"Kunnen machines denken?", vroeg de beroemde wiskundige, codekraker en computerwetenschapper Alan Turing bijna 70 jaar geleden. Vandaag, sommige experts twijfelen er niet aan dat kunstmatige intelligentie (AI) binnenkort in staat zal zijn om het soort algemene intelligentie te ontwikkelen dat mensen hebben. Maar anderen beweren dat machines nooit zullen meten. Hoewel AI bij bepaalde taken al beter kan presteren dan mensen - net als rekenmachines - kunnen ze menselijke creativiteit niet worden aangeleerd.

Ten slotte, onze vindingrijkheid, die soms wordt gedreven door passie en intuïtie in plaats van logica en bewijs, heeft ons in staat gesteld om spectaculaire ontdekkingen te doen, variërend van vaccins tot fundamentele deeltjes. Een AI zal toch nooit kunnen concurreren? We zullen, het blijkt dat ze misschien. Een artikel dat onlangs in Nature is gepubliceerd, meldt dat een AI er nu in is geslaagd toekomstige wetenschappelijke ontdekkingen te voorspellen door eenvoudigweg zinvolle gegevens uit onderzoekspublicaties te extraheren.

Taal heeft een diepe verbinding met denken, en het heeft menselijke samenlevingen gevormd, relaties en, uiteindelijk, intelligentie. Daarom, het is niet verwonderlijk dat de heilige graal van AI-onderzoek het volledige begrip van menselijke taal in al zijn nuances is. Natuurlijke taalverwerking (NLP), dat deel uitmaakt van een veel grotere paraplu genaamd machine learning, wil beoordelen, extraheren en evalueren van informatie uit tekstuele gegevens.

Kinderen leren door met vallen en opstaan ​​te communiceren met de omringende wereld. Leren fietsen gaat vaak gepaard met een paar stoten en vallen. Met andere woorden, we maken fouten en we leren ervan. Dit is precies de manier waarop machine learning werkt, soms met wat extra "educatieve" input (supervised machine learning).

Bijvoorbeeld, een AI kan objecten in afbeeldingen leren herkennen door een afbeelding van een object op te bouwen uit vele individuele voorbeelden. Hier, een mens moet hem afbeeldingen laten zien die het object bevatten of niet. De computer maakt dan een inschatting of dit het geval is, en past zijn statistisch model aan volgens de nauwkeurigheid van de gok, zoals beoordeeld door de mens. We kunnen het computerprogramma echter ook overlaten om al het relevante leren zelf te doen (unsupervised machine learning). Hier, AI begint automatisch patronen in data te detecteren. In elk geval, een computerprogramma moet een oplossing vinden door te evalueren hoe fout het is, en probeer het vervolgens aan te passen om dergelijke fouten te minimaliseren.

Stel dat we enkele eigenschappen van een specifiek materiaal willen begrijpen. De voor de hand liggende stap is het zoeken naar informatie uit boeken, webpagina's en andere geschikte bronnen. Echter, dit kost veel tijd, aangezien het urenlang zoeken op het web kan vergen, het lezen van artikelen en gespecialiseerde literatuur. NLP kan, echter, Help ons. Via uitgekiende methoden en technieken, computerprogramma's kunnen concepten identificeren, onderlinge relaties, algemene onderwerpen en specifieke eigenschappen uit grote tekstuele datasets.

In de nieuwe studie een AI heeft geleerd om informatie uit wetenschappelijke literatuur te halen via unsupervised learning. Dit heeft opmerkelijke implicaties. Tot dusver, de meeste bestaande geautomatiseerde op NLP gebaseerde methoden worden gecontroleerd, input van mensen nodig. Ondanks dat het een verbetering is in vergelijking met een puur handmatige aanpak, dit is nog steeds een arbeidsintensieve klus.

Echter, in de nieuwe studie, de onderzoekers creëerden een systeem dat onafhankelijk informatie nauwkeurig kon identificeren en extraheren. Het gebruikte geavanceerde technieken op basis van statistische en geometrische eigenschappen van gegevens om chemische namen te identificeren, concepten en structuren. Dit was gebaseerd op ongeveer 1,5 miljoen samenvattingen van wetenschappelijke artikelen over materiaalwetenschap.

Een machine learning-programma classificeerde vervolgens woorden in de gegevens op basis van specifieke kenmerken zoals "elementen", "energetica" en "bindmiddelen". Bijvoorbeeld, "warmte" werd geclassificeerd als onderdeel van "energetica", en "gas" als "elementen". Dit hielp bepaalde verbindingen te verbinden met soorten magnetisme en gelijkenis met andere materialen, onder andere, het geven van inzicht in hoe de woorden waren verbonden zonder dat menselijke tussenkomst nodig was.

Wetenschappelijke ontdekkingen

Deze methode kan complexe relaties vastleggen en verschillende informatielagen identificeren, die door mensen vrijwel onmogelijk zou zijn uit te voeren. Het leverde ruim van tevoren inzichten op in vergelijking met wat wetenschappers nu kunnen voorspellen. In feite, de AI zou materialen voor functionele toepassingen enkele jaren vóór hun daadwerkelijke ontdekking kunnen aanbevelen. Er waren vijf van dergelijke voorspellingen, allemaal gebaseerd op artikelen die vóór het jaar 2009 zijn gepubliceerd. de AI is erin geslaagd een stof te identificeren die bekend staat als CsAgGa2Se4as als een thermo-elektrisch materiaal, die wetenschappers pas in 2012 ontdekten. Dus als de AI in 2009 had bestaan, het had de ontdekking kunnen versnellen.

Het maakte de voorspelling door de verbinding te verbinden met woorden zoals "chalcogenide" (materiaal dat "chalcogeenelementen" bevat zoals zwavel of selenium), "opto-elektronisch" (elektronische apparaten die bron, licht detecteren en regelen) en "fotovoltaïsche toepassingen". Veel thermo-elektrische materialen delen dergelijke eigenschappen, en de AI was er snel bij om dat te laten zien.

Dit suggereert dat latente kennis over toekomstige ontdekkingen voor een groot deel is ingebed in eerdere publicaties. AI-systemen worden steeds onafhankelijker. En er is niets te vrezen. Ze kunnen ons enorm helpen navigeren door de enorme hoeveelheid data en informatie, die voortdurend wordt gecreëerd door menselijke activiteiten. Ondanks zorgen met betrekking tot privacy en veiligheid, AI verandert onze samenlevingen. Ik geloof dat het ons ertoe zal brengen betere beslissingen te nemen, ons dagelijks leven verbeteren en ons uiteindelijk slimmer maken.

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.