CCC, bu yılki AAAS Yıllık Konferansında üç bilimsel oturumu destekledi ve şahsen katılamamanız durumunda, her oturumun özetini vereceğiz. Bu hafta oturumun öne çıkan başlıklarını özetleyeceğiz, “Bilimde Üretken Yapay Zeka: Vaatler ve Tuzaklar.” Birinci Bölümde Dr. Rebecca Willett'in giriş ve sunumunu özetleyeceğiz.

CCC'nin 2024 yıllık toplantısının ilk AAAS paneli, konferansın ikinci günü olan 16 Şubat Cuma günü gerçekleşti. CCC'nin moderatörlüğünü üstlendiği panel Dr.Matthew TürkChicago'daki Toyota Teknoloji Enstitüsü'nün başkanı, yapay zekayı çeşitli bilimsel alanlara uygulayan uzmanlardan oluşuyordu. Dr.Rebecca WillettChicago Üniversitesi'nde istatistik ve bilgisayar bilimi profesörü olan , sunumunda üretken modellerin bilimlerde nasıl kullanılabileceği ve kullanıma hazır modellerin bilimsel araştırmalara uygulanmak için neden yeterli olmadığı konusuna odaklandı. Dr. Markus BuehlerMassachusetts Teknoloji Enstitüsü'nde mühendislik profesörü, malzeme bilimine uygulanan üretken modellerden bahsetti ve Dr.Duncan Watson-Parris, Scripps Oşinografi Enstitüsü ve UC San Diego Halıcıoğlu Veri Bilimi Enstitüsü'nde yardımcı doçent, iklim bilimlerinin incelenmesinde üretken modellerin nasıl kullanılabileceğini tartıştı.

Bilgisayarlı görme ve insan-bilgisayar etkileşimi konusunda uzman Dr. Türk, panele Üretken Yapay Zeka'yı tüm yapay zekalardan ayırarak başladı. "Üretimsel yapay zeka uygulamalarının temelinde, büyük miktardaki eğitim verilerinin yapısını öğrenen ve daha sonra öğrendiklerine dayanarak yeni veriler üreten, derin sinir ağlarından oluşan üretken modeller yer alıyor."

Dr. Turk ayrıca, hem var olmayan hukuki brifinglerden alıntı yapan sistemler gibi sistemlerin kendi arızaları nedeniyle, hem de bunların kötü aktörler tarafından sahte ses veya sahte içerik oluşturmak için kullanılması nedeniyle üretken sistemlerle ilgili yaygın endişelerin altını çizdi. politikacıların veya ünlülerin videoları.

Dr. Turk, "Özellikle bu oturumda, hem bilim arayışında dönüştürücü bir güç hem de potansiyel bir aksaklık riski olarak üretken yapay zekanın bilimde kullanımına odaklanılacak" dedi.

Dr. Rebecca Willett sunumuna, bilimsel keşif sürecini desteklemek için üretken yapay zekadan nasıl yararlanılabileceğini anlatarak başladı. İlk olarak üretken modellerin nasıl çalıştığına odaklandı. Dr. Willett'in slaytlarından alınan aşağıdaki görüntü, ChatGPT gibi bir dil modelinin, daha önceki bir sözcük kümesi göz önüne alındığında bir sözcüğün ortaya çıkma olasılığını nasıl değerlendirdiğini ve DALL-E 2 gibi bir görüntü oluşturma modelinin nasıl bir görüntü oluşturduğunu göstermektedir. Eğitim sırasında milyarlarca görüntüden öğrenilen olasılık dağılımlarını kullanarak belirli bir komut isteminden.

"Tüm üretken modellerin temelini oluşturan bu olasılık dağılımları ilkesini kullanarak, bu modeller, mevcut iklim ve potansiyel politikalar göz önüne alındığında olası iklim senaryolarının üretilmesi veya hedeflenen işlevlere sahip yeni mikrobiyomların üretilmesi gibi bilimlerdeki aya yönelik fikirlere uygulanabilir. özellikle plastikleri parçalamada etkili” diyor Dr. Willett.

