گادی سینگر از شرکت اینتل، می‌گوید مهم‌ترین چالش او استفاده از هوش مصنوعی برای تغییر روند پژوهش‌های علمی است.
معاون اینتل و مدیر عمومی معماری گروه محصولات هوش مصنوعی در جلسه‌ی پرسش‌وپاسخ اولین رویداد هوش مصنوعی DevCOn اینتل به پیوند علم و هوش مصنوعی و حرکت دانشمندان به سمت هوش مصنوعی صحبت کرد.
سؤال: هوش مصنوعی چگونه می‌تواند علم را تغییر دهد؟
اکتشافات علمی در صد سال گذشته وارد یک مرحله‌ی گذار شده‌اند، این مرحله را می‌توان با گذار به سمت داده‌ها و سیستم‌های بزرگ داده‌ای در دهه‌ی ۵۰ و ۶۰ مقایسه کرد. حجم داده‌های جمع‌آوری‌شده در دهه‌ی ۶۰ میلادی به‌قدری زیاد بود که تنها افرادی می‌توانستند برنده‌ی رقابت باشند که توانایی تحلیل داده‌ها را در انواع زمینه‌های علمی مثل آب‌وهوا، لرزه‌شناسی، زیست‌شناسی، داروسازی و ... داشته باشند.
امروزه حجم داده‌ها به‌قدری زیاد است که افراد به‌سختی می‌توانند در میان آن‌ها به جست‌وجو یا طرح یک سؤال مشخص بپردازند. ترکیب این طوفان‌های داده‌ای با محاسبات مدرن و روش‌های یادگیری عمیق قابلیت‌های جدید و در بسیاری از اوقات دردسرسازی را به دنبال خواهد داشت.
سؤال: یک مثال بزنید:
به‌عنوان یک نمونه از کاربرد یادگیری عمیق می‌توان به شناسایی الگوهای بسیار ضعیف در یک مجموعه‌ی داده‌ای بسیار شلوغ اشاره کرد که حتی فاقد مدل ریاضی دقیق برای جست‌وجو است.گادی سینگر
یک رویداد کیهانی را در نظر بگیرید که در یک کهکشان دوردست اتفاق می‌افتد و شما به‌دنبال بعضی ویژگی‌های این پدیده هستید تا آن‌ها را از یک مجموعه‌ی داده‌ای بسیار بزرگ تفکیک کنید. این مثال یک نمونه از جست‌وجو بدون معادله‌ی معلوم است، در این جست‌وجو می‌توانید چند مثال ارائه کنید و در این مثال‌ها موارد جست‌وجو را به سیستم یادگیری عمیق آموزش دهید و درنهایت به یک الگوی مشخص برسید.
سؤال: بنابراین می‌دانید دنبال چه هستید؛ اما نمی‌دانید چگونه آن را پیدا کنید؟
شما نمی‌توانید معادله‌ی ریاضی دقیق یا پرس‌وجوهای توصیف‌کننده‌ی آن را تعریف کنید. آزمون‌وخطا در این حجم بزرگ داده‌ها ممکن نیست و روش‌های تحلیل قبلی کلان داده، برای جست‌وجوی موفق یک الگو به‌اندازه‌ی کافی ویژگی تعریف‌شده ندارند.
می‌دانید دنبال چه هستید زیرا چند مثال از جست‌وجوی خود را در داده‌ها پیدا کرده‌اید و به‌طورکلی می‌توانید آن را توصیف کنید. یادگیری عمیق می‌تواند به تشخیص پیشامدها در یک مجموعه داده‌ای چندبعدی و شلوغ کمک کند.
