Gadi Singer di Intel crede che la sua sfida più importante sia la sua ultima:utilizzare l'intelligenza artificiale (AI) per rimodellare l'esplorazione scientifica.

In una sessione di domande e risposte con il primo evento Intel AI DevCon, il vicepresidente di Intel e direttore generale dell'architettura per il suo gruppo di prodotti per l'intelligenza artificiale ha discusso del suo ruolo all'intersezione tra la scienza, il cliente più esigente dell'informatica, e l'intelligenza artificiale, come gli scienziati dovrebbero avvicinarsi all'IA e perché è l'opportunità più dinamica ed entusiasmante che ha affrontato.

D. In che modo l'intelligenza artificiale sta cambiando la scienza?

L'esplorazione scientifica sta attraversando una transizione che, negli ultimi 100 anni, potrebbe essere paragonato solo a quello che è successo negli anni '50 e '60, passare ai dati e ai grandi sistemi di dati. Negli anni '60, la quantità di dati raccolti era così grande che i primi non erano quelli con gli strumenti migliori, ma piuttosto quelli in grado di analizzare i dati che sono stati raccolti in qualsiasi area scientifica, se fosse clima, sismologia, biologia, prodotti farmaceutici, l'esplorazione di nuove medicine, e così via.

Oggi, i dati sono saliti a livelli che superano di gran lunga le capacità delle persone di porre particolari domande o cercare particolari approfondimenti. La combinazione di questo diluvio di dati con l'informatica moderna e le tecniche di deep learning sta fornendo funzionalità nuove e molte volte più dirompenti.

D. Qual è un esempio?

Uno di loro, che utilizza la forza di base dell'apprendimento profondo, è l'identificazione di modelli molto deboli all'interno di un set di dati molto rumoroso, e anche in assenza di un modello matematico esatto di quello che stai cercando.

Pensa agli eventi cosmici che accadono in una galassia lontana, e stai cercando alcune caratteristiche dei fenomeni per individuarli da un set di dati molto ampio. Questo è un esempio di ricerca senza un'equazione nota, dove puoi fare degli esempi, e attraverso di loro, lascia che il sistema di deep learning impari cosa cercare e alla fine trovi un modello particolare.

D. Quindi sai cosa stai cercando, ma non sai come trovarlo?

Non è possibile definire l'esatta equazione matematica o le query che la descrivono. I dati sono troppo grandi per tentativi ed errori e le precedenti tecniche di analisi dei big data non hanno abbastanza funzionalità definite per cercare correttamente il modello.

Sai cosa stai cercando perché ne hai taggato diversi esempi nei tuoi dati, e generalmente puoi descriverlo. Il deep learning può aiutarti a individuare le occorrenze di una tale classe all'interno di un set di dati multidimensionali rumorosi.

D. Ci sono altri modi in cui l'IA può cambiare l'approccio scientifico?

Un altro esempio è quando hai un modello matematico, come un insieme di equazioni accurate. In questo caso puoi utilizzare l'intelligenza artificiale per ottenere risultati comparabili in 10, 000 volte meno tempo e calcolo.

Diciamo che hai una nuova struttura molecolare e vuoi sapere come si comporterà in qualche ambiente per l'esplorazione farmaceutica. Esistono ottimi modelli predittivi su come si comporterà. Il problema è che quei modelli richiedono un'enorme quantità di calcolo e tempo:potrebbero volerci settimane per provare solo una combinazione.

Di più:Intel AI VP Gadi Singer su una canzone al ritmo di un'altra (The Next Platform) | Intel AI DevCon (cartella stampa) | Intelligenza artificiale presso Intel (cartella stampa) | Ulteriori spiegazioni su Intel

In tal caso, puoi utilizzare un sistema di deep learning per oscurare l'accurato sistema di equazioni. Invii in modo iterativo casi campione a questo sistema di equazioni, e ottieni i risultati giorni dopo. La rete di deep learning apprende la relazione tra l'input e l'output, senza conoscere l'equazione stessa. Lo tiene traccia. È stato dimostrato in più casi che, dopo aver addestrato il sistema di deep learning con un numero sufficiente di esempi, mostra un'eccellente capacità di prevedere il risultato che sarà dato dal modello esatto. Questo si traduce in un'efficienza che potrebbe trasformare ore o giorni in secondi.

Concesso, a volte sarà necessario il calcolo completo per la massima precisione del modello. Però, che sarebbe necessario solo per un piccolo sottoinsieme di casi. Il fatto che tu possa generare un risultato accurato molto più velocemente con una frazione della potenza e del tempo ti consente di esplorare il potenziale spazio della soluzione molto più velocemente.

Negli ultimi due anni, sono emersi nuovi metodi di apprendimento automatico per "imparare a imparare". Queste tecnologie stanno affrontando un regno quasi infinito di opzioni, come tutte le possibili mutazioni nel DNA umano, e utilizzano tecniche di esplorazione e meta-apprendimento per identificare le opzioni più rilevanti da valutare.

D. Qual è l'impatto generale sul metodo scientifico o solo sull'approccio che uno scienziato avrebbe con l'IA?

Gli scienziati devono collaborare con l'IA. Possono trarre grandi vantaggi dalla padronanza degli strumenti dell'IA, come l'apprendimento profondo e altri, per esplorare fenomeni meno definiti, o quando hanno bisogno di prestazioni più veloci per ordini di grandezza per affrontare un grande spazio. Gli scienziati possono collaborare con l'apprendimento automatico per esplorare e indagare quali nuove possibilità hanno la migliore probabilità di scoperte e nuove soluzioni.

Q. Immagino che potresti andare in pensione se lo volessi. Cosa ti fa andare avanti adesso?

Bene, Mi sto divertendo molto. L'intelligenza artificiale di Intel oggi si occupa di risolvere i problemi più entusiasmanti e impegnativi che l'industria e la scienza stanno affrontando. Questa è un'area che si muove più velocemente di qualsiasi altra cosa abbia visto nei miei 35 anni in Intel, di gran lunga.

L'altro aspetto è che lo considero un cambiamento che si sta preparando nell'interazione tra umani e macchine. Voglio essere parte dello sforzo di creare questo nuovo collegamento. Quando parlo di collaborazione tra scienza e intelligenza artificiale, o veicoli autonomi e altre aree, c'è un ruolo qui per un pensiero più ampio rispetto a come dare il processore più veloce per l'attività. Questa nuova interazione tra persone e intelligenza artificiale è un'altra parte affascinante di questo spazio.