Me elame teaduslike andmete kuldajal, mida ümbritsevad suured geneetilise teabe, meditsiiniliste kujutiste ja astronoomiliste andmete varud. Masinõppe algoritmide praegused võimalused võimaldavad tehisintellektil neid andmeid uurida sama kiiresti ja samal ajal väga hoolikalt, avades sageli ukse potentsiaalselt uutele teaduslikele avastustele. Kuid me ei tohiks pimesi usaldada AI tehtud teadusuuringute tulemusi, ütles Rice'i ülikooli teadlane Genever Allen. Vähemalt mitte selle tehnoloogia praegusel arengutasemel. Teadlase sõnul seisneb probleem selles, et tänapäevastel AI-süsteemidel puudub võime oma töö tulemusi kriitiliselt hinnata.
Alleni sõnul võib AI-süsteemidele, mis kasutavad masinõppe meetodeid, see tähendab siis, kui õppimine toimub paljude sarnaste probleemide lahenduste rakendamisel, mitte lihtsalt uute reeglite ja määruste tutvustamise ja järgimisega, usaldada mõne otsuse tegemisel. Täpsemalt on AI-le täiesti võimalik anda ülesandeid probleemide lahendamisel nendes valdkondades, kus lõpptulemust saab inimene ise hõlpsalt kontrollida ja analüüsida. Näitena võime võtta näiteks kraatrite arvu loendamise Kuul või ennustada pärast maavärinat järelkraade.
Kuid keerukamate algoritmide täpsust ja efektiivsust, mida kasutatakse väga suurte andmemahtude analüüsimiseks varem tundmatute tegurite või erinevate funktsioonide vaheliste seoste leidmiseks ja määramiseks, on palju raskem kontrollida, märgib Allen. Seega võib selliste algoritmidega sobitatud andmete kontrollimise võimatus põhjustada ekslikke teaduslikke järeldusi.
Võtke näiteks täppismeditsiin, kus spetsialistid analüüsivad patsientide metaandmeid, et leida tõhusate raviviiside väljatöötamiseks konkreetsed sarnaste geneetiliste omadustega inimrühmad. Mõned AI-programmid, mille eesmärk on läbi viia geneetiliste andmete levitamine, on tõepoolest tõhusad patsientide rühmade tuvastamisel, kellel on sarnane eelsoodumus näiteks rinnavähi tekkeks. Kuid need osutuvad muude vähitüüpide, näiteks kolorektaalse, tuvastamisel täiesti ebaefektiivseks. Iga algoritm analüüsib andmeid erinevalt, nii et tulemuste kombineerimisel võib patsiendi valimi klassifitseerimisel sageli esineda vastuolusid. See omakorda paneb teadlasi mõtlema, millist AI lõpuks usaldada.
Need vastuolud tekivad seetõttu, et andmeanalüüsi algoritmid on kavandatud viisil, mis järgib nendes algoritmides sätestatud juhiseid, mis ei jäta ruumi otsustamatusele, ebakindlusele, selgitab Allen.
Teadlastele ei meeldi ebakindlus. Mõõtemääramatuste määramise traditsioonilised meetodid on mõeldud siiski nendeks juhtudeks, kui on vaja analüüsida andmeid, mis on spetsiaalselt valitud konkreetse hüpoteesi hindamiseks. Nii ei tööta andmekaevandamise AI-programmid. Neid programme ei juhi ükski juhtmõte ja nad analüüsivad lihtsalt kogutud andmekogumeid ilma konkreetse eesmärgita. Seetõttu töötavad paljud AI teadlased, sealhulgas Allen ise, välja uued protokollid, mis võimaldavad järgmise põlvkonna AI süsteemidel hinnata oma avastuste täpsust ja reprodutseeritavust.
Reklaamvideo:
Teadlane selgitab, et üks uutest kaevandamismeetoditest põhineb uuesti proovivõtmise kontseptsioonil. Näiteks kui AI-süsteem peaks tegema olulise avastuse, näiteks tuvastama teadusuuringute jaoks kliiniliselt olulised patsientide rühmad, siis peaks see avastus olema kuvatud teistes andmebaasides. AI proovide valideerimiseks on teadlaste jaoks väga kulukas luua uusi ja suuremaid andmekogumeid. Seetõttu on Allani sõnul võimalik kasutada lähenemist, kus "hakatakse kasutama olemasolevat andmestikku, mille teave segatakse juhuslikult selliselt, et see jäljendab täiesti uut andmebaasi". Ja kui ikka ja jälle saab AI kindlaks teha iseloomulikud tunnused, mis võimaldavad viia läbi vajaliku klassifitseerimise, “siis on võimalik kaaludaet teie käes on tõesti tõeline avastus,”lisab Allan.
Nikolai Khizhnyak
