Gadi Singer de Intel cree que su desafío más importante es el último:usar inteligencia artificial (IA) para remodelar la exploración científica.

En una sesión de preguntas y respuestas programada con el primer evento Intel AI DevCon, el vicepresidente de Intel y gerente general de arquitectura de su grupo de productos de inteligencia artificial discutió su papel en la intersección de la ciencia, el cliente más exigente de la informática, y la inteligencia artificial. cómo los científicos deben abordar la IA y por qué es la oportunidad más dinámica y emocionante que ha enfrentado.

P. ¿Cómo está cambiando la ciencia la IA?

La exploración científica está atravesando una transición que, en los últimos 100 años, solo podría compararse con lo que sucedió en los años 50 y 60, pasando a datos y grandes sistemas de datos. En los años 60, la cantidad de datos que se recopilaba era tan grande que los pioneros no eran los que tenían los mejores instrumentos, sino aquellos capaces de analizar los datos que se recopilaron en cualquier área científica, si fue el clima, sismología, biología, productos farmacéuticos, la exploración de nueva medicina, etcétera.

Hoy dia, los datos han llegado a niveles que superan con creces la capacidad de las personas para realizar consultas particulares o buscar información concreta. La combinación de esta avalancha de datos con la informática moderna y las técnicas de aprendizaje profundo está proporcionando capacidades nuevas y muchas veces más disruptivas.

P. ¿Qué es un ejemplo?

Uno de ellos, que utiliza la fuerza básica del aprendizaje profundo, es la identificación de patrones muy débiles dentro de un conjunto de datos muy ruidoso, e incluso en ausencia de un modelo matemático exacto de lo que está buscando.

Piense en los eventos cósmicos que suceden en una galaxia lejana, y está buscando algunas características de los fenómenos para detectarlos a partir de un conjunto de datos muy grande. Este es un caso de búsqueda sin una ecuación conocida, donde puedas dar ejemplos, y a través de ellos, deje que el sistema de aprendizaje profundo aprenda qué buscar y, en última instancia, descubra un patrón en particular.

P. Entonces sabe lo que está buscando, pero no sabes como encontrarlo?

No puede definir la ecuación matemática exacta o las consultas que la describen. Los datos son demasiado grandes para la prueba y error y las técnicas de análisis de big data anteriores no tienen suficientes características definidas para buscar con éxito el patrón.

Sabe lo que está buscando porque ha etiquetado varios ejemplos en sus datos, y generalmente puedes describirlo. El aprendizaje profundo puede ayudarlo a detectar ocurrencias de dicha clase dentro de un conjunto de datos multidimensional ruidoso.

P. ¿Hay otras formas en que la IA puede cambiar el enfoque científico?

Otro ejemplo es cuando tiene un modelo matemático, como un conjunto de ecuaciones precisas. En este caso, puede usar IA para lograr resultados comparables en 10, 000 veces menos tiempo e informática.

Supongamos que tiene una nueva estructura molecular y desea saber cómo se comportará en algún entorno para la exploración farmacéutica. Existen muy buenos modelos predictivos sobre cómo se comportará. El problema es que esos modelos requieren una enorme cantidad de cálculo y tiempo; puede llevarle semanas probar una sola combinación.

Más:Intel AI VP Gadi Singer en una canción con la melodía de otra (The Next Platform) | Intel AI DevCon (kit de prensa) | Inteligencia artificial en Intel (kit de prensa) | Más explicadores de Intel

En cuyo caso, puede utilizar un sistema de aprendizaje profundo para sombrear el sistema preciso de ecuaciones. Alimenta iterativamente casos de muestra a este sistema de ecuaciones, y obtienes los resultados días después. La red de aprendizaje profundo aprende la relación entre la entrada y la salida, sin conocer la ecuación en sí. Simplemente lo rastrea. Se demostró en múltiples casos que, después de entrenar el sistema de aprendizaje profundo con suficientes ejemplos, muestra una excelente capacidad para predecir el resultado que dará el modelo exacto. Esto se traduce en una eficiencia que podría convertir horas o días en segundos.

Otorgado, a veces se requerirá el cálculo completo para obtener la máxima precisión del modelo. Sin embargo, eso solo sería necesario para un pequeño subconjunto de casos. El hecho de que pueda generar un resultado preciso mucho más rápido con una fracción de la potencia y el tiempo le permite explorar el espacio de la solución potencial mucho más rápido.

En los últimos dos años, Han surgido nuevos métodos de aprendizaje automático para "aprender a aprender". Estas tecnologías están abordando un ámbito casi infinito de opciones, como todas las posibles mutaciones en el ADN humano, y están utilizando técnicas de exploración y metaaprendizaje para identificar las opciones más relevantes para evaluar.

P. ¿Cuál es el impacto general del método científico o simplemente el enfoque que un científico tomaría con la IA?

Los científicos deben asociarse con la IA. Pueden beneficiarse enormemente de dominar las herramientas de la IA, como el aprendizaje profundo y otros, para explorar fenómenos menos definidos, o cuando necesitan un rendimiento más rápido en órdenes de magnitud para abordar un espacio grande. Los científicos pueden asociarse con el aprendizaje automático para explorar e investigar qué nuevas posibilidades tienen la mayor probabilidad de avances y nuevas soluciones.

P. Supongo que podría jubilarse si quisiera. ¿Qué te mantiene en marcha ahora?

Bien, Me lo estoy pasando genial. La IA en Intel hoy se trata de resolver los problemas más emocionantes y desafiantes que enfrentan la industria y la ciencia. Esta es un área que avanza más rápido que cualquier otra cosa que haya visto en mis 35 años en Intel, con mucho.

El otro aspecto es que lo veo como un cambio que se está gestando en la interacción entre humanos y máquinas. Quiero ser parte del esfuerzo de crear este nuevo enlace. Cuando hablo de asociación entre ciencia e IA, o vehículos autónomos y otras áreas, Aquí hay un papel para un pensamiento más amplio que simplemente cómo proporcionar el procesador más rápido para la tarea. Esta interacción recién forjada entre las personas y la IA es otra parte fascinante de este espacio.