سؤال: آیا روش‌های دیگری برای تغییر رویکرد علمی هوش مصنوعی وجود دارد؟
به‌عنوان یک مثال دیگر می‌توان به یک مدل ریاضی مثل یک مجموعه از معادله‌های دقیق اشاره کرد. در این نمونه می‌توان از هوش مصنوعی برای رسیدن به نتایج سازگار با ده‌هزاربرابر زمان و محاسبه‌ی کمتر دست پیدا کرد. یا یک ساختار مولکولی جدید را در نظر بگیرید که می‌خواهید به بررسی دارویی رفتار آن در محیط بپردازد. مدل‌های پیشگویی بسیاری خوبی در رابطه با رفتار این ساختار وجود دارند؛ اما مشکل اینجاست که این مدل‌ها 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 می‌توان از سیستم یادگیری عمیق برای بررسی سیستمی دقیق از معادله‌ها استفاده کرد. نمونه‌ها به‌صورت تکراری وارد سیستم معادلات می‌شوند و چند روز بعد می‌توان نتایج را مشاهده کرد. شبکه‌ی یادگیری عمیق، روابط بین ورودی و خروجی را هم بدون اطلاع از خود معادلات فرامی‌گیرد. آن را پیمایش می‌کنند و پس از آموزش سیستم یادگیری عمیق با نمونه‌های کافی در چند نمونه نمایش داده می‌شود. توانایی بالایی هم برای پیش‌بینی نتیجه‌ی 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 می‌دهد
گاهی اوقات برای دستیابی به مدل نهایی دقیق باید محاسبات را به‌صورت کامل انجام داد. بااین‌حال، این نوع محاسبات برای یک زیرمجموعه‌ی کوچک از نمونه‌ها لازم است. این حقیقت که می‌توان با کسری از توان و زمان و با سرعتی بیشتر به نتیجه‌ای دقیق دست پیدا کرد امکان بررسی سریع‌تر فضای راه‌حل را فراهم می‌کند.
در چند سال گذشته، روش‌های جدید یادگیری ماشین به منظور یادگیری چگونگی یادگیری توسعه یافته‌اند. این فناوری‌ها طیف تقریبا نامحدودی از گزینه‌ها را ارائه می‌کنند برای مثال می‌توان به تمام جهش‌های احتمالی در DNA انسان و روش‌های فرایادگیری برای شناسایی مرتبط‌ترین گزینه‌ها اشاره کرد.
سؤال. بیشترین تأثیر هوش مصنوعی بر روش یا رویکرد علمی یک دانشمند چیست؟
دانشمندها باید با هوش مصنوعی شریک شوند. آن‌ها می‌توانند با مهارت در ابزارهای مختلف هوش مصنوعی مثل یادگیری عمیق در سطح وسیعی سود ببرند و به بررسی پدیده‌هایی بپردازند که کمتر موردتوجه قرارگرفته‌اند یا برای حل یک معادله در فضای بزرگ‌تر که مسلما به‌سرعت بیشتری نیاز دارد، می‌توانند از هوش مصنوعی استفاده کنند. به‌طورکلی دانشمندان می‌توانند از یادگیری ماشین برای بررسی احتمالات جدید استفاده کرده و به بهترین احتمال‌ها و راه‌حل‌های جدید دست پیدا کنند.
به گفته‌ی سینگر هوش مصنوعی امروزه هیجان‌انگیز‌ترین و چالش‌برانگیز‌ترین مسائل پیش روی صنعت و علم را حل می‌کند. سرعت هوش مصنوعی از هر حوزه‌ی دیگری سریع‌تر است. هدف سینگر بررسی تغییر و تحولاتی است که در تعامل بین انسان و ماشین شکل می‌گیرد. به عقیده‌ی او وقتی بحث شراکت علم و هوش مصنوعی یا وسایل نقلیه‌ی خودکار و دیگر حوزه‌ها مطرح می‌شود، نقش تفکر وسیع‌تر مهم‌تر از ارائه‌ی صرفا یک پردازنده‌ی سریع است. تعامل جدید بین انسان و هوش مصنوعی یک بخش جذاب دیگر از این فضا به شمار می‌رود.