Ένα νέο έτος σημαίνει νέα εστίαση στις επενδύσεις πληροφορικής. Ο τεχνολογικός αναλυτής Gartner προβλέπει ότι οι παγκόσμιες δαπάνες πληροφορικής θα φτάσουν τα 5,74 τρισεκατομμύρια δολάρια το 2025, αυξημένες κατά 9,3% από το 2024. Ο αναλυτής λέει ότι η έρευνα για τη γενετική τεχνητή νοημοσύνη (Gen AI) θα βοηθήσει στην προώθηση αυτής της ανάπτυξης.
Πώς να χρησιμοποιήσετε το ChatGPT για να γράψετε: Περίληψη | Τύποι Excel | Δοκίμιο | Συνοδευτικές επιστολές
Οι περισσότεροι από εμάς έχουμε ήδη κατακτήσει το Gen AI. Είτε πρόκειται για τελειοποίηση κειμένου, δημιουργία φωτογραφιών ή δημιουργία κώδικα, οι δυνατότητες αυτής της τεχνολογίας μπορεί να φαίνονται μαγικές.
Πρέπει να αποδείξετε την υπόθεσή σας
Αλλά ο James Fleming, CIO του Ινστιτούτου Francis Crick, είναι ένας ψηφιακός ηγέτης που δεν αφήνει τον οργανισμό του να παρασυρθεί από τη διαφημιστική εκστρατεία.
Είπε στο ZDNET ότι η χρήση νέων τεχνολογιών για την επίτευξη πρωτοποριακών επιστημονικών ανακαλύψεων δεν είναι εύκολη. Αυτό το πρόβλημα σημαίνει ότι η έλευση της γενιάς της τεχνητής νοημοσύνης δεν οδήγησε σε σημαντική αλλαγή στον τρόπο με τον οποίο γίνονται τα πράγματα στον παγκόσμιο κορυφαίο ερευνητικό οργανισμό της.
Επίσης: Ο μετασχηματισμός της τεχνητής νοημοσύνης σας εξαρτάται από αυτές τις 5 επιχειρηματικές τακτικές
«Η επιστημονική τεχνητή νοημοσύνη, σε αντίθεση με τη δημιουργία δημοσίως διαθέσιμων μεγάλων γλωσσικών μοντέλων, είναι ένας εντελώς διαφορετικός κλάδος. Εργάζεστε σε έναν εξαιρετικά περιορισμένο επιστημονικό κόσμο όπου πρέπει να αποδείξετε την υπόθεσή σας», είπε.
«Δεν αρκεί να πούμε ότι έχετε προτείνει ένα μοντέλο που είναι σχεδόν σωστό. Στις περισσότερες περιπτώσεις θα πρέπει να είναι απολύτως σωστό υπό ορισμένες προϋποθέσεις. Και πρέπει να δείξετε ότι βασίζετε τη δουλειά σας στη θεμελιώδη κατανόηση».
Ο Φλέμινγκ αποκάλεσε τη χρήση της τεχνητής νοημοσύνης στην επιστήμη «δίκοπο μαχαίρι». Ενώ οι νέες τεχνολογίες μπορούν να βοηθήσουν στην επιτάχυνση της ερευνητικής διαδικασίας, οποιαδήποτε νέα ευρήματα πρέπει να συντάσσονται και να παρουσιάζονται με υψηλό βαθμό εμπιστοσύνης.
“Η αποδεικτικότητα είναι κρίσιμη, ειδικά αν σκέφτεστε κάτι που θα μπορούσε να οδηγήσει σε πραγματικό αντίκτυπο στην κλινική ή ως ιατρική συσκευή”, είπε ο Fleming.
«Εάν φέρετε μια καινοτομία σε έναν κλινικό ιατρό και πείτε, «νομίζω ότι αυτό το εργαλείο μπορεί να προβλέψει τον καρκίνο», για παράδειγμα, θα πουν, «Μπορεί; Δείξε μου γιατί».
Επίσης: 5 τρόποι με τους οποίους η τεχνητή νοημοσύνη αλλάζει το μπέιζμπολ—και τα μεγάλα δεδομένα στη μάχη
Ωστόσο, ενώ η επεξήγηση είναι κρίσιμη για την επιστημονική έρευνα, η εστίασή της έρχεται σε αντίθεση με το μαύρο κουτί και τις παραισθησιακές μεθόδους πολλών δημοφιλών μοντέλων τεχνητής νοημοσύνης.
