agosto 16, 2022

Retos a los que se enfrenta la IA en la ciencia y la ingeniería

Únase a los ejecutivos del 26 al 28 de julio para Transform AI & Edge Week. Escuche a los principales líderes hablar sobre temas relacionados con la tecnología AL/ML, IA conversacional, IVA, NLP, Edge y más. ¡Reserva tu pase gratis ahora!


Una posibilidad emocionante que ofrece la inteligencia artificial (IA) es su potencial para resolver algunos de los problemas más difíciles e importantes que enfrentan los campos de la ciencia y la ingeniería. La inteligencia artificial y la ciencia se complementan muy bien, la primera busca patrones en los datos y la segunda se dedica a descubrir los principios fundamentales que dan lugar a esos modelos.

Como resultado, la inteligencia artificial y la ciencia son capaces de desencadenar masivamente la productividad de la investigación científica y el ritmo de la innovación en ingeniería. Por ejemplo:

  • Biología: Los modelos de IA como AlphaFold de DeepMind ofrecen la oportunidad de descubrir y catalogar la estructura de las proteínas, lo que permite a los profesionales desbloquear innumerables fármacos y medicamentos nuevos.
  • Física: Los modelos de inteligencia artificial están emergiendo como los mejores candidatos para manejar desafíos cruciales en la realización de la fusión nuclear, como predicciones en tiempo real de futuros estados de plasma durante experimentos y calibración mejorada de equipos.
  • MedicinalLos modelos de IA también son excelentes herramientas para diagnóstico e imágenes médicas, con el potencial de diagnosticar condiciones como la demencia o el Alzheimer mucho antes que cualquier otro método conocido.
  • Ciencia de los MaterialesLos modelos de IA son muy efectivos para predecir las propiedades de nuevos materiales, descubrir nuevas formas de sintetizar materiales y modelar cómo se comportan los materiales en condiciones extremas.

Estos grandes y profundos avances tecnológicos tienen el potencial de cambiar el mundo. Sin embargo, para lograr estos objetivos, los científicos de datos y los ingenieros de aprendizaje automático enfrentan algunos desafíos importantes para garantizar que sus modelos e infraestructura logren el cambio que desean ver.

explicabilidad

Una parte fundamental del método científico es saber interpretar tanto el funcionamiento como el resultado de un experimento y explicarlo. Esto es esencial para permitir que otros equipos repitan el experimento y verifiquen los resultados. También permite que los no expertos y el público comprendan la naturaleza y el potencial de los resultados. Si un experimento no se puede interpretar o explicar fácilmente, es probable que haya un gran problema para seguir probando un descubrimiento y también para popularizarlo y comercializarlo.

Cuando se trata de modelos de inteligencia artificial basados ​​en redes neuronales, también debemos tratar las inferencias como experimentos. Incluso si un modelo está técnicamente generando inferencias basadas en los modelos que ha observado, a menudo se puede esperar un grado de aleatoriedad y variación en el resultado en cuestión. Esto significa que comprender las inferencias de un modelo requiere la capacidad de comprender los pasos intermedios y la lógica de un modelo.

Este es un problema al que se enfrentan muchos modelos de IA que explotan las redes neuronales, ya que muchos actúan actualmente como «cajas negras»: los pasos entre la entrada y la salida de un dato no están etiquetados y no hay capacidad para explicar «por qué» gravitan. hacia una inferencia particular. Como puede imaginar, esto es un gran problema cuando se trata de hacer que las inferencias de un modelo de IA sean explicables.

De hecho, esto corre el riesgo de limitar la capacidad de comprender lo que hace un modelo para los científicos de datos que desarrollan modelos y los ingenieros de desarrollo que son responsables de implementarlos en su infraestructura informática y de almacenamiento. Esto, a su vez, crea una barrera para que la comunidad científica pueda verificar y revisar un resultado.

Pero también es un problema cuando se trata de intentos de desarrollar, comercializar o aplicar los frutos de la investigación fuera del laboratorio. A los investigadores que quieran involucrar a los reguladores o clientes les resultará difícil obtener un consenso para su idea si no pueden explicar claramente por qué y cómo pueden justificar su descubrimiento en un lenguaje sencillo. Y luego está la cuestión de garantizar que una innovación sea segura para el público, especialmente cuando se trata de innovaciones biológicas o médicas.

reproducibilidad

Otro principio fundamental en el método científico es la capacidad de reproducir los resultados de un experimento. La capacidad de reproducir un experimento permite a los científicos verificar que un resultado no es una falsificación o una casualidad y que la supuesta explicación de un fenómeno es precisa. Esto proporciona una forma de «verificar dos veces» los resultados de un experimento, asegurando que la comunidad académica más amplia y el público puedan tener confianza en la precisión de un experimento.

Sin embargo, la IA tiene un gran problema en este sentido. Pequeños cambios en el código y la estructura de un modelo, ligeras variaciones en los datos de entrenamiento de los que se alimenta o diferencias en la infraestructura en la que se implementa pueden dar como resultado la producción de modelos significativamente diferentes. Esto puede dificultar la confianza en los resultados de un modelo.

Pero el problema de la reproducibilidad también puede hacer que escalar un modelo sea extremadamente difícil. Si un modelo no es flexible en su código, infraestructura o entrada, es muy difícil implementarlo fuera del entorno de investigación en el que fue creado. Este es un gran problema para trasladar las innovaciones del laboratorio a la industria y la sociedad en general.

Escapando del alcance teórico

El siguiente problema es menos existencial: la naturaleza embrionaria del campo. Continuamente se publican artículos sobre el uso de la IA en la ciencia y la ingeniería, pero muchos de ellos siguen siendo extremadamente teóricos y no están demasiado interesados ​​en traducir los desarrollos en el laboratorio en casos prácticos de uso en el mundo real.

Esta es una etapa inevitable e importante para la mayoría de las nuevas tecnologías, pero es indicativa del estado de la IA en la ciencia y la ingeniería. Actualmente, la inteligencia artificial está a punto de hacer descubrimientos extraordinarios, pero la mayoría de los investigadores todavía la tratan como una herramienta para usar solo en un entorno de laboratorio, en lugar de generar innovaciones transformadoras para usar más allá de los escritorios de los investigadores.

En última instancia, este es un problema pasajero, pero un cambio de mentalidad de las preocupaciones teóricas a las operativas y de implementación será clave para aprovechar el potencial de la IA en este dominio y abordar los principales desafíos, como la explicabilidad y la reproducibilidad. En última instancia, la IA promete ayudarnos a lograr grandes avances en ciencia e ingeniería si nos tomamos en serio la cuestión de llevarla más allá del laboratorio.

Rick Hao es el principal socio tecnológico de Speedinvest.

Tomadores de decisiones de datos

¡Bienvenido a la comunidad VentureBeat!

DataDecisionMakers es el lugar donde los expertos, incluidos los ingenieros de datos, pueden compartir ideas e innovaciones relacionadas con los datos.

Si desea leer ideas de vanguardia e información actualizada, las mejores prácticas y el futuro de los datos y la tecnología de datos, únase a nosotros en DataDecisionMakers.

¡Incluso podría considerar contribuir con su propio artículo!

Leer más de DataDecisionMakers

Deja una respuesta

Tu dirección de correo electrónico no será publicada.