زمینه یادگیری ماشین (ML) بخاطر تحولات چشمگیری که دیده است، باعث پیشرفت چشمگیری در حوزه هوش مصنوعی (AI) گردیده است، این حوزه نوآورانه از هوش مصنوعی توانایی محاسباتی قوی رایانهها را با حجم زیادی از دادهها ترکیب میکند تا پارامترهای مدلهای آماری پیچیدهای را بهینهسازی دهد. ML اهمیت خود را در استنتاج آماری تثبیت کرده است، یک بخش از ریاضیات کاربردی با ریشههای تاریخی که در حوزههای علمی مختلف از جمله آسمانشناسی، جمعیتشناسی، کشاورزی و ژنتیک خدمت میکند.
در حال حاضر فرایندهای علمی از ML در سطوح مختلف استفاده میکنند. این میتواند وضوح تصویر را افزایش دهد یا در مرحله اولیه تصویربرداری دادههای نادرست را بیرونراند کند. ML همچنین در تعیین جهت آزمایشها کمک میکند، سواء به انتخاب مولکولها برای ویژگیهای دارویی یا به مرتبسازی مجموعههای داده بزرگ از شتابدهندههای ذرات برای اولویتبندی کسانی که شایسته مطالعه هستند. این حتی از طریق نتایج اولیه، انتخابهای آزمایشی را بر پایه خروجیهای اولیه بهبود میبخشد.
قدرت یادگیری ماشین برای جستجو در ادبیات علمی فراوان و فعال کردن جستجوهای زبانطبیعی در پایگاههای دادههای علمی روشهای تحقیق را متشکل میکند. علاوه بر این، این تحریک نوآوری توسط تولید فرضیات جدید، پیشنهاد مکانیزمهای بیولوژیکی ممکن پشت علائم، انتقاد قضایای ریاضی، طراحی مولکولهای درمانی و پیشبینی تا مرحله تاشونده پروتئین. این برنامه های کاربردی سرانجام مسیر انقلابهای علمی که ممکن است بدون یادگیری ماشین قابل انجام نباشد.
به رغم اینکه برنامه های کاربردی فعلی AI در تحقیقات بسیار تخصصی هستند و ظرفیت انسانی را بیشتر میکنند، با این حساب به AI ترین که وظایف متنوعی از طریق تحرکهای شناختی خودکار انجام میدهد برابری ندارند. با این حال، حفظ بازخوردهای انتقادی نسبت به این مدلها ضروری است. آنها در اصل بر اصول آماری عمل میکنند و عقلانیت بنیادی را فاقد بوده و بنابراین تأکید بر اهمیت فهم دادهها و الگوریتمهای استفاده شده از آنها دارند. برای جلوگیری از پیشرفت نسل بعدی “فرنولوژی” یا دیگر استفادههای اشتباهی، باید با دقت طبیعت مجموعه دادهها و تواناییهای الگوریتمها تفیق نموده و تأمین کردابراین پیمایش طب هوش ماشین از طریق ادبیات علمی فراوان و امکان جستجوهای زبان طبيعی در پایگاههای دادههای علمی روشهای تحقیق را بازگو میکند. همطveب همین، اقتباس از نوآوریها برگزاری فرضیات جدید، انتیحه مکانیزمهای بیولوژیکی احتمالی پشت علائم، چالش اصول ریاضی، طراحی مولکولهای درمانی و پیشبینی اتصال پروتئین. این برنامهها در نهایت راه را برای بربهای علمی میدهند که ممکن است بدون یادگیری ماشین قابل دستیابی نباشند.
با این وجود، حفظ تحلیل انتقادی بر سر این مدلها ضروری است. آنها در اصل با اصول آماری عملك میکنند و عقلانیت بنیادی را فاقد بوده از اهمیت فهم شیوه داده و الگوریتمهای استفاده شده تأکید میکند. برای پیشگیری از ‘فرنولوژی’ نسل بعدی یا دیگر استفادههای نادرست، باید با دقت ذات داستانها و تواناییهای الگوریتمهای برای اطمینان از پژوهشهای علمی اخلاقی و دقیق، گوش کرد.
The source of the article is from the blog shakirabrasil.info