Hispanopedia Wiki
Articulo de referencia

Sistema de descubrimiento (inteligencia artificial)

Un sistema de descubrimiento es un sistema de inteligencia artificial que intenta descubrir nuevos conceptos o leyes científicas. El objetivo de los sistemas de descubrimiento e...

Hispanopedia WikiContenido en espanolLectura gratuita

Un sistema de descubrimiento es un sistema de inteligencia artificial que intenta descubrir nuevos conceptos o leyes científicas. El objetivo de los sistemas de descubrimiento es automatizar el análisis de datos científicos y el proceso de descubrimiento científico. Idealmente, un sistema de inteligencia artificial debería ser capaz de buscar sistemáticamente en el espacio de todas las hipótesis posibles y generar la hipótesis —o el conjunto de hipótesis igualmente probables— que mejor describa los patrones complejos de los datos. [ 1 ] [ 2 ]

Durante la época conocida como el segundo verano de la IA (aproximadamente 1978-1987), se desarrollaron varios sistemas similares a los sistemas expertos dominantes de la época para abordar el problema de extraer hipótesis científicas a partir de datos, con o sin interacción con un científico humano. Estos sistemas incluían Autoclass , [ 3 ] Automated Mathematician , [ 4 ] [ 5 ] Eurisko , [ 6 ] que apuntaba al descubrimiento de hipótesis de propósito general, y sistemas más específicos como Dalton , que descubre propiedades moleculares a partir de datos.

El sueño de construir sistemas que descubran hipótesis científicas quedó relegado a un segundo plano con el segundo invierno de la IA y el posterior resurgimiento de métodos subsimbólicos como las redes neuronales . Los métodos subsimbólicos priorizan la predicción sobre la explicación y generan modelos que funcionan bien pero son difíciles o imposibles de explicar, lo que les ha valido el nombre de IA de caja negra . Un modelo de caja negra no puede considerarse una hipótesis científica, y este desarrollo incluso ha llevado a algunos investigadores a sugerir que el objetivo tradicional de la ciencia —descubrir hipótesis y teorías sobre la estructura de la realidad— está obsoleto. [ 7 ] [ 8 ] Otros investigadores discrepan y argumentan que los métodos subsimbólicos son útiles en muchos casos, pero no para generar teorías científicas. [ 9 ] [ 10 ] [ 11 ]

Sistemas Discovery de las décadas de 1970 y 1980.

  • Autoclass fue un sistema de clasificación bayesiana escrito en 1986 [ 3 ].
  • El Matemático Automatizado fue uno de los primeros sistemas de descubrimiento exitosos. Fue escrito en 1977 y funcionaba generando y modificando pequeños programas Lisp.
  • Eurisko fue una secuela de El matemático automatizado, escrita en 1984.
  • Dalton es un programa que aún recibe mantenimiento y que es capaz de calcular diversas propiedades moleculares. Fue lanzado inicialmente en 1983 y está disponible como código abierto desde 2017.
  • Glauber es un método de descubrimiento científico escrito en el contexto de la filosofía computacional de la ciencia, lanzado en 1983.

Sistemas de descubrimiento modernos (2009-presente)

Tras un par de décadas con escaso interés en los sistemas de descubrimiento, el interés por utilizar la IA para descubrir leyes naturales y explicaciones científicas se reavivó gracias al trabajo de Michael Schmidt, entonces estudiante de doctorado en Biología Computacional en la Universidad de Cornell . Schmidt y su asesor, Hod Lipson , inventaron Eureqa , que describieron como un enfoque de regresión simbólica para "extraer leyes naturales de forma libre a partir de datos experimentales". [ 12 ] Este trabajo demostró eficazmente que la regresión simbólica era una vía prometedora para el descubrimiento científico impulsado por la IA.

Desde 2009, la regresión simbólica ha madurado aún más y, en la actualidad, diversos sistemas comerciales y de código abierto se utilizan activamente en la investigación científica. Algunos ejemplos notables son Eureqa, que ahora forma parte de DataRobot AI Cloud Platform, AI Feynman [ 13 ] y QLattice [ 14 ] .

