گادی سینگر از شرکت اینتل, می گوید مهم ترین چالش او استفاده از هوش مصنوعی برای تغییر روند پژوهش های علمی است در این مقاله نظرات او را درباره هوش مصنوعی و تغییراتی که باعث آن می شود بررسی شده است
گادی سینگر از شرکت اینتل، می گوید مهم ترین چالش او استفاده از هوش مصنوعی برای تغییر روند پژوهش های علمی است.
معاون اینتل و مدیر عمومی معماری گروه محصولات هوش مصنوعی در جلسه ی پرسش وپاسخ اولین رویداد هوش مصنوعی DevCOn اینتل به پیوند علم و هوش مصنوعی و حرکت دانشمندان به سمت هوش مصنوعی صحبت کرد.
هوش مصنوعی چگونه می تواند علم را تغییر دهد؟
اکتشافات علمی در صد سال گذشته وارد یک مرحله ی گذار شده اند و این مرحله را می توان با گذار به سمت داده ها و سیستم های بزرگ داده ای در دهه ی ۵۰ و ۶۰ مقایسه کرد. حجم داده های جمع آوری شده در دهه ی ۶۰ میلادی به قدری زیاد بود که تنها افرادی می توانستند برنده ی رقابت باشند که توانایی تحلیل داده ها را در انواع زمینه های علمی مثل آب وهوا، لرزه شناسی، زیست شناسی، داروسازی و … داشته باشند.
امروزه حجم داده ها به قدری زیاد است که افراد به سختی می توانند در میان آن ها به جستجو یا طرح یک سؤال مشخص بپردازند. ترکیب این طوفان های داده ای با محاسبات مدرن و روش های یادگیری عمیق قابلیت های جدید و در بسیاری از اوقات دردسرسازی را به دنبال خواهد داشت.
یک مثال بزنید:
به عنوان یک نمونه از کاربرد یادگیری عمیق می توان به شناسایی الگوهای بسیار ضعیف در یک مجموعه ی داده ای 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 می افتد و شما به دنبال بعضی ویژگی های این پدیده هستید تا آن ها را از یک مجموعه ی داده ای بسیار بزرگ تفکیک کنید. این مثال یک نمونه از جستجو بدون معادله ی معلوم است، در این جستجو می توانید چند مثال ارائه کنید و در این مثال ها موارد جستجو را به سیستم یادگیری عمیق آموزش دهید و درنهایت به یک الگوی مشخص برسید.
بنابراین می دانید دنبال چه هستید؛ اما نمی دانید چگونه آن را پیدا کنید؟
شما نمی توانید معادله ی ریاضی دقیق یا پرس وجوهای توصیف کننده ی آن را تعریف کنید. آزمون وخطا در این حجم بزرگ داده ها ممکن نیست و روش های تحلیل قبلی کلان داده، برای جستجوی موفق یک الگو به اندازه ی کافی ویژگی تعریف شده ندارند.
می دانید دنبال چه هستید زیرا چند مثال از جستجوی خود را در داده ها پیدا کرده اید و به طورکلی می توانید آن را توصیف کنید. یادگیری عمیق می تواند به تشخیص پیشامدها در یک مجموعه داده ای چندبعدی و شلوغ کمک کند.
آیا روش دیگری برای تغییر رویکرد علمی هوش مصنوعی وجود دارد؟
به عنوان یک مثال دیگر می توان به یک مدل ریاضی مثل یک مجموعه از معادله های دقیق اشاره کرد. در این نمونه می توان از هوش مصنوعی برای رسیدن به نتایج سازگار با ده هزار برابر زمان و محاسبه ی کمتر دست پیدا کرد. یا یک ساختار مولکولی جدید را در نظر بگیرید که می خواهید به بررسی دارویی رفتار آن در محیط بپردازد. مدل های پیشگویی بسیاری خوبی در رابطه با رفتار این ساختار وجود دارند؛ اما مشکل اینجا است که این مدل ها نیاز به زمان و محاسبات بسیار زیادی دارند و ممکن است تنها آزمایش یک ترکیب به چند هفته زمان نیاز داشته باشد.
در چنین موردی می توان از سیستم یادگیری عمیق برای بررسی سیستمی دقیق از معادله ها استفاده کرد. نمونه ها به صورت تکراری وارد سیستم معادلات می شوند و چند روز بعد می توان نتایج را مشاهده کرد. شبکه ی یادگیری عمیق، روابط بین ورودی و خروجی را هم بدون اطلاع از خود معادلات فرامی گیرد. آن را پیمایش می کنند و پس از آموزش سیستم یادگیری عمیق با نمونه های کافی در چند نمونه نمایش داده می شود. توانایی بالایی هم برای پیش بینی نتیجه ی مدل دقیق دارد. این به معنی دستیابی به بازدهی و تبدیل زمان محاسبه از ساعت و روز به ثانیه است.
هوش مصنوعی سرعت محاسبات را تا ۱۰ هزار برابر افزایش می دهد
گاهی اوقات برای دستیابی به مدل نهایی دقیق باید محاسبات را به صورت کامل انجام داد. بااین حال، این نوع محاسبات برای یک زیرمجموعه ی کوچک از نمونه ها لازم است. این حقیقت که می توان با کسری از توان و زمان و با سرعتی بیشتر به نتیجه ای دقیق دست پیدا کرد امکان بررسی سریع تر فضای راه حل را فراهم می کند.
در چند سال گذشته، روش های جدید یادگیری ماشین به منظور یادگیری چگونگی یادگیری توسعه یافته اند. این فناوری ها طیف تقریبا نامحدودی از گزینه ها را ارائه می کنند برای مثال می توان به تمام جهش های احتمالی در DNA انسان و روش های فرایادگیری برای شناسایی مرتبط ترین گزینه ها اشاره کرد.
بیشترین تأثیر هوش مصنوعی بر روش یا رویکرد علمی یک دانشمند چیست؟
دانشمندها باید با هوش مصنوعی شریک شوند. آن ها می توانند با مهارت در ابزارهای مختلف هوش مصنوعی مثل یادگیری عمیق در سطح وسیعی سود ببرند و به بررسی پدیده هایی بپردازند که کمتر مورد توجه قرار گرفته اند یا برای حل یک معادله در فضای بزرگ تر که مسلما به سرعت بیشتری نیاز دارد، می توانند از هوش مصنوعی استفاده کنند. به طورکلی دانشمندان می توانند از یادگیری ماشین برای بررسی احتمالات جدید استفاده کنند و به بهترین احتمال ها و راه حل های جدید دست یابند.
به گفته ی سینگر هوش مصنوعی امروزه هیجان انگیز ترین و چالش برانگیز ترین مسائل پیش روی صنعت و علم را حل می کند. هوش مصنوعی از هر حوزه ی دیگری سریع تر است. هدف سینگر بررسی تغییر و تحولاتی است که در تعامل بین انسان و ماشین شکل می گیرد. به عقیده ی او وقتی بحث شراکت علم و هوش مصنوعی یا وسایل نقلیه ی خودکار و دیگر حوزه ها مطرح می شود، نقش تفکر وسیع تر مهم تر از ارائه ی صرفا یک پردازنده ی سریع است. تعامل جدید بین انسان و هوش مصنوعی یک بخش جذاب دیگر از این فضا به شمار می رود.
