Kita hidup di zaman keemasan data saintifik, dikelilingi oleh banyak maklumat genetik, pengimejan perubatan, dan data astronomi. Keupayaan semasa algoritma pembelajaran mesin memungkinkan kecerdasan buatan untuk mempelajari data ini dengan cepat dan pada masa yang sama dengan sangat berhati-hati, sering membuka pintu kepada penemuan saintifik yang berpotensi baru. Walau bagaimanapun, kita tidak boleh mempercayai hasil penyelidikan saintifik yang dilakukan oleh AI secara membuta tuli, kata penyelidik Universiti Rice, Gwhere Allen. Sekurang-kurangnya tidak pada tahap perkembangan teknologi ini. Menurut saintis itu, masalahnya terletak pada hakikat bahawa sistem AI moden tidak mempunyai kemampuan untuk menilai hasil kerja mereka secara kritis.
Menurut Allen, sistem AI yang menggunakan kaedah pembelajaran mesin, yaitu, ketika pembelajaran terjadi dalam proses menerapkan solusi untuk banyak masalah serupa, dan bukan hanya dengan memperkenalkan dan mengikuti peraturan dan undang-undang baru, dapat dipercaya untuk membuat beberapa keputusan. Lebih tepatnya, adalah mungkin untuk memberikan tugas kepada AI dalam menyelesaikan masalah di kawasan-kawasan di mana hasil akhir dapat diperiksa dan dianalisis dengan mudah oleh orang itu sendiri. Sebagai contoh, kita dapat mengambil, katakan, menghitung jumlah kawah di bulan atau meramalkan gempa susulan setelah gempa.
Walau bagaimanapun, ketepatan dan kecekapan algoritma yang lebih kompleks yang digunakan untuk menganalisis sejumlah besar data untuk mencari dan menentukan faktor atau hubungan yang tidak diketahui sebelumnya antara fungsi yang berbeza "jauh lebih sukar untuk disahkan," catatan Allen. Oleh itu, kemustahilan untuk mengesahkan data yang dipadankan dengan algoritma seperti itu boleh menyebabkan kesimpulan saintifik yang salah.
Sebagai contoh, ambil ubat ketepatan, di mana pakar menganalisis metadata pesakit untuk mencari kumpulan orang tertentu dengan ciri genetik yang serupa untuk mengembangkan rawatan yang berkesan. Beberapa program AI yang dirancang untuk menyaring data genetik memang berkesan dalam mengenal pasti kumpulan pesakit dengan kecenderungan serupa, misalnya, untuk mengembangkan barah payudara. Namun, mereka ternyata sama sekali tidak berkesan dalam mengenal pasti jenis barah lain, misalnya kolorektal. Setiap algoritma menganalisis data secara berbeza, jadi ketika menggabungkan hasilnya, sering kali terjadi konflik dalam klasifikasi sampel pesakit. Ini seterusnya menjadikan para saintis tertanya-tanya tentang AI mana yang akhirnya boleh dipercayai.
Percanggahan ini timbul kerana fakta bahawa algoritma untuk analisis data dirancang sedemikian rupa untuk mematuhi arahan yang ditetapkan dalam algoritma ini, yang tidak memberikan ruang untuk ketidaktentuan, ketidakpastian, Allen menjelaskan.
Para saintis tidak menyukai ketidakpastian. Walau bagaimanapun, kaedah tradisional untuk menentukan ketidakpastian pengukuran telah dikembangkan untuk kes-kes di mana diperlukan untuk menganalisis data yang telah dipilih secara khusus untuk menilai hipotesis tertentu. Ini bukan bagaimana program AI untuk perlombongan data berfungsi. Program-program ini tidak didorong oleh idea panduan dan hanya menganalisis set data yang dikumpulkan tanpa tujuan tertentu. Oleh itu, banyak penyelidik AI, termasuk Allen sendiri, kini sedang mengembangkan protokol baru yang akan membolehkan sistem AI generasi seterusnya menilai ketepatan dan kebolehulangan penemuan mereka.
Video promosi:
Pengkaji menjelaskan bahawa salah satu kaedah perlombongan baru akan berdasarkan konsep pengambilan semula. Sebagai contoh, jika sistem AI seharusnya membuat penemuan penting, misalnya, mengenal pasti kumpulan pesakit yang penting untuk penyelidikan, maka penemuan ini harus dipaparkan di pangkalan data lain. Adalah sangat mahal bagi saintis untuk membuat set data baru dan lebih besar untuk mengesahkan persampelan AI. Oleh itu, menurut Allan, pendekatan dapat digunakan di mana "sekumpulan data yang ada akan digunakan, informasi di mana akan dicampur secara rawak sedemikian rupa sehingga mensimulasikan pangkalan data yang sama sekali baru." Dan jika berulang-ulang AI dapat menentukan ciri khas yang memungkinkan untuk melakukan klasifikasi yang diperlukan, "maka akan dapat dipertimbangkanbahawa anda mempunyai penemuan yang benar-benar nyata di tangan anda,”tambah Allan.
Nikolay Khizhnyak
