Магічний бот: як працює ШІ-система, яка прогнозує розвиток технологій

Система штучного інтелекту, створена дослідниками з Массачусетського технологічного інституту (MIT), вивчаючи факти, аргументи, ідеї, результати тестів, викладені в різного роду наукових публікаціях, здатна передбачити майбутнє розвитку технологій і напрямків науки. Під час тестування система, що отримала назву DELPHI, змогла ідентифікувати та проаналізувати всі новаторські ідеї зі сфери біотехнологій, викладені в статтях, опублікованих протягом року. Учені Джеймс Вайс і Джозеф Джейкобсон із MIT використовували DELPHI, щоб детально вивчити 50 нещодавно виданих наукових робіт, які, за їхніми прогнозами, матимуть великий вплив у 2023 році. Теми, порушені в доповідях, стосуються ДНК-нанороботів, які використовуються для лікування раку, літій-кисневих батарей з високою щільністю енергії та хімічного синтезу, здійснюваного за допомогою нейронних мереж. Дослідники вважають, що цей ШІ-інструмент може допомогти їхнім колегам ефективніше використовувати фінансування для наукових досліджень. Іншими словами, замість того, щоб шукати голку в копиці сіна в спробах визначити, яка з ідей "вистрілить", вони можуть скористатися алгоритмами ШІ, які чітко визначать подальший напрямок роботи. Інструмент буде корисний урядам, благодійним організаціям та венчурним компаніям, які підтримують науку.

"По суті, наш алгоритм вивчає історію науки, а потім зіставляє дані "з минулого" з даними з нових публікацій, щоб відстежувати розвиток тієї чи іншої ідеї або теорії", — пише Вайс у своїй статті для Nature Biotechnology. "Відстежуючи те, як поширювалися ідеї, ми можемо передбачити, наскільки ймовірно, що вони стануть "вірусними" і значущими серед академічної спільноти".

Як працює інноваційна ШІ-система

Алгоритм машинного навчання, розроблений Вейсом і Джейкобсоном, здатний обробити величезну кількість наукової цифрової інформації, оцифрованої і опублікованої в Інтернеті, починаючи з 1980-х років. У своєму пошуку й аналізі алгоритм не спирається на такий показник, як кількість цитувань. Він навчений роботі з мережею метаданих журнальних статей з тим, щоб зафіксувати закономірності і те, як вони поширювалися в науковому середовищі. Він враховує і такі дані, як імена та наукові ступені авторів, наукові установи, в яких вони працювали. Сортуючи дані, алгоритм знаходить "точки дотику", формуючи з них "скелети" ідей. На ці "скелети" він нанизує все більше даних, унаслідок чого вони обростають своєрідною інформаційною оболонкою. Чим щільніша оболонка, тим успішніша була ідея.

Система займається не тільки вивченням минулого, а й прогнозуванням майбутнього. DELPHI прагне визначити, які з висловлених ідей будуть найбільш ефективними і підтримуваними в найближчі пʼять років. Зазвичай, статті, що містять такі прогресивні думки, складають 35% від загальної кількості опрацьованого матеріалу.

Статті, які вірусно поширилися за межі своїх дисциплін і невеликих наукових співтовариств, сприймаються DELPHI, як "дуже впливові". Наприклад, дві статті можуть мати однакову кількість цитувань, але більш впливовою буде та, яка охопила більшу аудиторію. Скориставшись даними, наданими алгоритмом, вчені зможуть швидше дізнатися про роботи одне одного, і навіть почати спільні дослідження. У такому випадку в них підвищаться шанси отримати фінансування, якщо вони працюватимуть над важливими міждисциплінарними проблемами.

На відміну від пошукових систем, що видають на перші сторінки найбільш цитовані матеріали, DELPHI здатна шукати справжні "перлини" серед матеріалів, які не отримали достатньої кількості цитувань, але при цьому не менш важливих і корисних ніж матеріали з високою цитованістю. Такі "перлини" складають 60% від загальної кількості знайдених тематичних текстів.

"Розвиток фундаментальних досліджень полягає в тому, щоб вивчити безліч варіантів і, в підсумку, вибрати і реалізувати найкращий, — говорить Джейкобсон. — Ми хочемо зробити цей процес пошуку більш масштабним, ефективним і швидким".

"Протягом року після публікації ми почали знаходити ті самі "приховані перлини", — матеріали, які в майбутньому здійснять значний вплив на розвиток того чи іншого напрямку", — коментує Вайс.

Однак він попереджає, що DELPHI не здатна точно передбачати майбутнє.

У чому користь від ШІ-системи DELPHI

Дослідники сподіваються, що штучний інтелект DELPHI запропонує менш упереджений спосіб оцінки впливу статей, оскільки, як показали минулі дослідження, не заперечується маніпулювання показниками на кшталт цитування та імпакт-фактора наукових видань.

"Ми сподіваємося, що наша розробка допоможе в пошуку найбільш гідних досліджень і дослідників, незалежно від того, в яких саме установах вони працюють і в яких журналах публікувалися", — говорить Вайс.

Користувачі повинні памʼятати про упередженість AI-систем, додає він. "Нам необхідно постійно усвідомлювати, що і дані, й алгоритми, які їх обробляють — недосконалі. Ми хочемо, щоб DELPHI допомагав знаходити найкращі дослідження найменш упередженим способом, тому нам потрібно бути обережними, наші моделі не вчаться передбачати майбутній вплив виключно на основі неоптимальних показників, таких як кількість цитувань авторів або авторитетність установ, в яких вони працюють".

Нова система штучного інтелекту може стати потужним інструментом, який допоможе зробити фінансування наукових експериментів більш ефективним і дієвим, і, можливо, його можна буде використовувати для створення нових видів фінтех-продуктів для інвестицій в науку. Це те, про що Вайс багато думав, спираючись на власний досвід запуску венчурних фондів і лабораторних інкубаторів для біотехнологічних стартапів.

"Я все більше усвідомлював, що інвестори, враховуючи мене, постійно шукають нові компанії в одних і тих же місцях і маючи одні й ті ж вимоги та очікування", — говорить він. "Я подумав, що повинен бути спосіб знаходити нових людей і нові технологічні напрацювання, і я вірю, що машинне навчання може допомогти в цьому, щоб, зрештою, реалізувати весь цей незвіданий потенціал".

Пропонуємо Вам ознайомитися з нашим матеріалом Повстання машин. Чи варто людям побоюватися штучного інтелекту?