Riset ilmiah AI: Tujuan sejatine pembelajaran mesin

• Babagan Author:
• Jeneng panganggit

  Quantumrun Foresight
• Muga 11, 2023

Ngembangake hipotesis kanthi tradisional dianggep minangka kegiatan manungsa, amarga mbutuhake kreatifitas, intuisi, lan pamikiran kritis. Nanging, kanthi kemajuan teknologi, para ilmuwan saya tambah akeh kanggo sinau mesin (ML) kanggo ngasilake panemuan novel. Algoritma bisa nganalisis data kanthi cepet lan ngenali pola sing ora bisa dideleng manungsa.

Konteks

Tinimbang gumantung saka preconceptions manungsa, peneliti wis mbangun algoritma ML jaringan saraf kanthi desain sing diilhami dening otak manungsa, nyaranake hipotesis anyar adhedhasar pola data. Akibaté, akeh wilayah sing bakal dadi ML kanggo nyepetake panemuan ilmiah lan nyuda bias manungsa. Ing kasus bahan baterei sing durung ditelusuri, para ilmuwan biasane ngandelake teknik telusuran basis data, pemodelan, lan pangertèn kimia kanggo ngenali molekul sing sregep. Tim saka Universitas Liverpool sing berbasis ing Inggris nggunakake ML kanggo nyederhanakake proses kreatif. 

Kaping pisanan, peneliti nggawe jaringan saraf sing menehi prioritas kombinasi kimia adhedhasar kemungkinan ngasilake materi anyar sing terkenal. Para ilmuwan banjur nggunakake peringkat kasebut kanggo nuntun studi laboratorium. Akibaté, dheweke nemokake papat pilihan materi baterei sing sregep tanpa nyoba kabeh sing ana ing dhaptar, ngirit pirang-pirang wulan nyoba lan kesalahan. Materi anyar dudu siji-sijine lapangan sing ML bisa mbantu riset. Peneliti uga nggunakake jaringan saraf kanggo ngatasi masalah teknologi lan teoretis sing luwih penting. Contone, ahli fisika ing Institut Fisika Teoritis Zurich, Renato Renner, ngarep-arep bisa ngembangake panjelasan sing kohesif babagan cara kerjane jagad nggunakake ML. 

Kajaba iku, model AI generatif sing luwih canggih kaya OpenAI's ChatGPT ngidini peneliti ngasilake data, model, lan hipotesis anyar kanthi otomatis. Prestasi iki digayuh liwat teknik kayata generative adversarial networks (GAN), variational autoencoders (VAEs), lan model basa adhedhasar transformator (kayata Generative Pre-trained Transformer-3 utawa GPT-3). Model AI iki bisa digunakake kanggo ngasilake set data sintetik, ngrancang lan ngoptimalake arsitektur ML anyar, lan ngembangake hipotesis ilmiah anyar kanthi ngenali pola lan hubungan ing data sing sadurunge ora dingerteni.

Dampak gangguan

Ilmuwan bisa uga nggunakake AI generatif kanggo mbantu riset. Kanthi kemampuan kanggo nganalisa pola lan prédhiksi asil adhedhasar kawruh kasebut, model kasebut bisa ngatasi teori-teori èlmu rumit sing durung dipecahaké déning manungsa. Iki ora mung bakal ngirit wektu lan dhuwit, nanging uga bakal mbantu pangerten manungsa babagan ilmu pengetahuan kanggo ngluwihi wates saiki. 

Usaha riset lan pangembangan (R&D) bakal luwih gampang ngumpulake dana sing cocog amarga ML bisa ngolah data luwih cepet. Akibaté, para ilmuwan bakal njaluk bantuan luwih akeh kanthi nyewa karyawan anyar utawa kerja sama karo bisnis lan perusahaan sing kondhang kanggo ngasilake asil sing luwih apik. Dampak sakabèhé saka kapentingan iki bakal positif, ora mung kanggo kemajuan ilmiah nanging uga kanggo profesional ing bidang ilmiah. 

Nanging, pamblokiran dalan sing potensial yaiku solusi saka model adaptif iki asring nantang manungsa kanggo ngerteni, utamane alesan sing ana gandhengane. Amarga mesin mung menehi jawaban lan ora nerangake alasane solusi kasebut, para ilmuwan bisa uga ora yakin babagan proses lan kesimpulan. Kekaburan iki nyuda kapercayan ing asil lan nyuda jumlah jaringan saraf sing bisa mbantu analisis. Mula, peneliti kudu ngembangake model sing bisa nerangake dhewe.

Implikasi saka riset ilmiah AI

Implikasi riset ilmiah AI sing luwih akeh bisa uga kalebu:

• Owah-owahan ing standar panulis kanggo makalah riset, kalebu menehi kredit properti intelektual kanggo AI. Kajaba iku, sistem AI bakal dianugerahi minangka panampa Hadiah Nobel potensial, sing bisa nyebabake debat sing kuat babagan apa algoritma kasebut kudu diakoni minangka penemu.
• Riset sing digawe AI bisa nyebabake bentuk tanggung jawab anyar lan pitakonan hukum lan etika liyane sing ana gandhengane karo nggunakake AI lan sistem otonom ing panemuan ilmiah.
• Ilmuwan nggarap macem-macem alat AI generatif kanggo nglacak pangembangan lan tes medis kanthi cepet.
• Nambah panggunaan energi sing disebabake dening daya komputasi sing dibutuhake kanggo mbukak algoritma sing rumit iki.
• Ilmuwan mbesuk sing dilatih nggunakake AI lan alat ML liyane ing alur kerja.
• Pamrentah nggawe standar global babagan watesan lan syarat kanggo nindakake eksperimen ilmiah sing digawe AI.

Pitakon sing kudu dipikirake

• Yen sampeyan dadi ilmuwan, kepiye institusi utawa laboratorium sampeyan ngrancang nggabungake riset sing dibantu AI?
• Kepiye carane riset sing digawe AI bakal mengaruhi pasar kerja kanggo para ilmuwan lan peneliti?