Uitdagingen voor AI in wetenschap en techniek

Sluit je aan bij leidinggevenden van 26-28 juli voor Transform’s AI & Edge Week. Luister naar topleiders die onderwerpen bespreken rond AL/ML-technologie, conversationele AI, IVA, NLP, Edge en meer. Boek nu uw gratis pas!


Een opwindende mogelijkheid die kunstmatige intelligentie (AI) biedt, is het potentieel om enkele van de moeilijkste en belangrijkste problemen op het gebied van wetenschap en techniek op te lossen. AI en wetenschap kunnen elkaar heel goed aanvullen, waarbij de eerste patronen zoekt in data en de tweede zich toelegt op het ontdekken van fundamentele principes die tot die patronen leiden.

Als gevolg hiervan zullen AI en wetenschap de productiviteit van wetenschappelijk onderzoek en het tempo van innovatie in engineering enorm ontketenen. Bijvoorbeeld:

  • Biologie: AI-modellen zoals DeepMind’s AlphaFold bieden de mogelijkheid om de structuur van eiwitten te ontdekken en te catalogiseren, waardoor professionals talloze nieuwe medicijnen en medicijnen kunnen ontgrendelen.
  • Natuurkunde: AI-modellen komen naar voren als de beste kandidaten om cruciale uitdagingen aan te gaan bij het realiseren van kernfusie, zoals realtime voorspellingen van toekomstige plasmatoestanden tijdens experimenten en het verbeteren van de kalibratie van apparatuur.
  • Geneesmiddel: AI-modellen zijn ook uitstekende hulpmiddelen voor medische beeldvorming en diagnostiek, met het potentieel om aandoeningen zoals dementie of de ziekte van Alzheimer veel eerder te diagnosticeren dan enige andere bekende methode.
  • materiaal kunde: AI-modellen zijn zeer effectief in het voorspellen van de eigenschappen van nieuwe materialen, het ontdekken van nieuwe manieren om materialen te synthetiseren en te modelleren hoe materialen zouden presteren in extreme omstandigheden.

Deze grote diepgaande technologische innovaties hebben het potentieel om de wereld te veranderen. Om deze doelen te bereiken, staan ​​datawetenschappers en machine learning-ingenieurs echter voor een aantal substantiële uitdagingen om ervoor te zorgen dat hun modellen en infrastructuur de verandering bereiken die ze willen zien.

verklaarbaarheid

Een belangrijk onderdeel van de wetenschappelijke methode is het kunnen interpreteren en verklaren van zowel de werking als het resultaat van een experiment. Dit is essentieel om andere teams in staat te stellen het experiment te herhalen en bevindingen te verifiëren. Het stelt ook niet-experts en leden van het publiek in staat om de aard en het potentieel van de resultaten te begrijpen. Als een experiment niet gemakkelijk kan worden geïnterpreteerd of verklaard, is er waarschijnlijk een groot probleem bij het verder testen van een ontdekking en ook bij het populariseren en commercialiseren ervan.

Als het gaat om AI-modellen op basis van neurale netwerken, moeten we gevolgtrekkingen ook als experimenten beschouwen. Hoewel een model technisch gezien een gevolgtrekking genereert op basis van patronen die het heeft waargenomen, is er vaak een zekere mate van willekeur en variantie die kan worden verwacht in de betreffende uitvoer. Dit betekent dat het begrijpen van de gevolgtrekkingen van een model het vermogen vereist om de tussenliggende stappen en de logica van een model te begrijpen.

Dit is een probleem waarmee veel AI-modellen worden geconfronteerd die gebruikmaken van neurale netwerken, aangezien vele momenteel als “zwarte dozen” dienen – de stappen tussen de invoer van gegevens en de uitvoer van gegevens zijn niet gelabeld, en er is geen mogelijkheid om uit te leggen “waarom” het naar een bepaalde gevolgtrekking. Zoals je je kunt voorstellen, is dit een groot probleem als het gaat om het verklaarbaar maken van de gevolgtrekkingen van een AI-model.