Ancak bilimsel araştırmalar için ChatGPT veya DALL-E 2 gibi kullanıma hazır üretken araçların kullanılması yeterli değildir. Bu araçlar, bilim adamlarının faaliyet gösterdiği bağlamdan çok farklı bir ortamda oluşturuldu. Kullanıma hazır bir üretken model ile bilimsel bir model arasındaki bariz farklardan biri verilerdir. Bilimde genellikle hipotezlerin dayandırılacağı çok az veri vardır. Bilimsel veriler genellikle simülasyonlardan ve deneylerden elde edilir; bunların her ikisi de genellikle pahalıdır ve zaman alıcıdır. Bu sınırlamalar nedeniyle, bilim adamlarının hangi deneyleri yürüteceklerini ve bu sistemlerin verimliliğini ve kullanışlılığını nasıl en üst düzeye çıkaracaklarını dikkatli bir şekilde seçmeleri gerekiyor. Buna karşılık, kullanıma hazır modeller, üzerinde çalışabilecekleri veri miktarını en üst düzeye çıkarmak yerine, verilerin nereden geldiğine çok daha az önem veriyor. Bilimde veri kümelerinin doğruluğu ve kökenleri inanılmaz derecede önemlidir çünkü bilim adamlarının araştırmalarını sağlam ampirik kanıtlarla doğrulamaları gerekir.

Dr. Willett, "Ayrıca bilimdeki hedeflerimiz sadece makul şeyler üretmekten farklıdır" diyor. "Şu ana kadar gözlemlediklerimizin dışında işlerin nasıl yürüdüğünü anlamalıyız." Bu yaklaşım, verileri tüm olası gözlem aralığının temsilcisi olarak ele alan üretken yapay zeka modelleriyle çelişmektedir. Fiziksel modellerin ve kısıtlamaların üretken yapay zekaya dahil edilmesi, fiziksel olguları daha iyi temsil etmesinin sağlanmasına yardımcı olur.

Bilimsel modellerin aynı zamanda nadir olayları da yakalayabilmesi gerekiyor. "ChatGPT'yi eğitirken pek çok nadir olayı güvenle göz ardı edebiliriz, ancak bunun tersine, nadir hava olaylarını tahmin eden bir iklim modeli gibi, bilim bağlamında genellikle en çok önemsediğimiz şey nadir olaylardır. Nadir olaylardan kaçınan ve örneğin bir kasırgayı asla tahmin etmeyen üretken bir model kullanırsak, o zaman bu model pratikte pek kullanışlı olmayacaktır.”

İlgili bir zorluk da kaotik süreçler için başlangıç ​​koşullarına duyarlı üretken yapay zeka modelleri geliştirmektir. Dr. Willett, Lorenz 63 denklemlerine göre uzayda hareket eden iki parçacığı gösteren aşağıdaki videoyu gösterdi. Bu denklemler deterministiktir, rastgele değildir, ancak biraz farklı iki başlangıç ​​konumu göz önüne alındığında, herhangi bir zamanda iki parçacığın çok farklı konumlarda olabileceğini görebilirsiniz. İklim bilimi, türbülans ve ağ dinamiklerinde ortaya çıkan bu tür süreçlerin kesin seyrini tahmin eden üretken yapay zeka modelleri geliştirmek temelde zordur ancak üretken modellemeye yönelik yeni yaklaşımlar, oluşturulan süreçlerin temel istatistiksel özellikleri gerçek bilimsel verilerle paylaşmasını sağlayabilir.

[Gömülü içerik]

Son olarak Dr. Willett, bilimsel verilerin sıklıkla çok geniş bir mekansal ve zamansal ölçek aralığını kapsadığı gerçeğine değindi. Örneğin, malzeme biliminde araştırmacılar, malzemeleri nanometre ölçeğinde monomerler için, tüm uçak gibi büyük ölçekli sistemlere kadar inceliyorlar. "Bu ölçek aralığı, kullanıma hazır modellerde kullanılan verilerden çok farklıdır ve bu üretken modelleri, ölçekler arasındaki bu etkileşimleri doğru şekilde etkileyecek şekilde nasıl oluşturduğumuzu düşünmemiz gerekiyor".

Dr. Willett, "Üretken modeller bilimin geleceğidir" diyor ve ekliyor: "Ancak bunların etkili bir şekilde kullanılmasını sağlamak için yapay zekada temel ilerlemeler kaydetmemiz ve verileri ChatGPT'ye bağlamanın ötesine geçmemiz gerekiyor."

Okuduğunuz için çok teşekkür ederim ve lütfen yarın Dr. Markus Buehler'in Mekanobiyolojide Üretken Yapay Zeka hakkındaki sunumunun özetini okuyun.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://feeds.feedblitz.com/~/873922907/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-Part-One/