L'apprentissage automatique pour dynamiser la recherche

Jan 18, 2024

L'intelligence artificielle, ou apprentissage automatique, peut prendre en charge des analyses complexes et faire progresser la recherche de qualité, mais uniquement lorsqu'elle est utilisée avec précaution. John F. Wu partage des conseils sur la façon dont l'apprentissage automatique peut autonomiser les chercheurs

Tu pourrais aussi aimer

Ressources populaires

L'intelligence artificielle (IA) - ou apprentissage automatique - semble être partout de nos jours. Si vous êtes chercheur, vous avez probablement vu ces termes apparaître de plus en plus dans la littérature académique de votre domaine. Mais dans quelle mesure cela est-il réellement utile ? Devriez-vous également tirer parti de l'apprentissage automatique ?

Dans cet article, je décrirai quelques cas où l'apprentissage automatique est utile pour la recherche - et aussi quand il ne l'est pas - en m'inspirant de mon propre domaine en astronomie.

L'apprentissage automatique offre le plus de valeur pour les problèmes de recherche "axés sur les données": lorsque vous avez tellement de données que vous ne pouvez pas les inspecter manuellement. Dans ces scénarios, l'apprentissage automatique peut alléger votre charge de travail et vous permettre de vous concentrer sur votre domaine de recherche. Cependant, l'adoption de l'apprentissage automatique n'est pas sans embûches et coûts cachés.

Lorsqu'il est appliqué avec soin, à travers l'objectif d'un sceptique, l'apprentissage automatique peut permettre des programmes de recherche qui seraient autrement irréalisables. D'une manière générale, l'apprentissage automatique peut autonomiser les chercheurs de quatre manières.

Parfois, vous voulez savoir si votre jeu de données peut être utilisé pour déterminer autre chose. Par exemple, vous avez peut-être entendu parler de la façon dont l'apprentissage automatique en médecine peut aider les médecins à dépister le cancer. Dans mon domaine d'astronomie, il est assez simple de prendre des images de millions de galaxies, mais nous avons toujours eu besoin de prendre et d'analyser des observations spécialisées afin de comprendre les détails de l'évolution des galaxies. En utilisant l'apprentissage automatique, mes collaborateurs et moi avons découvert que nous pouvions étudier ces galaxies uniquement à l'aide d'images.

Il est facile de créer de nouveaux modèles sur la façon dont les choses devraient se comporter, mais le vrai test de tout modèle est de savoir s'il a un pouvoir prédictif. En identifiant les connexions au sein de vos données, vous pouvez formuler un modèle, et l'apprentissage automatique le peut également. Les scientifiques ont utilisé l'apprentissage automatique pour résumer ces connexions dans le langage des mathématiques et découvrir une nouvelle formule qui explique la distribution de la matière à l'échelle cosmique.

Si l'apprentissage automatique peut être utilisé pour trouver les tendances typiques, il n'est peut-être pas surprenant que l'apprentissage automatique soit également excellent pour détecter les choses anormales. De nombreux domaines de recherche peuvent bénéficier d'une analyse approfondiel'étude de phénomènes rares, et l'apprentissage automatique peut vous aider à repérer "l'aiguille dans la botte de foin".En astronomie, l'apprentissage automatique a également été utilisé pour détecter des phénomènes rares, comme les ondes gravitationnellesévénements, supernovae, galaxies à lentilles gravitationnelles, données mal traitées et beaucoup plus. Une analyse des galaxies aberrantes a révélé de nombreux phénomènes intéressants(y compris de nombreuses "galaxies" qui n'étaient pas du tout des galaxies).

Soyons honnêtes : certains aspects de la recherche sont ennuyeux et chronophages. En radioastronomie, de vastes ressources informatiques et beaucoup de temps sont nécessaires pour supprimer les signaux artificiels et les données corrompues. L'apprentissage automatique peut effectuer ces tâches en utilisant une fraction du coût et du temps.

En accélérant les parties ennuyeuses de la recherche, l'apprentissage automatique peut également permettre de nouveaux types d'analyses qui ne seraient pas possibles autrement. De nombreux problèmes de recherche tentent de résoudre le problème suivant : étant donné un résultat observé, quels sont les paramètres d'un modèle qui a produit un tel résultat ? Ces problèmes dits inverses peuvent être résolus efficacement grâce à l'apprentissage automatique. Pour plus de détails, lisez sur l'inférence basée sur la simulation.

Les ensembles de données deviennent de plus en plus gros, mais il existe de nombreuses façons de combiner des fonctionnalités dans des versions condensées. Les méthodes de réduction de la dimensionnalité incluent des approches classiques telles que l'analyse en composantes principales (ACP), l'incorporation de voisins stochastiques à distribution t (t-SNE) et l'approximation et la projection uniformes de la variété (UMAP), ou des techniques d'apprentissage automatique telles que l'utilisation de réseaux de neurones pré-formés ou d'algorithmes similaires afin de transformer les données en versions résumées.

Il est également utile de comprendre quelles entrées (ou caractéristiques) sont les plus importantes pour faire des prédictions. Différents algorithmes d'apprentissage automatique révèlent les fonctionnalités les plus importantes de différentes manières ; par exemple, les forêts aléatoires peuvent automatiquement classer les entités par importance. Pour les modèles de réseaux de neurones, le mappage de saillance vous permet d'identifier les pixels d'une image qui sont les plus essentiels pour faire une prédiction (par exemple, le mappage d'activation de classe pondéré en gradient ou Grad-CAM). Ces algorithmes offrent un certain niveau d'interprétabilité de l'apprentissage automatique qui peut profiter à votre programme de recherche.

N'oubliez pas que tous les problèmes ne peuvent pas - ou ne doivent pas - être résolus à l'aide de l'apprentissage automatique méthodes. L'apprentissage automatique fournit simplement un ensemble d'outils différent que vous pouvez ajouter à votre boîte à outils. Espérons qu'en combinant ces nouveaux outils avec une expertise spécifique à un domaine, vous serez en mesure de discerner quels outils sont les meilleurs pour les problèmes que vous essayez de résoudre. L'apprentissage automatique peut être particulièrement utile lorsque vous avez beaucoup de données et si votre recherche bénéficie de la recherche de tendances ou de valeurs aberrantes, de l'accélération de l'apprentissage automatique, de la visualisation des données ou du classement par importance des fonctionnalités. Dans les années à venir, des applications intelligentes de l'apprentissage automatique peuvent potentiellement transformer la façon dont la recherche est effectuée.

John F. Wu est astronome assistant au Space Telescope Science Institute et chercheur associé à l'Université Johns Hopkins.

Si vous avez trouvé cela intéressant et que vous souhaitez recevoir des conseils et des idées d'universitaires et de personnel universitaire directement dans votre boîte de réception chaque semaine, inscrivez-vous à la newsletter THE Campus .