Αλγοριθμική Οδύσσεια: μαθηματικά, λήψη αποφάσεων & η τεχνητή νοημοσύνη στην επιστήμη

Η έρευνα σε τομείς  Τεχνητής Νοημοσύνης (ΑΙ) υπερέβη τη συνολική αύξηση της επιστημονικής παραγωγής. Η παγκόσμια επιστημονική δραστηριότητα αυξήθηκε κατά περίπου 5% ετησίως μεταξύ του 2014 και του 2021. Αντίθετα, η ετήσια αύξηση των δημοσιεύσεων που σχετίζονται με την τεχνητή νοημοσύνη ήταν περίπου ή πάνω από 15%, με εξαιρέσεις που σημειώθηκαν το 2010 και το 2012. Σύμφωνα με το άρθρο Τάσεις στη χρήση της τεχνητής νοημοσύνης στην επιστήμη που δημοσιεύτηκε στις εκδόσεις της ΕΕ το 2023 [1], η έρευνα σε τομείς ΑΙ υπερέβη τη συνολική αύξηση της επιστημονικής παραγωγής. Λοιπόν, ναι! Οι εφαρμογές της τεχνητής νοημοσύνης στην επιστήμη αυξάνονται γρήγορα και ο αντίκτυπος μπορεί να ποικίλει ανάλογα με τον επιστημονικό τομέα.

Καλώς ήλθατε σε ένα ακόμη άρθρο από το GWiS. Το θέμα μας σήμερα είναι η Τεχνητή Νοημοσύνη (Artificial Inteligence ή AI) και η τέχνη της λήψης αποφάσεων βασισμένη σε δεδομένα, το οποίο είναι πραγματικά πολύ επίκαιρο αυτές τις ημέρες.

Σε παγκόσμιο επίπεδο, οι κύριοι τομείς που επηρεάστηκαν περισσότερο από την Τεχνητή Νοημοσύνη είναι οι βιο-ιατρικές επιστήμες, η μηχανική, οι γεωεπιστήμες, τα μαθηματικά, η φυσική, η χημεία και η νευροεπιστήμη. Φυσικά, και η βιομηχανία εκμεταλλεύεται τη δύναμη της επιστήμης των δεδομένων για διάφορους σκοπούς, με το 62% των επιχειρηματικών ηγετών να έχουν ήδη επενδύσει σε εργαλεία και μεθόδους σχετικές με ΑΙ [1].

Αν σκεφτείτε την τελευταία φορά που προσπαθήσατε να πάρετε μια δύσκολη απόφαση, είτε στη δουλειά είτε στην καθημερινή ζωή, θα συνειδητοποιήσετε ότι το μυαλό σας προσπαθεί να εξετάσει τις διαθέσιμες πληροφορίες και να πάρει την πιο κατάλληλη απόφαση βασισμένη στα δεδομένα και στην ενστικτώδη σας αίσθηση. Η ενστικτώδης αίσθησή μας αναπτύσσεται μέσω εκπαίδευσης σε παρόμοιες καταστάσεις στα διάφορα σταυροδρόμια της ζωής μας!

Οι αλγόριθμοι μηχανικής μάθησης λειτουργούν ακριβώς με τον ίδιο τρόπο. Είναι μαθηματικά μοντέλα που μπορούν να κάνουν προβλέψεις βασισμένες σε προηγούμενα δεδομένα και να λαμβάνουν αποφάσεις με έναν συγκεκριμένο βαθμό ακρίβειας. Όσο περισσότερο εκπαιδεύονται και όσο περισσότερα δεδομένα είναι διαθέσιμα, τόσο πιο σίγουρη είναι μια απόφαση και τόσο πιο ανθεκτικό είναι το αποτέλεσμα.

Είστε έτοιμοι να ξεκινήσετε αυτήν την περιπέτεια καθώς ανακαλύπτουμε τη λήψη αποφάσεων και αντιμετωπίζουμε πραγματικά προβλήματα; Ας ξεκινήσουμε!