Χρησιμοποιήστε μια επαναληπτική προσέγγιση
Έτσι, για να απομυθοποιήσει τις νέες τεχνολογικές διαδικασίες, ο Fleming είπε ότι ο Crick ακολουθεί μια επαναληπτική προσέγγιση για να βοηθήσει τους ερευνητές του να χρησιμοποιούν με αυτοπεποίθηση μοντέλα AI.
«Πρέπει να δουλέψεις αργά και σταδιακά προς τον στόχο», είπε. «Ακολουθούμε μια πολύ πιο στοχευμένη προσέγγιση που χτίζει την προέλευση και την εμπιστοσύνη από την πρώτη μέρα».
Η σταδιακή προσέγγιση του Crick βοηθά τους ερευνητές να αναπτύξουν μοντέλα AI με δύο τρόπους.
Πρώτον, βελτίωση των υφιστάμενων επιστημονικών μεθοδολογιών. Ο Φλέμινγκ είπε ότι το ινστιτούτο ξεκίνησε τις εργασίες του εδώ πριν από πέντε χρόνια με μικροσκοπία.
Επίσης: Η ενοποίηση της τεχνητής νοημοσύνης ξεκινά με μια ισχυρή βάση δεδομένων. Ακολουθούν 3 στρατηγικές που χρησιμοποιούν οι ηγέτες
Η μικροσκοπική μηχανή του Crick αναλύει τα κρυογονικά ηλεκτρόνια και δημιουργεί απίστευτα πυκνές και όμορφες εικόνες ιστών, κυττάρων και μεμονωμένων μορίων.
Ωστόσο, η δημιουργία μιας όμορφης εικόνας είναι μόνο το σημείο εκκίνησης. Η εικόνα πρέπει να μετατραπεί σε δεδομένα, όπως λεπτομέρειες που μπορούν να βοηθήσουν στην εμφάνιση των διαφορών μεταξύ ενός καρκινικού κυττάρου και ενός καρκινικού κυττάρου.
Η ομάδα του Φλέμινγκ έχει εργαστεί επανειλημμένα για να αποδείξει ότι τα σωστά μοντέλα μπορούν να παράγουν καινοτόμα ερευνητικά αποτελέσματα πιο γρήγορα.
«Τα μοντέλα τεχνητής νοημοσύνης μπορούν να κάνουν πολλά για εσάς, όπως η ανάλυση και η εξαγωγή χαρακτηριστικών και η μετατροπή μιας εικόνας σε δεδομένα με τα οποία μπορείτε να εργαστείτε για να αποκτήσετε γνώσεις», είπε.
Επίσης: Πώς η επιχείρησή σας μπορεί να χρησιμοποιήσει καλύτερα την τεχνητή νοημοσύνη: Πείτε στην επιτροπή σας αυτά τα 4 πράγματα.
Ο δεύτερος τομέας στον οποίο ο Crick χρησιμοποιεί την τεχνητή νοημοσύνη είναι στο πλαίσιο της ανακάλυψης, αλλά είναι αυστηρά περιορισμένος.
Ο Φλέμινγκ έδωσε ένα παράδειγμα εργασίας ενός εργαστηρίου για τη νόσο του Πάρκινσον. Η ερευνητική ομάδα δημιούργησε έναν ταξινομητή που θα μπορούσε να προσδιορίσει ποιοι ασθενείς είχαν τη νόσο στον πληθυσμό των βλαστοκυττάρων. Ωστόσο, οι ερευνητές δεν μπορούσαν να εξηγήσουν γιατί, έτσι άρχισαν να εργάζονται αντίστροφα, επαναληπτικά.
«Μετά την εκπαίδευση του μοντέλου, υπήρξε μια διαδικασία ανάκρισης αυτού του μοντέλου μέσω διαφόρων στατιστικών μεθόδων για να πούμε, «Στην πραγματικότητα, το κυρίαρχο πράγμα είναι η ελλειπτικότητα των κυττάρων. Είναι πιο οβάλ. Και υπήρχε επίσης ένα σωρό άλλα χαρακτηριστικά που το μοντέλο εξήγαγε στη συνέχεια.»
