Thread by @neuron_mArcIn

🧵 Jak #AI zmienia naukę?🧵

Czy sztuczna inteligencja rozwiąże największe problemy dzisiejszej wiedzy i stanie się nową, przewodnią metodą dokonywania odkryć i postępu naukowego? 🚀

Postaram się udowodnić, że TAK.
#ai #nauka #metodologia #sieci #neuronowe

1/21 👇

2/ Definicja "nowej metody dokonywania odkryć" obejmuje 5 cech:

∙ Radykalna nowość
∙ Szybki rozwój
∙ Spójność
∙ Wpływ
∙ Duży stopień niepewności

System klasyfikacji zaproponował Daniele Rotolo i jego zespół z Sussex University w 2015 (czyli, przed ostatnim boom na AI).

3/ RADYKALNA NOWOŚĆ

AI przeżywa "drugie boom", częste zjawisko w przypadku nowych metod naukowych.
1. faza teoretyczna — naukowcy dostrzegają potencjał, ale początkowa faza przynosi setki problemów.
2. nowe zastosowania — przejście od "badania metody" do "badania metodą".

4/ SZYBKI ROZWÓJ

Tutaj wystarczy rzut oka na poniższy wykres. Niebieska linia to ilość publikacji w bazie arXiv, która dotyczyła sieci neuronowych (NN- neural network). Liczby w tys. na lewej skali.

5/ SPÓJNOŚĆ

Nowe metody stają się spójne, gdy środowisko naukowe znajdzie wspólną interpretację i zaakceptuje w badaniach. Oznaki takiej akceptacji to np.:
- oddzielne konferencje naukowe
- czasopisma specjalistyczne
- aktualizacja badań poświęconych klasyfikacji

6/ WPŁYW

Twórcy badania, które omawiam, jako miary wpływu na naukę użyli liczby cytowań artykułów związanych z NN.

Trendy w cytowaniach prac związanych z sieciami neuronowymi. Na 🟧 badania teoretyczne dotyczące samych NN, na 🟦 badania, gdzie NN użyto w roli narzędzia.

7/ NIEPEWNOŚĆ

W tej chwili narzędzia oparte na NN służą przede wszystkim do analizy danych z jednej domeny (np. streszczenia). Jednocześnie te precyzyjne artykuły są cytowane w bardzo szerokim kontekście. Wynika to z 2 powodów 👇
- mnogość zastosowań AI
- moda na AI (buzzword)

8/ Co jest tą niepewnością? Konsekwencje użycia technologii, jej wpływ na różne gałęzie nauki, potencjalne wyniki, możliwe przyszłe zastosowania, ewolucja modeli, ewolucja i specjalizacja kolejnych domen uczenia maszynowego itd...

9/ Definicję mamy z głowy, AI wypełnia wszystkie warunki.

Większość z nas podświadomie rozumie wagę tej technologii. Wykresy pozwalają dostrzec faktyczną skalę i tempo wzrostu. Teraz czas ustalić skąd ta popularność?

Z jakim problemem AI radzi sobie lepiej niż ludzie?

10/ Największy problem, z jakim boryka się obecna nauka to ILOŚĆ WIEDZY.

Znowu, wykres mówi sam za siebie. A podobno od przybytku głowa nie boli...

11/ Wykładniczy przyrost wiedzy jest spowodowany:
- wzrostem mocy obliczeniowej komputerów;
- wzrostem wydatków na naukę, szczególnie w Azji.

Analiza i synteza coraz większej ilości danych to większe koszty mocy obliczeniowej, w ostatnich latach coraz częściej — zbyt wysokie.

12/ 100 lat temu jedna osoba mogła mieć większość wiedzy w danej dziedzinie nauki. Dzisiaj nikt nie wie wszystkiego o pojedynczym związku chemicznym.

Skutki "przeciążenia wiedzą" są redukowane formowaniem coraz większych zespołów badawczych, ale to przestaje wystarczać.

13/ Rozwiązaniem jest wzrost wydajności modeli opartych na wielowarstwowych sieciach neuronowych, które mogą:

- przeszukiwać ogromne bazy danych w poszukiwaniu informacji
- analizować, syntezować, porządkować dane
- szukać nowych powiązań, korelacji, zastosowań.

14/ Optymalizacja algorytmów, nowe bazy danych i wyspecjalizowane modele są obecnie największą nadzieją na utrzymanie tempa postępu naukowego.

Prawdopodobnie obserwujemy też zmiany u samych fundamentów metodologii naukowej, sformułowanych w latach 60. przez Thomasa Kuhna.

15/ W książce "Struktura rewolucji naukowych" Kuhn zdefiniował PARADYGMAT — zbiór pojęć i teorii leżących u podstaw danej dziedziny. Jeszcze 60 lat temu takie fundamenty były konieczne, a poszczególne dyscypliny były jak samotne wyspy na oceanie.

16/ AI pozwala na budowę tysięcy nowych mostów pomiędzy wysepkami, a w publikacjach będzie pojawiać się coraz więcej prac interdyscyplinarnych, wchodząc na kolejny poziom zaawansowania w opisywaniu złożoności otaczającego nas świata.

17/ Nowe odkrycia przestają być efektem stawiania hipotez, coraz częściej są wynikiem rozpoznawania schematów i zależności przez modele oparte na sieciach neuronowych.

18/ Sir Francis Bacon, jeden z twórców nowożytnej metody naukowej, mawiał, że rolą naukowca jest poszukiwanie prawidłowości w danych empirycznych.
Wydaje się, że niedługo pracą naukowców może być w większym stopniu zarządzanie modelami, które radzą sobie z tym znacznie lepiej.

19/ Nie jestem taki mądry.

🧵 powstała na podstawie świetnego (i napisanego po ludzku, nie po naukowemu) artykułu 3 badaczy z Uniwersytetu w Strasbourgu. Wszystkim zainteresowanym gorąco polecam lekturę (otwarty dostęp, więc za darmo). Naprawdę warto.

t.ly/x-xD

20/ Będzie mi niezmiernie miło, jeśli polubisz lub udostępnisz pierwszy post w tej nitce.

Oczywiście, jeżeli uznasz moją pracę za jakkolwiek wartościową i uważasz, że zasługuje na szersze grono odbiorców :)

21/ Jeśli coś jest niejasne, albo Cię zaciekawiło — daj znać w komentarzu.

Jeśli interesuje Cię #sztuczna #inteligencja, jej wpływ na naukę i społeczeństwo zajrzyj czasem na mój profil :) Postaram się jak najczęściej dostarczać Wam podobne treści.

Miłego dnia! 🙋‍♂️