Jak uczenie maszynowe zmienia naukę?
Od dwóch dziesięcioleci uczenie maszynowe towarzyszy nauce i wiele wskazuje na to, że będzie ono również technologią przyszłości. Możliwości, które przynosi, zmieniają całe dziedziny życia społecznego, jak np. opiekę medyczną, edukację, transport, przemysł żywnościowy i produkcję. Coraz większe znaczenie uczenie maszynowe odnosi w innych dziedzinach nauki i badań.
Uczenie maszynowe to poddyscyplina sztucznej inteligencji, w której komputery "uczą się" konkretnych działań bez otrzymania bezpośrednio definiujących komend. Zamiast tego posługują się algorytmami, służącymi do identyfikowania wzorców z danych. Dane te stanowią podstawę tworzenia modeli, które następnie służą do przewidywania kolejnych algorytmów.
Dane są kluczowe. W świecie, w którym jest ich już naprawdę dużo i wciąż przybywa, ludzki umysł, nawet wsparty skutecznymi narzędziami obliczeniowymi, nie jest w stanie ich kontrolować i skutecznie nimi zarządzać. Sto lat temu, kiedy danych było coraz więcej, marzyliśmy o geniuszach pokroju Sherlocka Holmesa, którzy potrafią znaleźć odpowiednie źródła informacji, a potem dzięki przenikliwości i rozbudowanej wiedzy „wydedukować” z nich motyw przestępstwa. Obecnie, liczba danych o niekończących się kombinacjach i źródłach pochodzenia przerosłaby całą armię brytyjskich gentelmanów z fajką.
Postęp, jaki dokonuje się współcześnie w uczeniu maszynowym jest rewolucją na niespotykaną dotąd skalę i bywa porównywany do tak zwanej eksplozji kambryjskiej, czyli momentu w historii Ziemi datowany na około pół miliarda lat temu, kiedy to w stosunkowo krótkim czasie, w bardzo szybkim tempie pojawiło się bardzo wiele zróżnicowanych form zwierząt wielokomórkowych. Wówczas swoją rolę odegrała ewolucja, wspierana przez zakończenie zlodowacenia i zmiany składu chemicznego mórz. Dziś tę pracę wykonuje sztuczna inteligencja i jej implikacja w kolejnych dziedzinach życia, gospodarki i nauki.
– Uczenie maszynowe jest jeszcze w powijakach i wciąż traktujemy ją jako niezrozumiałą formę sztuki – mówi prof. James Larus, dziekan School of Computer and Communications Sciences, czyli szkoły w ramach Politechniki Federalnej w Lozannie (EPFL – École polytechnique fédérale de Lausanne), gdzie badania nad uczeniem maszynowym są bardzo zaawansowane i przekładają się na rozwinięte kursy dla studentów i doktorantów. – Wykładamy uczenie maszynowe, podkreślając wagę matematyki, która leży u jej podstaw. Jesteśmy w stanie podać studentom przykłady tego, jak to wspaniale działa i jak było stosowane w przeszłości, ale nadal nie jesteśmy w stanie podać podstaw stojących u podstaw uczenia maszynowego, bo sami jeszcze nie pojęliśmy jej działania.
O tym, jak istotny wkład w rozwój nauki mają badania nad uczeniem maszynowym świadczy poziom przygotowywanych projektów studenckich, który niejednokrotnie bywa rewolucyjny w poszczególnych dziedzinach badań. Dla przykładu, uczestnik zajęć z uczenia maszynowego na EPFL, Quentin Juppet, w ramach finalnego projektu opracował narzędzie rozróżniające komórki człowieka i myszy. Wdrożenie tego wynalazku może niezwykle przyspieszyć badania onkologiczne, które często zaczynają się od wszczepienia ludzkich komórek rakowych myszom i obserwowania, jakie leki powstrzymują ich rozwój. Dużym utrudnieniem w tego typu badaniach jest jednak konieczność rozróżnienia komórek ludzkich od zwierzęcych – konieczne jest powtarzanie barwienia fluorescencyjnego wszczepionych komórek i analiza licznych próbek w poszukiwaniu komórek ludzkich. Jeżeli narzędzie maszynowego uczenia się sprawdzi, ten problem zniknie, co przyspieszy badania onkologiczne o całe tygodnie lub nawet miesiące. Projekt Quentina Juppeta został przekształcony w pracę magisterską, a także opublikowany w „Journal of Mammary Gland Biology and Neoplasia”.
W podobny sposób powstał projekt wykorzystania uczenia maszynowego do kategoryzacji fenotypów mutacji embrinów popularnej akwariowej rybki "danio pręgowanego" (Danio rerio). Inne badania dotyczą prognozowania lawin, przewidywania efektów udaru czy pomiaru jakości wody.
Opracowano na podstawie artykułu How will machine learning change science? opublikowanego na portalu Texplore.com
Badania wspomiane w tekście: Quentin Juppet et al, Deep Learning Enables Individual Xenograft Cell Classification in Histological Images by Analysis of Contextual Features, Journal of Mammary Gland Biology and Neoplasia (2021). DOI: 10.1007/s10911-021-09485-4
