Pembelajaran mendalam memiliki potensi besar untuk penelitian ilmiah

Mantan CEO Google Eric Schmidt dan peneliti AI Google Maithra Raghu telah mengembangkan sebuah penelitian yang menjelaskan berbagai teknik pembelajaran mendalam dan bagaimana hal itu dapat diterapkan dalam penelitian ilmiah, area di mana banyak peneliti mencari solusi. untuk melawan virus corona.

Kajian tersebut bertajuk “An In-depth Study of Scientific Discovery” (Studi mendalam untuk mendalami ilmu pengetahuan), Peneliti dan pakar kecerdasan buatan menjawab sejumlah pertanyaan tentang seberapa efektif pembelajaran mendalam dan jaringan saraf dalam penelitian ilmiah dan potensi kelemahannya.

Jumlah data yang dikumpulkan dalam berbagai bidang ilmiah meningkat secara dramatis baik dalam skala maupun kompleksitas.

Jumlah data yang kaya ini dapat memberikan banyak peluang menarik untuk pembelajaran mendalam dan aplikasi di lingkungan ilmiah.

Bagaimana deep learning dapat diterapkan dalam penelitian ilmiah?

Pembelajaran mendalam adalah salah satu cabang pembelajaran mesin yang berhubungan dengan jaringan saraf dalam, yaitu model data yang mensimulasikan perilaku jaringan saraf nyata atau aktivitas saraf nyata.

Jaringan saraf ini menyajikan berbagai koneksi dan perilakunya yang dibangun atau dipelajari karena sejumlah besar data dan algoritma untuk diproses, jadi salah satu persyaratan pertama untuk melakukan penelitian Penelitian mendalam adalah sejumlah besar data.

Sehubungan dengan itu, peneliti mengingatkan bahwa: “Dalam banyak pengaturan, pembelajaran mendalam mungkin bukan teknologi terbaik untuk memulai atau yang terbaik untuk masalah ini.”

Untuk kasus di mana tidak ada banyak data atau mudah diatur dan dimanipulasi, alat kecerdasan buatan lainnya seperti pembelajaran mesin atau bahkan pemodelan pra-regresi jaringan saraf dapat menghasilkan hasil utama yang lebih akurat dengan lebih sedikit data.

Pembelajaran mendalam dan penelitian COVID-19

Apa yang peneliti jelaskan adalah bahwa pembelajaran mendalam tidak boleh diterapkan dalam situasi di mana itu hanya solusi untuk model matematika sederhana. Namun, dalam penelitian ilmiah, jaringan saraf convolutional (CNNs) memiliki tempat dalam analisis citra medis.

Algoritma pembelajaran mendalam saat ini digunakan dalam kedokteran untuk menyelidiki tomografi dan sinar-x dan untuk mengoptimalkan diagnosis penyakit seperti kanker.

Teknologi yang disebut COVID-Net adalah jaringan saraf imigrasi yang dilatih untuk menafsirkan data besar dari sekitar 5.941 gambar milik lebih dari 2000 pasien dengan berbagai penyakit paru-paru.

Proyek open-source telah dirilis ke para peneliti dan pengembang di seluruh dunia untuk menganalisis dan menyempurnakan gambar yang akan lebih mengoptimalkan diagnosis virus corona, meskipun alat tersebut saat ini sedang diuji. , tetapi fakta bahwa ia merilisnya Ini adalah hasil dari pengetahuan dan citra banyak pakar di dunia, sungguh suatu kemajuan.

COVID-Net

Demikian pula, para peneliti menunjukkan bahwa pembelajaran mendalam dalam pembelajaran alami, sementara salah satu dasar AI lainnya, pembelajaran penguatan, adalah bidang lain yang menunjukkan harapan untuk penelitian ilmiah, meskipun pengumpulan data sulit. dan mahal.

Schmidt dan Raghu menjelaskan beberapa teknologi yang dapat digunakan dan digunakan oleh dokter dan pengembang dalam penelitian ilmiah, seperti fungsi atribut yang menghasilkan peta yang menonjol seperti yang berasal dari GradCAM, LIME dan RISE.

Karena jumlah data yang dikumpulkan di berbagai bidang ilmiah terus meningkat baik kuantitas maupun kompleksitasnya, metode pembelajaran mendalam menghadirkan banyak peluang menarik untuk masalah prediksi yang mendasar dan mengungkap fitur halus dari proses produksi data yang mendasarinya.

Sedangkan teknik pengujian model mencoba untuk memeriksa neuron di lapisan tersembunyi jaringan dan menemukan jenis input yang mengaktifkannya. Ini telah diterapkan di GANPaint, sebuah teknik yang memungkinkan efek dari neuron individu untuk dipelajari.

Dengan cara ini, para peneliti mengkonfirmasi bahwa aplikasi pembelajaran mendalam dalam penelitian ilmiah luas selama jumlah data yang diperlukan untuk mengajar CNN tersedia.