O aprendizado de máquina entrou em cena nas últimas duas décadas e será uma tecnologia definidora do futuro. Está transformando grandes setores da sociedade, incluindo saúde, educação, transporte e produção alimentar e industrial, além de ter um enorme impacto na ciência e na pesquisa.
Um subconjunto da inteligência artificial, o aprendizado de máquina é um processo que ajuda os computadores a aprender sem instrução direta e com base na experiência. Ele faz isso usando algoritmos para identificar padrões nos dados, que são usados ​​para criar modelos que podem fazer previsões. E os dados são a chave. O aprendizado de máquina e a disponibilidade crescente de grandes quantidades de dados prometem revolucionar a produção de conhecimento. De fato, o ciclo de crescimento exponencial e virtuoso de hoje em deep learning, entre outras tecnologias, foi comparado à Explosão Cambriana de meio bilhão de anos atrás, quando a vida na Terra experimentou um curto período de diversificação muito rápida.

O professor James Larus, reitor da Escola de Ciências da Computação e Comunicação (IC) da EPFL, concorda que o aprendizado de máquina e a IA terão um impacto profundo em como vivemos e ainda temos que ver em qualquer lugar perto de seu pleno potencial.

"Para mim, o aprendizado de máquina é uma ferramenta muito poderosa que ainda está em sua infância e ainda é uma 'arte obscura'. Damos aulas de aprendizado de máquina, a matemática subjacente por trás dele e podemos dar exemplos aos alunos sobre como foi aplicado no passado, mas não podemos dar princípios porque literalmente nem sabemos por que funciona tão bem."

Lenka Zdeborová da EPFL está trabalhando nesta questão fundamental. Professora Associada de Física, Ciência da Computação e Sistemas de Comunicação no Laboratório de Física Estatística da Computação - parte da Escola de Ciências Básicas (BS) e IC - ela é apaixonada por avançar a teoria do que é computável e o que é possível com aprendizado de máquina e inteligência artificial .

“Nas ciências, queremos entender melhor os objetos que estudamos, o objetivo não é fixo. mudando o próprio método científico. É um campo fascinante que surgiu à medida que o aprendizado de máquina se tornou muito bem-sucedido na última década."

Com colegas de física, química, engenharia e ciências da vida, Zdeborová acaba de lançar uma nova série de palestras do curso de doutorado sobre aprendizado de máquina científico que explorará os trabalhos mais recentes realizados na EPFL e globalmente.

Outra iniciativa da EPFL – o componente do projeto Machine Learning 4 Science do curso de Machine Learning dos professores de IC Martin Jaggi e Nicolas Flammarion – está construindo colaborações entre campus, combinando projetos científicos de laboratórios de todas as disciplinas com alunos que trarão seus conhecimentos de machine learning para novos Campos. Entre 2018 e 2020, mais de 600 alunos participaram de projetos propostos por 77 laboratórios da EPFL e até mesmo instituições externas, incluindo o CERN.

"É o maior curso de nível de mestrado do campus e os alunos de todas as disciplinas querem aprender essa ferramenta, pois sabem que será útil para suas carreiras futuras. Eles podem ir a qualquer laboratório do campus e fazer um projeto prático, colaborativamente em um É um verdadeiro ganha-ganha e acho justo dizer que ambos os lados sentem que se beneficiam da estrutura", diz Jaggi.

Um dos projetos da última rodada com origem no laboratório de Cathrin Brisken na School of Life Sciences (SV) estava relacionado a um algoritmo de aprendizado de máquina para distinguir células de camundongos de humanas, particularmente útil para pesquisas sobre o câncer. Oncologistas normalmente estudam tumores enxertando células humanas em camundongos, mas o problema é diferenciar os dois tipos de células. Isso geralmente envolve várias rodadas de coloração de fluorescência e análise de muitas amostras de tecido antes de encontrar as células humanas. No entanto, estudante de IC, o programa de Quentin Juppet simplifica tudo isso automatizando o processo de classificação de células. É tão promissor que o transformou em dissertação de mestrado com os resultados recentemente publicados no Journal of Mammary Gland Biology and Neoplasia .

Outro, também originário da Escola de Ciências da Vida, envolveu o uso de aprendizado de máquina para categorizar fenótipos mutantes a partir de imagens de embriões de peixe-zebra. O professor Andrew Oates é reitor da escola e chefe do Laboratório de Timing, Oscillations, Pattern. "Meu laboratório participou duas vezes e cada vez nos envolvemos com um grupo realmente especial de alunos que demonstraram iniciativa e criatividade ao abordar um problema científico real no laboratório usando aprendizado de máquina. Até onde sei, este projeto é o primeiro no campo da embriologia com implicações para o uso mais eficiente do peixe-zebra como um sistema para modelar distúrbios genéticos humanos. Não teríamos tentado este trabalho se não tivéssemos a chance de nos juntar ao programa Machine Learning 4 Science", diz ele .

Outros trabalhos analisaram um conjunto incrivelmente diversificado de questões de pesquisa:prever a gravidade do AVC usando dados do jogo pacman; a detecção automática de área disponível para instalações de painéis solares no telhado; previsão de avalanches; música além de maior e menor; e, melhorando as medições da qualidade da água doce.

Para James Larus, o futuro está aqui e só ficará mais incrível:"Atualmente, o aprendizado de máquina é baseado em um modelo desenvolvido na década de 1940 de como o cérebro funciona, e nem era preciso na época. Agora estamos explorando aprendizado de máquina inspirado no cérebro, guiado pela mais recente neurociência, para desenvolver modelos mais sofisticados e eficazes e construir sistemas de inteligência artificial de próxima geração. Então, estou realmente esperançoso de que haverá um longo período de progresso no aprendizado de máquina e uma grande expansão em aplicações bem-sucedidas. Isso mudará a ciência para sempre."