Intel's Gadi Singer gelooft dat zijn belangrijkste uitdaging zijn nieuwste is:het gebruik van kunstmatige intelligentie (AI) om wetenschappelijke verkenning opnieuw vorm te geven.

In een Q&A getimed met het eerste Intel AI DevCon-evenement, de vice-president van Intel en algemeen directeur architectuur van de Artificial Intelligence Products Group besprak zijn rol op het snijvlak van wetenschap - de meest veeleisende klant van computers - en AI, hoe wetenschappers AI moeten benaderen en waarom dit de meest dynamische en opwindende kans is die hij heeft gezien.

V. Hoe verandert AI de wetenschap?

Wetenschappelijk onderzoek maakt een transitie door die, in de afgelopen 100 jaar, kan alleen worden vergeleken met wat er gebeurde in de jaren '50 en '60, de overstap naar data en grote datasystemen. In de jaren '60, de hoeveelheid gegevens die werd verzameld was zo groot dat de koplopers niet degenen waren met de beste instrumenten, maar eerder degenen die in staat zijn de gegevens te analyseren die op elk wetenschappelijk gebied zijn verzameld, of het klimaat was, seismologie, biologie, geneesmiddelen, de verkenning van nieuwe medicijnen, enzovoort.

Vandaag, de gegevens zijn naar niveaus gegaan die het vermogen van mensen om bepaalde vragen te stellen of op zoek te gaan naar bepaalde inzichten ver te boven gaan. De combinatie van deze stortvloed aan gegevens met moderne computer- en deep learning-technieken levert nieuwe en vele malen meer disruptieve mogelijkheden op.

V. Wat is een voorbeeld?

Een van hen, die gebruikmaakt van de basiskracht van diep leren, is de identificatie van zeer zwakke patronen binnen een zeer luidruchtige dataset, en zelfs bij het ontbreken van een exact wiskundig model van wat u zoekt.

Denk aan kosmische gebeurtenissen die plaatsvinden in een ver sterrenstelsel, en je bent op zoek naar enkele kenmerken van de verschijnselen om ze op te sporen uit een zeer grote dataset. Dit is een voorbeeld van zoeken zonder bekende vergelijking, waar je voorbeelden kunt geven, en door hen, laat het deep learning-systeem leren waarnaar moet worden gezocht en uiteindelijk een bepaald patroon ontdekken.

V. Dus je weet wat je zoekt, maar weet je niet hoe je het moet vinden?

U kunt de exacte wiskundige vergelijking of de query's die deze beschrijven niet definiëren. De gegevens zijn te groot voor trial-and-error en eerdere big-data-analysetechnieken hebben niet genoeg gedefinieerde functies om met succes naar het patroon te zoeken.

Je weet wat je zoekt omdat je er verschillende voorbeelden van hebt getagd in je gegevens, en je kunt het in het algemeen beschrijven. Deep learning kan u helpen om voorvallen van een dergelijke klasse te herkennen in een luidruchtige multidimensionale dataset.

V. Zijn er andere manieren waarop AI de wetenschappelijke benadering kan veranderen?

Een ander voorbeeld is wanneer je een wiskundig model hebt, als een reeks nauwkeurige vergelijkingen. In dit geval kun je AI gebruiken om vergelijkbare resultaten te behalen in 10, 000 keer minder tijd en computergebruik.

Stel dat je een nieuwe moleculaire structuur hebt en je wilt weten hoe het zich zal gedragen in een bepaalde omgeving voor farma-exploratie. Er zijn zeer goede voorspellende modellen over hoe het zich zal gedragen. Het probleem is dat die modellen enorm veel rekenwerk en tijd vergen - het kan weken duren om slechts één combinatie te proberen.

Meer:Intel AI VP Gadi Singer op één nummer op de melodie van een ander (het volgende platform) | Intel AI DevCon (perskit) | Kunstmatige intelligentie bij Intel (perskit) | Meer Intel-uitleggers

In zo'n geval, je kunt een diepgaand leersysteem gebruiken om het nauwkeurige systeem van vergelijkingen te overschaduwen. Je voert iteratief voorbeeldgevallen aan dit systeem van vergelijkingen, en je krijgt de resultaten dagen later. Het deep learning netwerk leert de relatie tussen de input en de output, zonder de vergelijking zelf te kennen. Het volgt het gewoon. In meerdere gevallen is aangetoond dat nadat je het deep learning-systeem hebt getraind met voldoende voorbeelden, het toont een uitstekend vermogen om het resultaat te voorspellen dat door het exacte model zal worden gegeven. Dit vertaalt zich in een efficiëntie die uren of dagen in seconden kan veranderen.

Toegekend, soms is de volledige berekening vereist voor de ultieme modelnauwkeurigheid. Echter, dat zou alleen nodig zijn voor een kleine subset van gevallen. Het feit dat u zoveel sneller een nauwkeurig resultaat kunt genereren met een fractie van de kracht en de tijd, stelt u in staat om de potentiële oplossingsruimte veel sneller te verkennen.

In de laatste paar jaar, er zijn nieuwe methoden voor machinaal leren ontstaan ​​voor 'leren hoe te leren'. Deze technologieën pakken een bijna oneindig aantal opties aan - zoals alle mogelijke mutaties in het menselijk DNA - en gebruiken verkennings- en meta-leertechnieken om de meest relevante opties te identificeren om te evalueren.

V. Wat is de grote impact op de wetenschappelijke methode of alleen op de benadering die een wetenschapper zou volgen met AI?

Wetenschappers moeten samenwerken met AI. Ze kunnen enorm profiteren van het beheersen van de tools van AI, zoals deep learning en andere, om minder gedefinieerde fenomenen te onderzoeken, of wanneer ze orden van grootte snellere prestaties nodig hebben om een ​​grote ruimte aan te pakken. Wetenschappers kunnen samenwerken met machine learning om te verkennen en te onderzoeken welke nieuwe mogelijkheden de meeste kans hebben op doorbraken en nieuwe oplossingen.

V. Ik vermoed dat u met pensioen zou kunnen gaan als u dat zou willen. Wat houdt je nu op de been?

We zullen, Ik heb het erg naar m'n zin. AI bij Intel gaat tegenwoordig over het oplossen van de meest opwindende en meest uitdagende problemen waarmee de industrie en de wetenschap worden geconfronteerd. Dit is een gebied dat sneller gaat dan alles wat ik heb gezien in mijn 35 jaar bij Intel, verreweg.

Het andere aspect is dat ik het zie als een verandering die broeit in de interactie tussen mens en machine. Ik wil deel uitmaken van de inspanningen om deze nieuwe link te maken. Als ik het heb over de samenwerking tussen wetenschap en AI, of autonome voertuigen en andere gebieden, hier is een rol weggelegd voor een breder denken dan alleen hoe de snelste processor voor de taak te geven. Deze nieuw gesmede interactie tussen mensen en AI is een ander fascinerend onderdeel van deze ruimte.