Hala ere, aurrerapen teknologikoekin, zientzialariek gero eta gehiago jotzen dute ikaskuntza automatikoa (ML) aurkikuntza berriak sortzeko. Algoritmoek datu kopuru handiak azkar azter ditzakete eta gizakiek ikusi ezin ditzaketen ereduak identifikatu ditzakete.

    Context

    Giza aurreiritzien menpe egon beharrean, ikertzaileek sare neuronaleko ML algoritmoak eraiki dituzte giza garunean inspiratutako diseinu batekin, datu-ereduetan oinarritutako hipotesi berriak iradokiz. Ondorioz, arlo askok laster MLra jo dezakete aurkikuntza zientifikoa bizkortzeko eta giza joerak murrizteko. Esploratu gabeko bateria-materialen kasuan, zientzialariek tradizioz datu-baseen bilaketa-tekniketan, modelizazioan eta zentzu kimikoan oinarritu izan dira molekula bideragarriak identifikatzeko. Erresuma Batuko Liverpooleko Unibertsitateko talde batek ML erabili zuen sormen prozesua errazteko. 

    Lehenik eta behin, ikertzaileek material berri baliotsu bat ekoizteko duten probabilitatean oinarrituta konbinazio kimikoak lehenesten zituen neurona-sare bat sortu zuten. Orduan zientzialariek sailkapen hauek erabili zituzten laborategiko ikasketak gidatzeko. Ondorioz, bateriaren lau material aukera bideragarri aurkitu zituzten beren zerrendako guztia probatu gabe, hilabeteko saiakerak eta akatsak kenduz. Material berriak ez dira ML ikerketak lagun dezakeen eremu bakarra. Ikertzaileek sare neuronalak ere erabiltzen dituzte kezka teknologiko eta teoriko esanguratsuagoak konpontzeko. Esaterako, Renato Renner Zuricheko Fisika Teorikoko Institutuko fisikari batek munduak ML erabiliz nola funtzionatzen duen azaltzea espero du. 

    Gainera, OpenAI-ren ChatGPT bezalako sorkuntza AI eredu sofistikatuagoek ikertzaileek datu, eredu eta hipotesi berriak automatikoki sortzeko aukera ematen diete. Balentria hau, besteak beste, generative adversarial networks (GAN), bariazio autokodetzaile (VAE) eta transformadoreetan oinarritutako hizkuntza ereduen bidez lortzen da (esaterako, Generative Pre-trained Transformer-3 edo GPT-3). AI eredu hauek datu multzo sintetikoak sortzeko, ML arkitektura berriak diseinatzeko eta optimizatzeko eta hipotesi zientifiko berriak garatzeko erabil daitezke, aurretik ezezagunak ziren datuetan ereduak eta erlazioak identifikatuz.

    Eragin disruptiboa

    Zientzialariek gero eta gehiago erabil dezakete IA sortzailea ikerketan laguntzeko. Ezagutza horretan oinarritutako ereduak aztertzeko eta emaitzak iragartzeko gaitasuna dutenez, eredu hauek gizateriak argitu gabe geratu diren zientziaren teoria konplexuak ebatzi ditzakete. Horrek denbora eta dirua aurrezteaz gain, zientziaren giza ulermena bere egungo mugetatik urrunago hedatzen lagunduko du. 

    Ikerketa eta garapenerako (I+G) enpresa batek errazagoa izango du finantzaketa egokia biltzea, ML datuak azkarrago prozesatu ditzakeelako. Ondorioz, zientzialariek laguntza gehiago bilatuko dute langile berriak kontratatuz edo enpresa eta enpresa ezagunekin elkarlanean emaitza hobeak lortzeko. Interes honen eragin orokorra positiboa izango da, ez bakarrik aurrerapen zientifikoentzat, baita arlo zientifikoetako profesionalentzat ere. 

    Hala ere, balizko oztopo bat da eredu moldagarri hauen soluzioak maiz zaila izaten dela gizakiek ulertzea, batez ere inplikatutako arrazoibidea. Makinek erantzunak soilik ematen dituztenez eta konponbidearen atzean dagoen arrazoia azaltzen ez dutenez, zientzialariek prozesuaren eta ondorioaren inguruan ziur egon daitezke. Iluntasun horrek emaitzetan konfiantza ahultzen du eta analisian lagun dezaketen neurona-sareen kopurua murrizten du. Horregatik, beharrezkoa izango da ikertzaileek bere burua azal dezakeen eredu bat garatzea.

    AI ikerketa zientifikoaren ondorioak

    AI ikerketa zientifikoaren ondorio zabalagoak izan daitezke:

    • Ikerketa-lanen egiletza-estandarren aldaketak, jabetza intelektualaren kreditua IAri ematea barne. Era berean, AI sistemak Nobel sari potentzial gisa sarituko dira egun batean, eta horrek eztabaida biziak sor ditzake algoritmo horiek asmatzaile gisa aitortu behar diren ala ez.
    • AI-k sortutako ikerketek erantzukizun-modu berriak eta aurkikuntza zientifikoetan AI eta sistema autonomoak erabiltzearekin lotutako galdera juridiko eta etiko gehiago sor ditzake.
    • Zientzialariek AI sorkuntzako hainbat tresnarekin lan egiten dute garapen medikoak eta probak azkartzeko.
    • Algoritmo landu hauek exekutatzeko beharrezkoa den konputazio-potentzia handiak eragindako energia-erabilera handitzea.
    • Etorkizuneko zientzialariak trebatzen ari dira AI eta beste ML tresnak beren lan-fluxuetan erabiltzeko.
    • Gobernuek AI-k sortutako esperimentu zientifikoak egitearen mugei eta eskakizunei buruzko estandar globalak sortzen dituzte.

    Kontuan hartu beharreko galderak

    • Zientzialaria bazara, nola ari da zure erakundeak edo laborategiak AI-k lagundutako ikerketa txertatzea?
    • Nola uste duzu eragingo duela AI-ak sortutako ikerketek zientzialari eta ikertzaileen lan-merkatuan?

    Insight erreferentziak

    Ikuspegi honetarako honako lotura ezagun eta instituzional hauei erreferentzia egin zaie: