Une possibilité étonnante offerte par le système expert (IA) est sa possibilité de diviser certains des problèmes les plus difficiles et les plus essentiels auxquels sont confrontés les domaines de la science et de l’ingénierie. L’IA et la science vont très bien ensemble, la première recherchant des modèles dans les données et la seconde se consacrant à la recherche de principes de base qui donnent naissance à ces modèles.
En conséquence, l’IA et la science sont susceptibles de libérer énormément les performances de l’étude de la recherche scientifique et la vitesse de l’innovation en ingénierie. :
- Biologie : les modèles d’IA tels que AlphaFold de DeepMind offrent la possibilité de trouver et de documenter la structure de protéines, permettant aux professionnels de débloquer de nombreux nouveaux médicaments et médicaments.
- Physique : les modèles d’IA deviennent les meilleurs candidats pour gérer les défis vitaux dans la réalisation du mélange nucléaire, tels que les prévisions en temps réel des futurs états du plasma tout au long des expériences et l’amélioration de l’étalonnage des appareils.
- Médicaments : les conceptions d’IA sont également d’excellents outils pour l’imagerie médicale et le diagnostic, avec la possibilité de diagnostiquer des conditions telles que la démence ou la maladie d’Alzheimer bien plus tôt que toute autre technique connue.
- Science des produits : les conceptions basées sur l’IA sont extrêmement efficaces pour anticiper l’emplacement de nouveaux matériaux, trouver de toutes nouvelles façons de synthétiser des matériaux et modéliser le comportement des matériaux dans des conditions difficiles.
Ces développements technologiques profonds majeurs ont le potentiel de changer le monde. Pour atteindre ces objectifs, les chercheurs en données et les ingénieurs connaissant les appareils ont des difficultés importantes devant eux pour s’assurer que leurs conceptions et leurs installations réalisent le changement qu’ils souhaitent voir.
Explicabilité
Une partie essentielle de la méthode clinique est d’avoir la capacité de traduire à la fois le travail et le résultat d’une expérience et d’en discuter. Ceci est essentiel pour permettre à d’autres équipes de répéter l’expérience et de valider les résultats. Cela permet également aux non-experts et aux membres du public de comprendre la nature et le potentiel des résultats. Si une expérience ne peut pas être rapidement analysée ou décrite, alors il y a probablement un problème important pour tester davantage une découverte et aussi pour la promouvoir et la commercialiser.
Quand il s’agit de modèles d’IA basés sur des réseaux de neurones, il faut aussi traiter les raisonnements comme des expérimentations. Malgré le fait qu’un modèle crée techniquement une inférence basée sur des modèles qu’il a observés, il existe souvent un degré d’aléatoire et de variance qui peut être anticipé dans la sortie en question. Cela implique que la compréhension des raisonnements d’une conception nécessite la capacité de comprendre les étapes intermédiaires et la logique d’une conception.
Il s’agit d’un problème auquel sont confrontées de nombreuses conceptions d’IA qui tirent parti des réseaux de neurones, car beaucoup servent actuellement en tant que « boîtes noires » – les étapes entre l’entrée d’une information et la sortie d’une donnée ne sont pas identifiées, et il n’y a aucune possibilité de discuter du « pourquoi » elle gravite vers une inférence spécifique. Comme vous pouvez l’imaginer, il s’agit d’une préoccupation importante lorsqu’il s’agit de rendre explicables les inférences d’une conception d’IA.
En conséquence, cela risque de limiter la capacité de comprendre ce qu’une conception fait aux scientifiques des données qui établissent des modèles, et les ingénieurs devops chargés de les diffuser sur leurs installations de calcul et de stockage. Cela crée à son tour un obstacle à la capacité de la communauté clinique de confirmer et d’examiner une découverte par des pairs.
Cependant, c’est également un problème lorsqu’il s’agit de tentatives d’essorage, de commercialisation ou d’application des fruits d’une étude de recherche au-delà du laboratoire. Les scientifiques qui souhaitent embarquer des régulateurs ou des clients trouveront difficile d’obtenir l’adhésion à leur concept s’ils ne peuvent pas expliquer clairement pourquoi et comment ils peuvent valider leur découverte dans un langage profane. Et après cela, il y a le problème de s’assurer qu’une innovation peut être utilisée sans danger par le public, en particulier lorsqu’il s’agit d’innovations biologiques ou médicales.
Reproductibilité
Un autre concept central dans le L’approche scientifique est la capacité de recréer les résultats d’une expérience. La possibilité de reproduire une expérience permet aux chercheurs d’examiner qu’un résultat n’est pas une falsification ou un coup de chance, dont l’explication putative d’un phénomène est précise. Cela offre un moyen de « confirmer » les résultats d’une expérience, garantissant que le milieu universitaire au sens large et le grand public peuvent croire en la précision d’une expérience.
Néanmoins, l’IA a un problème majeur à cet égard. Des ajustements mineurs dans le code et la structure d’un modèle, de petites variations dans les données de formation qu’il alimente ou des différences dans les installations sur lesquelles il est publié peuvent conduire à des conceptions produisant des sorties très variées. Il peut donc être difficile d’avoir confiance dans les résultats d’un modèle.
Le souci de reproductibilité peut également rendre extrêmement difficile la mise à l’échelle d’une conception. Si un modèle est inflexible dans son code, ses installations ou ses intrants, il est alors très difficile de le déployer en dehors de l’environnement de recherche dans lequel il a été produit. C’est un gros problème pour déplacer les développements du laboratoire vers l’industrie et la société en général.
Quitter l’emprise théorique
Le problème suivant est moins existentiel : la nature embryonnaire du domaine. Des articles sont continuellement publiés sur l’utilisation de l’IA dans la science et l’ingénierie, mais beaucoup d’entre eux sont encore incroyablement théoriques et ne s’inquiètent pas trop de l’assimilation des développements en laboratoire à des cas d’utilisation pratiques dans le monde réel.
C’est un incontournable et une phase cruciale pour de nombreuses nouvelles technologies, mais elle illustre l’état de l’IA en science et en ingénierie. L’IA est actuellement sur le point de faire des découvertes remarquables, mais la majorité des chercheurs la traitent encore comme un simple outil à utiliser dans un contexte de laboratoire, au lieu de produire des développements transformateurs pour une utilisation au-delà des bureaux des scientifiques.
En fin de compte, il s’agit d’un problème passager, mais un changement d’état d’esprit loin des problèmes théoriques et vers des problèmes opérationnels et applicatifs sera crucial pour réaliser le potentiel de l’IA dans ce domaine et pour surmonter les obstacles majeurs tels que l’explicabilité et la reproductibilité. En fin de compte, l’IA promet de nous aider à réaliser des développements significatifs en science et en ingénierie si nous prenons au sérieux la question de la faire évoluer au-delà du laboratoire.
.
Toute l’actualité en temps réel, est sur L’Entrepreneur