Είπε ότι αυτά τα αποτελέσματα μεμονωμένα δεν είναι η απάντηση, αλλά προκαλούν την επόμενη γραμμή έρευνας: «Εντάξει, η μορφολογία των κυττάρων είναι διαφορετική. Γιατί; Ποιος είναι ο επόμενος κύκλος πειραμάτων μας;» Και εκεί μπαίνει το επαναλαμβανόμενο κομμάτι».
Επίσης: 4 τρόποι για να μετατρέψετε τα Generative AI πειράματα σε πραγματική επιχειρηματική αξία
Δοκιμή και τελειοποίηση
Ο Fleming είπε ότι η αυστηρή διαδικασία του Crick να δοκιμάζει σταδιακά και να βελτιώνει τις τεχνολογίες τεχνητής νοημοσύνης οδηγεί τώρα σε μια πιο εξελιγμένη προσέγγιση στην οποία πολλαπλές AI συγκεντρώνονται για να επιδιώξουν ισχυρά ερευνητικά προγράμματα.
Το μεγαλύτερο έργο διευθύνεται από τη Samra Turaljic, της οποίας το Cancer Dynamics Laboratory μελετά πώς αναπτύσσεται ο καρκίνος του νεφρού.
Η ομάδα χρησιμοποιεί τεχνητή νοημοσύνη για να προβλέψει τη γονιδιωματική εξέλιξη ενός όγκου με βάση τις εικόνες παθολογίας. Ο Φλέμινγκ είπε ότι η προσπάθεια περιελάμβανε εκπαίδευση πολλαπλών μοντέλων τεχνητής νοημοσύνης και πολλαπλής εκπαίδευσης χρησιμοποιώντας βάσεις δεδομένων γονιδιώματος που καλύπτουν 10 χρόνια έρευνας.
«Αυτό που καταλήγεις να κάνεις είναι να δημιουργείς κάτι που μπορεί να προβλέψει κλινικά την εξέλιξη του νεφρού», είπε.
«Αλλά σε κάθε μία από αυτές τις διαδικασίες, ταυτόχρονα χτίζετε προσεκτικά ένα υποσυστατικό στο σημείο που μπορείτε να το εμπιστευτείτε, ενώ παράλληλα εργάζεστε μέσα από επίπεδα και στρώματα δεδομένων και πλησιάζετε όλο και πιο κοντά στον πραγματικό πληθυσμό του κόσμου. κλίμακα όσο προχωράς».
Επίσης: Το μέλλον των υπολογιστών πρέπει να είναι πιο βιώσιμο, ακόμη και όταν η ζήτηση για τεχνητή νοημοσύνη οδηγεί στην κατανάλωση ενέργειας.
Ο Fleming είπε ότι αυτή η εξαιρετικά λεπτομερής προσέγγιση είναι σημαντική επειδή τα αποτελέσματα μπορούν να επηρεαστούν από βιολογικές παραλλαγές και παραλλαγές απόκτησης, όπως διαφορετικές εντάσεις λεκέδων σε ένα παθολογικό δείγμα.
Αυτή η διαδικασία βήμα προς βήμα αποδεικνύει ότι το κλειδί για την επίτευξη ταχύτερων αποτελεσμάτων από την τεχνητή νοημοσύνη μακροπρόθεσμα είναι να εργάζεστε αργά και μεθοδικά βραχυπρόθεσμα.
Αυτή είναι μια προοπτική από την οποία όλοι μπορούμε να μάθουμε στην εποχή της τεχνητής νοημοσύνης, όταν η υπερβολή των πωλητών προτείνει εξαιρετικές λύσεις σε δυσεπίλυτα προβλήματα που απέχουν μόλις ένα κλικ.
«Ξεκινάμε με ένα μικρό σύνολο δεδομένων, το καταλαβαίνουμε, το κάνουμε προβλέψιμο και λειτουργεί, και στη συνέχεια λαμβάνουμε περισσότερα δεδομένα», είπε ο Φλέμινγκ.
«Στη συνέχεια, καθώς προσθέτουμε περισσότερα δεδομένα, βελτιώνουμε ξανά το μοντέλο. Αυτή η επαναληπτική διαδικασία είναι κρίσιμη γιατί αν δεν το κάνετε, δεν θα έχετε τη διορατικότητα και την προέλευση».
