Penelitian ilmiah AI: Tujuan sebenarnya pembelajaran mesin

KREDIT GAMBAR:
Gambar kredit
iStock

Penelitian ilmiah AI: Tujuan sebenarnya pembelajaran mesin

Penelitian ilmiah AI: Tujuan sebenarnya pembelajaran mesin

Teks subjudul
Para peneliti sedang menguji kemampuan kecerdasan buatan untuk mengevaluasi sejumlah besar data yang dapat mengarah pada penemuan terobosan.
    • Penulis:
    • nama penulis
      Pandangan ke Depan Quantumrun
    • 11 Mei 2023

    Mengembangkan hipotesis secara tradisional dianggap sebagai aktivitas manusia semata, karena memerlukan kreativitas, intuisi, dan pemikiran kritis. Namun, dengan kemajuan teknologi, para ilmuwan semakin beralih ke pembelajaran mesin (ML) untuk menghasilkan penemuan baru. Algoritma dapat menganalisis data dalam jumlah besar dengan cepat dan mengidentifikasi pola yang mungkin tidak dapat dilihat manusia.

    Konteks

    Daripada bergantung pada prasangka manusia, peneliti telah membuat algoritme ML jaringan saraf dengan desain yang terinspirasi oleh otak manusia, yang menyarankan hipotesis baru berdasarkan pola data. Akibatnya, banyak area akan segera beralih ke ML untuk mempercepat penemuan ilmiah dan mengurangi bias manusia. Dalam kasus bahan baterai yang belum dijelajahi, para ilmuwan secara tradisional mengandalkan teknik pencarian basis data, pemodelan, dan pengertian kimianya untuk mengidentifikasi molekul yang layak. Sebuah tim dari University of Liverpool yang berbasis di Inggris menggunakan ML untuk menyederhanakan proses kreatif. 

    Pertama, para peneliti menciptakan jaringan saraf yang memprioritaskan kombinasi bahan kimia berdasarkan kemungkinan menghasilkan bahan baru yang berharga. Para ilmuwan kemudian menggunakan peringkat ini untuk memandu studi laboratorium mereka. Akibatnya, mereka menemukan empat pilihan bahan baterai yang layak tanpa menguji semua yang ada di daftar mereka, sehingga mereka tidak perlu trial and error selama berbulan-bulan. Materi baru bukan satu-satunya bidang di mana ML dapat membantu penelitian. Para peneliti juga menggunakan jaringan saraf untuk memecahkan masalah teknologi dan teoretis yang lebih signifikan. Misalnya, seorang fisikawan di Zurich's Institute for Theoretical Physics, Renato Renner, berharap dapat mengembangkan penjelasan yang kohesif tentang bagaimana dunia bekerja menggunakan ML. 

    Selain itu, model AI generatif yang lebih canggih seperti ChatGPT OpenAI memungkinkan peneliti menghasilkan data, model, dan hipotesis baru secara otomatis. Prestasi ini dicapai melalui teknik seperti jaringan permusuhan generatif (GAN), autoencoder variasional (VAE), dan model bahasa berbasis transformer (seperti Generative Pre-trained Transformer-3 atau GPT-3). Model AI ini dapat digunakan untuk menghasilkan kumpulan data sintetik, merancang dan mengoptimalkan arsitektur ML baru, serta mengembangkan hipotesis ilmiah baru dengan mengidentifikasi pola dan hubungan dalam data yang sebelumnya tidak diketahui.

    Dampak yang mengganggu

    Para ilmuwan dapat semakin menggunakan AI generatif untuk membantu penelitian. Dengan kemampuan untuk menganalisis pola dan memprediksi hasil berdasarkan pengetahuan tersebut, model ini dapat memecahkan teori sains yang kompleks yang masih belum terpecahkan oleh umat manusia. Ini tidak hanya akan menghemat waktu dan uang, tetapi juga akan membantu pemahaman manusia tentang sains untuk melampaui batas-batasnya saat ini. 

    Usaha penelitian dan pengembangan (R&D) kemungkinan akan lebih mudah mengumpulkan dana yang sesuai karena ML dapat memproses data lebih cepat. Akibatnya, para ilmuwan akan mencari lebih banyak bantuan dengan mempekerjakan karyawan baru atau bekerja sama dengan bisnis dan perusahaan terkenal untuk menghasilkan hasil yang lebih baik. Dampak keseluruhan dari minat ini akan positif, tidak hanya untuk kemajuan ilmiah tetapi juga untuk para profesional di bidang ilmiah. 

    Namun, hambatan potensial adalah bahwa solusi dari model adaptif ini seringkali menantang untuk dipahami manusia, terutama penalaran yang terlibat. Karena mesin hanya memberikan jawaban dan tidak menjelaskan alasan di balik solusi, para ilmuwan mungkin tetap tidak yakin tentang proses dan kesimpulannya. Ketidakjelasan ini melemahkan kepercayaan pada hasil dan mengurangi jumlah jaringan saraf yang dapat membantu analisis. Oleh karena itu, peneliti perlu mengembangkan model yang dapat menjelaskan dirinya sendiri.

    Implikasi penelitian ilmiah AI

    Implikasi yang lebih luas dari penelitian ilmiah AI dapat meliputi:

    • Perubahan standar kepenulisan untuk makalah penelitian, termasuk memberikan kredit kekayaan intelektual kepada AI. Demikian pula, sistem AI suatu hari akan diberikan sebagai calon penerima Hadiah Nobel, yang dapat menyebabkan perdebatan sengit tentang apakah algoritme ini harus diakui sebagai penemu.
    • Penelitian yang dihasilkan AI dapat mengarah pada bentuk pertanggungjawaban baru dan pertanyaan hukum dan etika lebih lanjut terkait penggunaan AI dan sistem otonom dalam penemuan ilmiah.
    • Para ilmuwan bekerja dengan berbagai alat AI generatif untuk mempercepat pengembangan dan pengujian medis.
    • Meningkatnya penggunaan energi disebabkan oleh tingginya daya komputasi yang dibutuhkan untuk menjalankan algoritme rumit ini.
    • Ilmuwan masa depan dilatih untuk menggunakan AI dan alat ML lainnya dalam alur kerja mereka.
    • Pemerintah membuat standar global tentang batasan dan persyaratan dalam melakukan eksperimen ilmiah yang dihasilkan oleh AI.

    Pertanyaan untuk dipertimbangkan

    • Jika Anda seorang ilmuwan, bagaimana institusi atau laboratorium Anda berencana menggabungkan penelitian yang dibantu AI?
    • Menurut Anda, bagaimana penelitian yang dihasilkan oleh AI akan berdampak pada pasar kerja bagi para ilmuwan dan peneliti?

    Referensi wawasan

    Tautan populer dan institusional berikut dirujuk untuk wawasan ini: