آموزش و ارتباطات

مهم‌ترین چالش استفاده از هوش مصنوعی در تغییر روند پژوهش‌های علمی

مهم‌ترین چالش استفاده از هوش مصنوعی در تغییر روند پژوهش‌های علمی

مهم‌ترین چالش استفاده از هوش مصنوعی در تغییر روند پژوهش‌های علمی

تعریف هوش مصنوعی آن را به عنوان شاخه‌ای از علوم کامپیوتر مشخص می‌کند که با خودکارسازی رفتارهای هوشمندانه سروکار دارد. بخش سخت ماجرا این است: از آنجا که خود هوش را نمی‌توانیم به درستی تعریف کنیم، امکان تعریف دقیق هوش مصنوعی هم وجود ندارد.

مهم‌ترین چالش استفاده از هوش مصنوعی در تغییر روند پژوهش‌های علمی

به طور کلی اصطلاح هوش مصنوعی برای تشریح کردن سیستم‌هایی به کار می‌رود که هدف آن‌ها استفاده از ماشین‌ها برای تقلید و شبیه‌سازی هوش انسانی و رفتارهای مرتبط با آن است. این هدف گاه ممکن است با استفاده از الگوریتم‌های ساده و الگوهای از پیش تعیین شده محقق شود، ولی گاهی هم نیاز به الگوریتم‌ها فوق‌العاده پیچیده دارد.

معاون اینتل و مدیر عمومی معماری گروه محصولات هوش مصنوعی در جلسه‌ی پرسش‌وپاسخ اولین رویداد هوش مصنوعی DevCOn اینتل به پیوند علم و هوش مصنوعی و حرکت دانشمندان به سمت هوش مصنوعی صحبت کرد.

مهم‌ترین چالش استفاده از هوش مصنوعی در تغییر روند پژوهش‌های علمی

هوش مصنوعی چگونه می‌تواند علم را تغییر دهد؟

اکتشافات علمی در صد سال گذشته وارد یک مرحله‌ی گذار شده‌اند و این مرحله را می‌توان با گذار به سمت داده‌ها و سیستم‌های بزرگ داده‌ای در دهه‌ی ۵۰ و ۶۰ مقایسه کرد. حجم داده‌های جمع‌آوری‌شده در دهه‌ی ۶۰ میلادی به‌قدری زیاد بود که تنها افرادی می‌توانستند برنده‌ی رقابت باشند که توانایی تحلیل داده‌ها را در انواع زمینه‌های علمی مثل آب‌وهوا، لرزه‌شناسی، زیست‌شناسی، داروسازی و … داشته باشند.

امروزه حجم داده‌ها به‌قدری زیاد است که افراد به‌سختی می‌توانند در میان آن‌ها به جستجو یا طرح یک سؤال مشخص بپردازند. ترکیب این طوفان‌های داده‌ای با محاسبات مدرن و روش‌های یادگیری عمیق قابلیت‌های جدید و در بسیاری از اوقات دردسرسازی را به دنبال خواهد داشت.

یک مثال بزنید:

به‌عنوان یک نمونه از کاربرد یادگیری عمیق می‌توان به شناسایی الگوهای بسیار ضعیف در یک مجموعه‌ی داده‌ای بسیار شلوغ اشاره کرد که حتی فاقد مدل ریاضی دقیق برای جستجو است.

یک رویداد کیهانی را در نظر بگیرید که در یک کهکشان دوردست اتفاق می‌افتد و شما به‌ دنبال بعضی ویژگی‌های این پدیده هستید تا آن‌ها را از یک مجموعه‌ی داده‌ای بسیار بزرگ تفکیک کنید. این مثال یک نمونه از جستجو بدون معادله‌ی معلوم است، در این جستجو می‌توانید چند مثال ارائه کنید و در این مثال‌ها موارد جستجو را به سیستم یادگیری عمیق آموزش دهید و درنهایت به یک الگوی مشخص برسید.

