L’intelligence artificielle ne résoudra pas tout

Même si Big Data et les méthodes d’apprentissage automatique (apprentissage automatique) donnent parfois des résultats surprenants, elle ne permet pas de comprendre les méthodes existantes, ce qui ne peut être éclairé que par des recherches importantes, qui restent importantes pour assurer le progrès scientifique. Ceci est reflété dans un article publié dans la revue Symboles scientifiques Holden Thorp, rédacteur en chef de la revue La scienceet Michael Yaffe, rédacteur en chef du magazine Symboles scientifiques.

« Nous nous concentrons sur la collecte de grandes banques de données scientifiques et de nouvelles méthodes [informatiques et statistiques] A l’analyse de ces données volumineuses, il est tentant de croire que les grands progrès de la science biomédicale proviendront davantage de l’interprétation de cette mine d’informations directement dans les applications de la santé, de l’agriculture et des stratégies de lutte contre le changement climatique, que des résultats . il est produit par des recherches approfondies », déclarent Thorp et Yaffe. Dans le même temps, ils montrent que les principales institutions financières nationales, internationales et privées semblent allouer une grande partie de leur argent à cette méthode dans le but de créer des applications immédiates.

Tous deux sont préoccupés par l’avenir de la recherche fondamentale, qui vise à élargir notre connaissance du monde et à découvrir des processus importants qui sont mis en œuvre dans les phénomènes que nous voyons, des méthodes qui peuvent être utilisées pour créer des applications biomédicales.

La science perdue depuis longtemps

Ils soutiennent qu’il reste important d’investir dans la science fondamentale, bien que beaucoup soutiennent que la recherche scientifique devrait accorder plus d’attention à ces préoccupations, surtout en ce moment, étant donné l’incroyable potentiel de l’intelligence artificielle. Tout cela pour répondre aux grandes problématiques auxquelles sont confrontées nos marques en particulier, sinon le monde entier. Ils “mettent en garde contre la recherche qui met trop l’accent sur le gain technologique à court terme, ce qui conduira à la perte de la science à long terme”.

Lire Aussi :  Les Smartphones Peuvent être Utilisés Pour Un éventail D'utilisations Médicales, Mais Ces Capacités - Et Le Potentiel De Gain - Restent Insatisfaits

“Les grands progrès scientifiques sont encore le résultat de méthodes de recherche établies”, soulignent-ils en donnant l’exemple du Paxlovid, cet antiviral utilisé contre le COVID-19, qui a été développé grâce à notre compréhension de l’enzymologie virale et de la chimie médicinale traditionnelle, ainsi que celle de l’immunothérapie pour le traitement du cancer, qui a été créée à partir de nouvelles connaissances découvertes en immunologie au cours des premières recherches.

L’utilisation de techniques avancées d’apprentissage automatique, telles que l’apprentissage en profondeur (l’apprentissage en profondeur), dans les sciences biologiques nous a montré que notre compréhension fondamentale fait toujours défaut, disent-ils.

La recherche est importante

Les logiciels de calcul AlphaFold et RoseTTAFold sont capables de prédire avec précision la structure tridimensionnelle d’une protéine à partir de sa séquence d’acides aminés grâce à des méthodes d’apprentissage en profondeur : un exploit incroyable, que les gens n’ont jamais réussi, même s’il connaissait les principes physico-chimiques depuis les années 1950. . , rapportent-ils.

“Cet exemple nous montre qu’il y a des aspects importants du repliement des protéines que nous ne comprenons toujours pas. “La poursuite des recherches visant à comprendre ces processus est essentielle si nous voulons combler l’écart entre les prédictions faites par l’IA et notre compréhension scientifique”, écrivent-ils.

