Hvordan ændrer kunstig intelligens videnskaben?

Intels Gadi Singer mener, at hans vigtigste udfordring er hans seneste:Brug af kunstig intelligens (AI) til at omforme videnskabelig udforskning.

I et spørgsmål og svar med den første Intel AI DevCon -begivenhed, Intel -vicepræsidenten og arkitekturgeneralen for dets Artificial Intelligence Products Group diskuterede sin rolle i skæringspunktet mellem videnskab - computingens mest krævende kunde - og AI, hvordan videnskabsmænd bør gribe AI an, og hvorfor det er den mest dynamiske og spændende mulighed, han har stået overfor.

Sp. Hvordan ændrer AI videnskaben?

Videnskabelig udforskning gennemgår en overgang, der i de sidste 100 år, kan kun sammenlignes med det, der skete i 50'erne og 60'erne, overgang til data og store datasystemer. I 60'erne, mængden af ​​data, der blev indsamlet, var så stor, at frontløberne ikke var dem med de fineste instrumenter, men snarere dem, der er i stand til at analysere de data, der blev indsamlet inden for ethvert videnskabeligt område, om det var klima, seismologi, biologi, lægemidler, udforskning af ny medicin, og så videre.

I dag, dataene er gået til niveauer, der langt overstiger folks evne til at stille særlige forespørgsler eller lede efter særlig indsigt. Kombinationen af ​​denne dataflod med moderne computer- og deep learning-teknikker giver nye og mange gange mere forstyrrende muligheder.

Q. Hvad er et eksempel?

En af dem, som bruger den grundlæggende styrke ved dyb læring, er identifikationen af ​​meget svage mønstre inden for et meget støjende datasæt, og selv i mangel af en nøjagtig matematisk model af, hvad du leder efter.

Tænk på kosmiske begivenheder, der sker i en fjern galakse, og du leder efter nogle kendetegn ved fænomenerne for at spotte dem ud af et meget stort datasæt. Dette er et tilfælde af søgning uden en kendt ligning, hvor du kan give eksempler, og gennem dem, lad det dybe læringssystem lære, hvad det skal kigge efter og i sidste ende finde ud af et bestemt mønster.

Q. Så du ved, hvad du leder efter, men du ved ikke hvordan du finder det?

Du kan ikke definere den nøjagtige matematiske ligning eller de forespørgsler, der beskriver den. Dataene er for store til trial-and-error, og tidligere big-data-analyseteknikker har ikke nok definerede funktioner til at søge efter mønsteret.

Du ved, hvad du leder efter, fordi du har tagget flere eksempler på det i dine data, og du kan generelt beskrive det. Dyb læring kan hjælpe dig med at se hændelser fra en sådan klasse i et støjende multidimensionelt datasæt.

Q. Er der andre måder AI kan ændre den videnskabelige tilgang på?

Et andet eksempel er, når du har en matematisk model, som et sæt nøjagtige ligninger. I dette tilfælde kan du bruge AI til at opnå sammenlignelige resultater i 10, 000 gange mindre tid og computing.

Lad os sige, at du har en ny molekylær struktur, og du vil vide, hvordan den vil opføre sig i et eller andet miljø for farmaudforskning. Der er meget gode forudsigelsesmodeller om, hvordan den vil opføre sig. Problemet er, at disse modeller tager en enorm mængde beregning og tid - det kan tage dig uger at prøve bare en kombination.

Mere:Intel AI VP Gadi Singer på One Song to the Tune of Another (The Next Platform) | Intel AI DevCon (pressesæt) | Kunstig intelligens hos Intel (Press Kit) | Flere Intel Explainers

I et sådant tilfælde, du kan bruge et dybt læringssystem til at skygge for det nøjagtige ligningssystem. Du føder iterativt prøvesager til dette ligningssystem, og du får resultaterne dage senere. Det dybe læringsnetværk lærer forholdet mellem input og output, uden at kende selve ligningen. Det sporer det bare. Det blev påvist i flere tilfælde, efter at du træner det dybe læringssystem med nok eksempler, det viser fremragende evne til at forudsige det resultat, der vil blive givet af den nøjagtige model. Dette betyder en effektivitet, der kan omdanne timer eller dage til en anden.

Indrømmet, nogle gange er den fulde beregning påkrævet for ultimativ modelnøjagtighed. Imidlertid, det ville kun være nødvendigt for en lille delmængde af sager. Det faktum, at du kan generere et præcist resultat så meget hurtigere med en brøkdel af strømmen og tiden giver dig mulighed for at udforske det potentielle løsningsrum meget hurtigere.

I de sidste par år, nye maskinlæringsmetoder er dukket op til "at lære at lære." Disse teknologier tackler et næsten uendeligt område af muligheder - ligesom alle mulige mutationer i menneskets DNA - og bruger udforsknings- og meta-læringsteknikker til at identificere de mest relevante muligheder for at evaluere.

Sp. Hvad er den store indvirkning på den videnskabelige metode eller bare den tilgang, som en videnskabsmand ville følge med AI?

Forskere skal samarbejde med AI. De kan have stor gavn af at mestre værktøjerne i AI, såsom deep learning og andre, for at udforske fænomener, der er mindre definerede, eller når de har brug for hurtigere ydeevne i størrelsesordener for at adressere et stort rum. Forskere kan samarbejde med maskinlæring for at udforske og undersøge, hvilke nye muligheder der har størst sandsynlighed for gennembrud og nye løsninger.

Q. Jeg gætter på, at du kunne gå på pension, hvis du ville. Hvad holder dig i gang nu?

Godt, Jeg har det fantastisk. AI hos Intel handler i dag om at løse de mest spændende og mest udfordrende problemer, som industrien og videnskaben står over for. Dette er et område, der bevæger sig hurtigere end noget, jeg har set i mine 35 år hos Intel, langtfra.

Det andet aspekt er, at jeg ser på det som en forandring, der er under opsejling i samspillet mellem mennesker og maskiner. Jeg vil være en del af bestræbelserne på at oprette dette nye link. Når jeg taler om partnerskab mellem videnskab og kunstig intelligens, eller autonome køretøjer og andre områder der er en rolle her for en bredere tænkning end blot, hvordan man giver den hurtigste processor til opgaven. Denne nyforfalskede interaktion mellem mennesker og AI er en anden fascinerende del af dette rum.