مهم‌ترین چالش استفاده از هوش مصنوعی در تغییر روند پژوهش‌های علمی

بنابراین می‌دانید دنبال چه هستید؛ اما نمی‌دانید چگونه آن را پیدا کنید؟

شما نمی‌توانید معادله‌ی ریاضی دقیق یا پرس‌وجوهای توصیف‌کننده‌ی آن را تعریف کنید. آزمون‌وخطا در این حجم بزرگ داده‌ها ممکن نیست و روش‌های تحلیل قبلی کلان داده، برای جستجوی موفق یک الگو به‌اندازه‌ی کافی ویژگی تعریف‌شده ندارند.

می‌دانید دنبال چه هستید زیرا چند مثال از جستجوی خود را در داده‌ها پیدا کرده‌اید و به‌طورکلی می‌توانید آن را توصیف کنید. یادگیری عمیق می‌تواند به تشخیص پیشامدها در یک مجموعه داده‌ای چندبعدی و شلوغ کمک کند.

آیا روش‌ دیگری برای تغییر رویکرد علمی هوش مصنوعی وجود دارد؟

به‌عنوان یک مثال دیگر می‌توان به یک مدل ریاضی مثل یک مجموعه از معادله‌های دقیق اشاره کرد. در این نمونه می‌توان از هوش مصنوعی برای رسیدن به نتایج سازگار با ده‌ هزار برابر زمان و محاسبه‌ی کمتر دست پیدا کرد. یا یک ساختار مولکولی جدید را در نظر بگیرید که می‌خواهید به بررسی دارویی رفتار آن در محیط بپردازد. مدل‌های پیشگوییبسیاری خوبی در رابطه با رفتار این ساختار وجود دارند؛ اما مشکل اینجا است که این مدل‌ها نیاز به زمان و محاسبات بسیار زیادی دارند و ممکن است تنها آزمایش یک ترکیب به چند هفته زمان نیاز داشته باشد.

مهم‌ترین چالش استفاده از هوش مصنوعی در تغییر روند پژوهش‌های علمی

در چنین موردی می‌توان از سیستم یادگیری عمیق برای بررسی سیستمی دقیق از معادله‌ها استفاده کرد. نمونه‌ها به‌صورت تکراری وارد سیستم معادلات می‌شوند و چند روز بعد می‌توان نتایج را مشاهده کرد. شبکه‌ی یادگیری عمیق، روابط بین ورودی و خروجی را هم بدون اطلاع از خود معادلات فرامی‌گیرد. آن را پیمایش می‌کنند و پس از آموزش سیستم یادگیری عمیق با نمونه‌های کافی در چند نمونه نمایش داده می‌شود. توانایی بالایی هم برای پیش‌بینی نتیجه‌ی مدل دقیق دارد. این به معنی دستیابی به بازدهی و تبدیل زمان محاسبه از ساعت و روز به ثانیه است.

گاهی اوقات برای دستیابی به مدل نهایی دقیق باید محاسبات را به‌صورت کامل انجام داد. بااین‌حال، این نوع محاسبات برای یک زیرمجموعه‌ی کوچک از نمونه‌ها لازم است. این حقیقت که می‌توان با کسری از توان و زمان و با سرعتی بیشتر به نتیجه‌ای دقیق دست پیدا کرد امکان بررسی سریع‌تر فضای راه‌حل را فراهم می‌کند.

در چند سال گذشته، روش‌های جدید یادگیری ماشین به منظور یادگیری چگونگی یادگیری توسعه یافته‌اند. این فناوری‌ها طیف تقریبا نامحدودی از گزینه‌ها را ارائه می‌کنند برای مثال می‌توان به تمام جهش‌های احتمالی در DNA انسان و روش‌های فرایادگیری برای شناسایی مرتبط‌ترین گزینه‌ها اشاره کرد.

منبع: + +

  عضویت در کانال تلگرام چه‌جوری

نظری دهید