Gadi Singer, da Intel, acredita que seu desafio mais importante é o mais recente:usar inteligência artificial (IA) para remodelar a exploração científica.

Em um Q&A cronometrado com o primeiro evento Intel AI DevCon, o vice-presidente da Intel e gerente geral de arquitetura de seu Grupo de Produtos de Inteligência Artificial discutiu sua função na interseção da ciência - o cliente mais exigente da computação - e IA, como os cientistas devem abordar a IA e por que é a oportunidade mais dinâmica e empolgante que ele já enfrentou.

P. Como a IA está mudando a ciência?

A exploração científica está passando por uma transição que, nos últimos 100 anos, só pode ser comparado ao que aconteceu nos anos 50 e 60, mudança para dados e grandes sistemas de dados. Nos anos 60, a quantidade de dados coletados era tão grande que os pioneiros não eram aqueles com os melhores instrumentos, mas sim aqueles capazes de analisar os dados que foram recolhidos em qualquer área científica, se era o clima, sismologia, biologia, farmacêuticos, a exploração de uma nova medicina, e assim por diante.

Hoje, os dados atingiram níveis que excedem em muito a capacidade das pessoas de fazer perguntas específicas ou procurar insights específicos. A combinação desse dilúvio de dados com computação moderna e técnicas de aprendizado profundo está fornecendo recursos novos e muitas vezes mais prejudiciais.

P. Qual é um exemplo?

Um deles, que usa a força básica do aprendizado profundo, é a identificação de padrões muito fracos em um conjunto de dados muito barulhento, e até mesmo na ausência de um modelo matemático exato do que você está procurando.

Pense em eventos cósmicos acontecendo em uma galáxia distante, e você está procurando algumas características dos fenômenos para identificá-los em um conjunto de dados muito grande. Este é um exemplo de busca sem uma equação conhecida, onde você pode dar exemplos, e através deles, deixe o sistema de aprendizado profundo aprender o que procurar e, finalmente, descobrir um padrão específico.

Q. Então você sabe o que está procurando, mas você não sabe como encontrar?

Você não pode definir a equação matemática exata ou as consultas que a descrevem. Os dados são muito grandes para tentativa e erro e as técnicas analíticas de big data anteriores não têm recursos definidos o suficiente para pesquisar o padrão com sucesso.

Você sabe o que está procurando porque marcou vários exemplos disso em seus dados, e você pode descrevê-lo de maneira geral. O aprendizado profundo pode ajudá-lo a identificar ocorrências de tal classe em um conjunto de dados multidimensional ruidoso.

P. Existem outras maneiras de a IA mudar a abordagem científica?

Outro exemplo é quando você tem um modelo matemático, como um conjunto de equações precisas. Neste caso, você pode usar IA para obter resultados comparáveis ​​em 10, 000 vezes menos tempo e computação.

Digamos que você tenha uma nova estrutura molecular e queira saber como ela se comportará em algum ambiente para exploração farmacêutica. Existem modelos preditivos muito bons sobre como ele se comportará. O problema é que esses modelos exigem uma quantidade enorme de computação e tempo - pode levar semanas para tentar apenas uma combinação.

Mais:Intel AI VP Gadi Singer em uma música para a melodia de outra (a próxima plataforma) | Intel AI DevCon (Kit de imprensa) | Inteligência Artificial na Intel (Kit de Imprensa) | Mais Intel Explainers

Nesse caso, você pode usar um sistema de aprendizado profundo para acompanhar o sistema preciso de equações. Você alimenta iterativamente casos de amostra para este sistema de equações, e você recebe os resultados dias depois. A rede de aprendizagem profunda aprende a relação entre a entrada e a saída, sem saber a própria equação. Ele apenas rastreia. Foi demonstrado em vários casos que, depois de treinar o sistema de aprendizado profundo com exemplos suficientes, mostra excelente capacidade de prever o resultado que será dado pelo modelo exato. Isso se traduz em uma eficiência que pode transformar horas ou dias em segundos.

Garantido, às vezes, o cálculo completo será necessário para a precisão final do modelo. Contudo, isso só seria necessário para um pequeno subconjunto de casos. O fato de que você pode gerar um resultado preciso muito mais rápido com uma fração da potência e do tempo permite que você explore o espaço de solução potencial muito mais rápido.

Nos últimos dois anos, surgiram novos métodos de aprendizado de máquina para "aprender a aprender". Essas tecnologias estão lidando com um reino quase infinito de opções - como todas as possíveis mutações no DNA humano - e estão usando técnicas de exploração e meta-aprendizagem para identificar as opções mais relevantes a serem avaliadas.

P. Qual é o impacto geral no método científico ou apenas a abordagem que um cientista faria com a IA?

Os cientistas precisam fazer parceria com a IA. Eles podem se beneficiar muito com o domínio das ferramentas de IA, como aprendizado profundo e outros, a fim de explorar fenômenos menos definidos, ou quando precisam de desempenho mais rápido em ordens de magnitude para lidar com um grande espaço. Os cientistas podem fazer parceria com o aprendizado de máquina para explorar e investigar quais novas possibilidades têm maior probabilidade de avanços e novas soluções.

P. Suponho que você poderia se aposentar, se quisesse. O que faz você continuar agora?

Nós vamos, Estou tendo um ótimo momento. A IA na Intel hoje trata de solucionar os problemas mais emocionantes e desafiadores que a indústria e a ciência estão enfrentando. Esta é uma área que se move mais rápido do que qualquer coisa que vi em meus 35 anos na Intel, de longe.

O outro aspecto é que estou vendo isso como uma mudança que está se formando na interação entre humanos e máquinas. Quero fazer parte do esforço de criação deste novo link. Quando falo sobre parceria entre ciência e IA, ou veículos autônomos e outras áreas, há uma função aqui para um pensamento mais amplo do que apenas fornecer o processador mais rápido para a tarefa. Essa interação recém-formada entre as pessoas e a IA é outra parte fascinante deste espaço.