Segít-e majd egy nap az MI tudományos alapproblémák felvetésében és megoldásában? A különféle információforrásokat összekapcsolva segítenek-e majd az MI rendszerek a kreatívabb és jobb megoldások felkutatásában? Felvethetnek-e új hipotéziseket, vagy netán felfedezendő új területeket?
Már látszik néhány bíztató korai előrelépés ezen a területen. Például a kutatók mélytanulást használtak az orvosi diagnosztikában, algoritmust dolgoztak ki a retina sokféle rendellenességének osztályozására, és ugyanolyan pontosságig jutottak el vele, mint az emberi szakértők. Egy másik példa: MI-algoritmust dolgoztak ki a bőrbetegségekről készült képek osztályozására ‒ jó- vagy rosszindulatú-e az elváltozás ‒, amely elérte a hivatalosan elismert bőrgyógyászok diagnosztikai pontosságát. A sürgősségi osztályokon a mélytanulás segíthet eldönteni, hogy vajon a beteg CT-vizsgálata agyi érkatasztrófát mutat-e. Az új algoritmus ezeket a figyelmeztető jelzéseket olyan pontossággal ismerte fel, mint az orvosszakértők - csak épp 150-szer gyorsabban.
Az MI-technológia sikeressége a mélytanulás két kritikus összetevőjéből adódik: a nagy mennyiségű tanulóadatból és az osztályozás egyértelműségéből. [...] Ez azt sugallja, hogy az MI-technológia azokon a szűkebb tudományterületeken hozhat közvetlen hasznot, amelyek egyértelmű osztályozási stratégiát adó algoritmussal szolgálhatnak, de elég mélyek is ahhoz, hogy az MI az összes adat végigvizsgálása után ‒ és erre egyetlen kutató sem képes ‒ új eredményekhez juthasson.
De ami a legfontosabb: a gépek pontossága és hatékonysága gyorsan javul ugyan, de a tudományban nem önmagukban a gép vagy az ember áll a legizgalmasabb jövő előtt, hanem a kettő stratégiai együttműködése.
Forrás: Dashun Wang és Barabási Albert-László: A tudomány tudománya, 22. fejezet
Nincsenek megjegyzések:
Megjegyzés küldése