Referencias

  1. ↑ Shen, Wei-Min (1990). "Transformaciones funcionales en sistemas de descubrimiento de IA" . Inteligencia Artificial . 41 (3): 257– 272. doi : 10.1016/0004-3702(90)90045-2 . S2CID 7219589 . 
  2. ↑ Gil, Yolanda; Greaves, Mark; Hendler, James; Hirsh, Haym (10 de octubre de 2014). "Amplificar el descubrimiento científico con inteligencia artificial". Science . 346 ( 6206): 171– 172. Bibcode : 2014Sci...346..171G . doi : 10.1126/science.1259439 . PMID 25301606. S2CID 206561353 .  
  3. 1 2 Cheeseman, Peter; Kelly, James; Self, Matthew; Stutz, John; Taylor, Will; Freeman, Don (1988-01-01). Laird, John (ed.). AutoClass: Un sistema de clasificación bayesiana . San Francisco: Morgan Kaufmann. pp. 54–64 . doi : 10.1016/b978-0-934613-64-4.50011-6 . ISBN  978-0-934613-64-4. Consultado el 24 de julio de 2022 .{{cite book}}: |work=ignorado ( ayuda )
  4. ↑ Ritchie, GD; Hanna, FK (agosto de 1984). "AM: Un estudio de caso en metodología de IA". Inteligencia Artificial . 23 (3): 249– 268. doi : 10.1016/0004-3702(84)90015-8 .
  5. ↑ Lenat, Douglas Bruce (1976). Am: Un enfoque de inteligencia artificial para el descubrimiento en matemáticas como búsqueda heurística (Tesis).
  6. ↑ Henderson, Harry (2007). «El matemático automatizado». Inteligencia artificial: espejos para la mente . Hitos en el descubrimiento y la invención. Infobase Publishing. págs. 93–94 . ISBN  978-1-60413-059-1.
  7. ↑ Anderson, Chris. "El fin de la teoría: el aluvión de datos vuelve obsoleto el método científico" . Wired . Consultado el 24 de julio de 2022 .
  8. ↑ Vutha, Amar (2 de agosto de 2018). "¿Podría el aprendizaje automático significar el fin de la comprensión en la ciencia?" . The Conversation . Recuperado el 24 de julio de 2022 .
  9. ↑ Canca, Cansu (28 de agosto de 2018). "¿El aprendizaje automático como enemigo de la ciencia? En realidad no" . Bill of Health . Recuperado el 24 de julio de 2022 .
  10. ↑ Wilstrup, Casper Skern (30 de enero de 2022). "¿Estamos reemplazando la ciencia con un oráculo de IA?" . Medium . Consultado el 24 de julio de 2022 .
  11. ↑ Christiansen, Michael; Wilstrup, Casper; Hedley, Paula L. (2022-06-28). "El aprendizaje automático explicable de "caja blanca" es el camino a seguir en la detección de la preeclampsia" . American Journal of Obstetrics & Gynecology . 227 (5): 791. doi : 10.1016/j.ajog.2022.06.057 . PMID 35779588. S2CID 250160871 .  
  12. ↑ Schmidt, Michael; Lipson, Hod (2009-04-03). "Destilando leyes naturales de forma libre a partir de datos experimentales" . Science . 324 (5923): 81– 85. Bibcode : 2009Sci...324...81S . doi : 10.1126 /science.1165893 . PMID 19342586. S2CID 7366016 .  
  13. ↑ Udrescu, Silviu-Marian; Tegmark, Max (2020-04-17). "AI Feynman: Un método inspirado en la física para la regresión simbólica" . Science Advances . 6 (16) eaay2631. arXiv : 1905.11481 . Bibcode : 2020SciA....6.2631U . doi : 10.1126/sciadv.aay2631 . PMC 7159912. PMID 32426452 .  
  14. ^ Broløs, Kevin René; Machado, Meera Vieira; Cueva, Chris; Kasak, Jaan; Stentoft-Hansen, Valdemar; Batanero, Víctor Galindo; Jelen, Tom; Wilstrup, Casper (12 de abril de 2021). "Una aproximación a la regresión simbólica utilizando Feyn". arXiv : 2104.05417 [ cs.LG ].
  • La revolución de la IA en la investigación científica