Υγεία

Φανταστείτε μια εφαρμογή όπως το Photoshop, όπου ένας γιατρός μπορεί να εισαγάγει την Μαγνητική Τομογραφία ενός ασθενούς. Στη συνέχεια, η εφαρμογή μπορεί να κάνει μια πρόβλεψη βασισμένη σε άλλα δεδομένα (Μαγνητικές Τομογραφίες από άλλους ασθενείς που έχουν εξεταστεί προηγουμένως) και να προσθέσει πληροφορίες στην οπτική του γιατρό. Το μοντέλο που χρησιμοποιεί η εφαρμογή αυτή πρέπει να εκπαιδευτεί με πολλές εικόνες MRI, από διάφορες περιπτώσεις, που δεν είναι εύκολο. Σκεφτείτε τώρα ότι ο γιατρός μπορεί επίσης να προσθέσει τα αποτελέσματα της θεραπείας σας με φάρμακα κατά τη διάρκεια ενός συγκεκριμένου χρονικού διαστήματος. Βασιζόμενο σε άλλα δεδομένα (ιστορικά φαρμάκων άλλων ασθενών) που το μοντέλο έχει δει προηγουμένως, ο αλγόριθμος μπορεί να κάνει προβλέψεις και να προσθέσει πληροφορίες σχετικά με το πως θα εξελιχθεί η θεραπεία και ποια θα είναι τα αποτελέσματα σας. Επομένως, γιατί να μη χρησιμοποιήσουμε την υπολογιστική δύναμη ενός μοντέλου μηχανικής μάθησης; Με αυτόν τον τρόπο, ο γιατρός μπορεί να παρακολουθεί όλες τις περιπτώσεις που έχει δει και ο αλγόριθμος μπορεί να τις χρησιμοποιεί για να βοηθήσει τόσο το γιατρό όσο και τον ασθενή. Υπάρχουν πολλά άλλα παραδείγματα σήμερα, όπου αλγόριθμοι μηχανικής μάθησης βοηθούν στον εντοπισμό νόσων σε πρώιμα στάδια και αυξάνουν την ακρίβεια των διαγνώσεων.

Περιβάλλον

Η Τεχνητή Νοημοσύνη έχει γίνει ένα σημαντικό εργαλείο για την αντιμετώπιση περιβαλλοντικών προβλημάτων. Σκεφτείτε μια εφαρμογή για τη θάλασσα, βασισμένη σε ένα μοντέλο που έχει εκπαιδευτεί με πολλές εικόνες θαλάσσιων οργανισμών, αλλά και με εικόνες από απορρίμματα. Ένα μοντέλο μπορεί να ταξινομήσει και να προβλέψει εάν υπάρχει ένας οργανισμός ή κάποιο απόβλητο σε μια νέα εικόνα βασιζόμενο στα δεδομένα που έχει δει. Μια εντελώς διαφορετική ιδέα θα ήταν να σκεφτείτε πώς μπορούμε να ελαχιστοποιήσουμε τα απορρίμματα τροφίμων. Για παράδειγμα, μια εταιρεία που παράγει γάλα μπορεί να συλλέγει όλα τα δείγματα γάλακτος και τα δείγματα όσων έχουν ξεπεράσει την ημερομηνία λήξης τους, καταγράφοντας τις μετρήσεις κάθε δείγματος που δείχνουν εάν το γάλα έχει λήξει ή όχι. Βασισμένο σε όλα αυτά τα δείγματα, το μοντέλο μπορεί στη συνέχεια να προβλέψει εάν ένα νέο δείγμα γάλατος είναι ληγμένο. Μπορεί επίσης να προτείνει που θα μπορούσε να χρησιμοποιηθεί, για παράδειγμα, στην παραγωγή ενός κέικ. Επιπλέον, ένα μοντέλο μπορεί να χρησιμοποιήσει ιστορικά δεδομένα καθώς και δεδομένα αγοράς, για να προβλέψει τη ζήτηση και να μειώσει τα υπερθέματα και τη συνακόλουθη σπατάλη. Η τεχνητή νουμοσύνη μπορεί να είναι ένα αναντικατάστατο εργαλείο για την αντιμετώπιση της σπατάλης τροφίμων. Υπάρχουν πολλοί άλλοι τομείς όπου μπορούμε να βοηθήσουμε το περιβάλλον αξιοποιώντας τη δύναμη της τεχνητής νουμοσύνης!

Μαθηματικά και Φυσική

Κλείνοντας αυτό το άρθρο ως περήφανη μαθηματικός, αναφέρομαι στη διατριβή μου όπου είδα πώς οι διαφορικές εξισώσεις μπορούν να βοηθήσουν στο forecasting. Το αποτέλεσμα ήταν, ότι βασιζόμενο σε κάποια δείγματα χρόνου και τιμών μετοχών, το μοντέλο προσπάθησε να κάνει προβλέψεις για τιμές σε άλλα χρονικά διαστήματα [2]. Οι διαφορικές εξισώσεις περιγράφουν φαινόμενα που εξελίσσονται με τον χρόνο, οπότε μπορούν να χρησιμοποιηθούν σε συνδυασμό με την μηχανική μάθηση για να δώσουν καλύτερες προβλέψεις. Αναμφίβολα ΝΑΙ!

Θα μπορούσα να μιλάω για ώρες για τις ιδέες, τα προβλήματα που υπάρχουν και τον τρόπο με τον οποίο η τεχνητή νοημοσύνη μπορεί να παρέχει λύσεις [3]. Θυμάμαι να συζητώ για αυτές και άλλες ιδέες με έναν καλό φίλο σε ένα καφέ και θέλω να κλείσω με τα λόγια του:

Εσείς τι πιστεύετε; Μπορείτε να σκεφτείτε κάποιες ιδέες που μέσω δεδομένων και τεχνητής νοημοσύνης θα μπορούσαν να δοθούν λύσεις είτε εντός του κλάδου σας είτε πέρα από αυτόν;