Autre exemple : le machine learning est meilleur que les médecins pour détecter les pathologies en mammographie, radiographie thoracique et images scanner. « Mais ce que ces méthodes ne peuvent pas faire, c’est expliquer exactement ce que l’ordinateur voit lorsqu’il analyse ou classe. »

Lire Aussi :  Les troubles de l’équilibre sous l’œil de la NASA

Et l’apprentissage automatique ne pouvait pas prédire que le coronavirus, qui fait l’objet de recherches depuis les années 1960, serait l’agent pathogène qui menacerait le plus l’homme au cours du siècle dernier. Ou des médicaments anti-ARNm nous en protégeraient. Les fruits de la recherche scientifique fondamentale n’ont jamais été aussi précieux que dans ce secteur, disent-ils.

Où regarder

“Si nous avons aujourd’hui des vaccins à ARN, c’est principalement grâce aux importantes recherches menées par la Hongroise Katalin Karikó, qui, il y a vingt-cinq ans, cherchait à comprendre le fonctionnement de l’ARNm, mais ce n’était pas à la mode. […] Les résultats des premières recherches sont imprévisibles. Peut-être qu’ils ne mèneront nulle part, peut-être que la réponse sera mauvaise, mais c’est important de le savoir, parce que ça nous dit de ne plus regarder de cette façon », renchérit Yves Gingras, directeur de l’Observatoire des sciences et technologies.

La conviction qu’avec des algorithmes basés sur l’apprentissage automatique profond et de grandes quantités de données, nous n’avons pas besoin de théorie car les données nous donneront la réponse “constitue une sorte de régression vers l’empirisme”, spécule-t-il.

“Les méthodes d’IA sont basées sur des algorithmes qui ne créent que des relations, qui ne regardent que les relations entre différentes choses dans la quantité de données. Et, une fois établies, ces relations permettent de prédire les problèmes futurs en saisissant et en exagérant avec une certaine probabilité”, dit le professeur d’histoire et de sociologie des sciences à l’UQAM.

« Prédire n’est pas expliquer. Si l’on se contente de prédire, on peut donc continuer à utiliser le modèle planétaire des épicycles de Ptolémée. [astronome et mathématicien grec du IIe siècle de notre ère], ce qui est mauvais, mais ça marche. Si l’ordinateur reçoit de nombreux épicycles, il donne une bonne prédiction des positions des planètes vues de la Terre. Mais ce n’est qu’une prédiction de puissance, qui a permis aux Babyloniens de prédire les éclipses sans vraiment comprendre comment cela se passe”, dit-il.

Lire Aussi :  La Nasa prépare une fusée à propulsion nucléaire pour aller sur Mars en seulement 45 jours !

“Il a fallu que Kepler et Newton expliquent pleinement – suite à la formulation d’une théorie physique basée sur l’attraction entre les planètes en orbite autour du soleil – ce que Ptolémée, et avant lui les auteurs babyloniens, se contentaient de prédire”, rappelle-t-il dans la rubrique publiée. . le journal de la science.

Une fausse prédiction

M. Gingras dit aussi que « la prédiction [produites par les méthodes de l’IA] ne fonctionne jamais à 100%. Habituellement, ils s’arrêtent à 80%. Ils sont faux dans 20% des cas. Il y a donc une incertitude.”

“Tant qu’on ne sait pas comment ça marche, on ne peut pas avoir une entière confiance”, se souvient-il. Par contre, on peut faire confiance, par exemple, aux ordinateurs d’aujourd’hui qui planifient un voyage sur la Lune parce qu’ils utilisent les équations de Newton, Kepler et Einstein, dont on sait qu’elles sont vraies. »

Auteurs d’articles publiés dans Symboles scientifiques ne critiquez pas l’utilisation de l’IA, qu’ils considèrent comme un moyen d’accélérer la découverte scientifique. “Les algorithmes sont de la technologie, ils sont utiles, mais ils ne peuvent pas remplacer la science”, ajoute M. Gingras.

“Plus de découvertes émergeront si nous commençons à nous appuyer sur une meilleure compréhension de la biologie pour guider l’analyse des données plutôt que de supposer naïvement qu’elles viendront d’une autre manière”, concluent Thorp et Yaffe.

A voir dans la vidéo



Source

Leave a Reply

Your email address will not be published.

Articles Liés

Back to top button