In feite dreigt dit het vermogen om te begrijpen wat een model doet, te beperken voor datawetenschappers die modellen ontwikkelen, en de devops-ingenieurs die verantwoordelijk zijn voor de implementatie ervan op hun computer- en opslaginfrastructuur. Dit vormt op zijn beurt een barrière voor de wetenschappelijke gemeenschap om een ​​bevinding te verifiëren en te beoordelen.

Maar het is ook een probleem als het gaat om pogingen om de resultaten van onderzoek buiten het laboratorium uit te rollen, te commercialiseren of toe te passen. Onderzoekers die regelgevers of klanten aan boord willen krijgen, zullen moeite hebben om steun voor hun idee te krijgen als ze niet duidelijk kunnen uitleggen waarom en hoe ze hun ontdekking in de taal van een leek kunnen rechtvaardigen. En dan is er nog de kwestie om ervoor te zorgen dat een innovatie veilig is voor gebruik door het publiek, vooral als het gaat om biologische of medische innovaties.

reproduceerbaarheid

Een ander kernprincipe in de wetenschappelijke methode is het vermogen om de bevindingen van een experiment te reproduceren. De mogelijkheid om een ​​experiment te reproduceren stelt wetenschappers in staat om te controleren of een resultaat geen vervalsing of toevalstreffer is, en of een vermeende verklaring voor een fenomeen juist is. Dit biedt een manier om de bevindingen van een experiment “dubbel te controleren”, zodat de bredere academische gemeenschap en het publiek vertrouwen kunnen hebben in de nauwkeurigheid van een experiment.

AI heeft in dit opzicht echter een groot probleem. Kleine aanpassingen in de code en structuur van een model, kleine variaties in de trainingsgegevens die het krijgt, of verschillen in de infrastructuur waarop het wordt ingezet, kunnen ertoe leiden dat modellen duidelijk verschillende outputs produceren. Dit kan het moeilijk maken om vertrouwen te hebben in de resultaten van een model.

Maar het probleem met reproduceerbaarheid kan het ook extreem moeilijk maken om een ​​model op te schalen. Als een model inflexibel is in zijn code, infrastructuur of invoer, dan is het erg moeilijk om het te implementeren buiten de onderzoeksomgeving waarin het is gemaakt. Dat is een enorm probleem voor het verplaatsen van innovaties van het lab naar de industrie en de samenleving als geheel.

Ontsnappen aan de theoretische greep

De volgende kwestie is een minder existentiële kwestie: de embryonale aard van het veld. Er worden voortdurend artikelen gepubliceerd over het gebruik van AI in wetenschap en techniek, maar veel ervan zijn nog steeds extreem theoretisch en niet zo bezig met het vertalen van ontwikkelingen in het laboratorium naar praktische praktijkgevallen.

Dit is een onvermijdelijke en belangrijke fase voor de meeste nieuwe technologieën, maar het is illustratief voor de staat van AI in wetenschap en techniek. AI staat momenteel op het punt om enorme ontdekkingen te doen, maar de meeste onderzoekers beschouwen het nog steeds als een hulpmiddel voor gebruik in een laboratoriumcontext, in plaats van het genereren van transformatieve innovaties voor gebruik buiten de bureaus van onderzoekers.

Uiteindelijk is dit een voorbijgaande kwestie, maar een mentaliteitsverschuiving van de theoretische naar operationele en implementatieproblemen zal de sleutel zijn om het potentieel van AI in dit domein te realiseren en om grote uitdagingen zoals verklaarbaarheid en reproduceerbaarheid aan te pakken. Uiteindelijk belooft AI ons te helpen bij het maken van grote doorbraken in wetenschap en techniek als we de kwestie van schaalvergroting buiten het laboratorium serieus nemen.

Rick Hao is de leidende deep tech partner bij Speedinvest.

DataBeslissers

Welkom bij de VentureBeat-community!

DataDecisionMakers is waar experts, inclusief de technische mensen die datawerk doen, datagerelateerde inzichten en innovatie kunnen delen.

Als je wilt lezen over de allernieuwste ideeën en up-to-date informatie, best practices en de toekomst van data en datatechnologie, sluit je dan bij ons aan bij DataDecisionMakers.

Je zou zelfs kunnen overwegen om zelf een artikel bij te dragen!

Lees meer van DataDecisionMakers

Leave a Comment