¿Cómo puede la IA ayudar a la tarea de investigación académica?

Watson de IBM está ayudando a los médicos leyendo unos 2.000 documentos posiblemente relevantes que se publican todos los días. Watson luego los señala a los médicos que tratan a pacientes con cáncer. Esto hace que los médicos conozcan nuevos tratamientos para los cánceres particulares que están combatiendo. También puede ofrecer estadísticas actualizadas (o probabilidades de éxito bayesianas) para todos los tratamientos que se consideran.

Una IA similar podría algún día proporcionar el mismo tipo de asistencia a todos los investigadores. Por ejemplo, al planificar un experimento, su propio “watson” personal podría aconsejarle sobre lo que ya se ha hecho, cómo se podrían incorporar otros resultados experimentales, qué podría utilizar mejor el equipo que ya tiene, qué modificaciones se necesitarían para su equipo. experimento propuesto, si el plan es suficiente para permitir conclusiones estadísticamente significativas, incluso una probabilidad de éxito. (Los paquetes de estadísticas actuales ya se pueden usar para estimar el número de muestras y la precisión de las mediciones requeridas para obtener resultados estadísticamente significativos).

Aquí hay algunas formas:

1. Detección de anomalías aplicadas a trabajos académicos.
2. Aprendizaje automático aplicado a la búsqueda de trabajos académicos en general. Hay muchos patrones que podrían extraerse y analizarse a partir de trabajos académicos. Sería bueno simplemente preguntarle a un algoritmo cuántos documentos contienen alguna expresión (desde algo simple como regex, hasta algo complicado, como un patrón general detectable de algún tipo) y obtener una respuesta. En este momento podemos hacer esto hasta cierto punto con Google y Web of Science, pero las herramientas de búsqueda de patrones son bastante rígidas e inflexibles. Hay mucho margen de mejora. Gran parte del problema proviene del hecho de que muchas publicaciones son propietarias.
3. Creo que la programación genética podría aplicarse en muchos campos actualmente. No tengo idea de por qué no se usa más. ¿Quizás porque no se sabe bien?
4. Las bases de conocimiento bayesianas podrían tener muchas aplicaciones.
5. Las aplicaciones obvias, como la traducción de idiomas de artículos académicos, pueden ser un poco más difíciles, pero serán cada vez más confiables en un futuro cercano.
6. Aprendizaje automático aplicado a elementos finitos y otras simulaciones … grandes aplicaciones aquí.

Creo que para investigadores y académicos, es similar a las herramientas de aprendizaje como Canvas o Coursework. Las páginas web ya hacen un buen trabajo organizativo en Internet. Al igual que los motores de búsqueda de publicaciones académicas y organización de bibliotecas. Las herramientas de las máquinas aumentan la investigación y la investigación primaria.

El análisis de grandes datos sin ser inteligencia artificial artificial es increíblemente útil para identificar áreas de investigación fértiles potenciales al identificar y aislar de manera eficiente las correlaciones entre los conjuntos de datos experimentales observados.

Si bien la correlación de eventos no requiere causalidad, sin embargo es el primer paso clave para construir una Hipótesis para explicar la causalidad. El mundo tal como lo conocemos hoy está inundado de datos digitales con la mente humana en su mayor parte incapaz de comprender las posibles correlaciones y las posibles causas posteriores.

Los avances en informática como el análisis de Big data a pesar de no estar generalizado La inteligencia artificial es clave en la mayoría de las áreas de la ciencia actual, ya que la mente humana es simplemente incapaz de analizar eficientemente las posibilidades en los datos observados. Este impacto abarca el amplio espectro de campos desde física de partículas hasta medicina y economía.

El análisis de Big Data ayuda a buscar qué investigar al extraer los posibles candidatos para la construcción de hipótesis para explicar la causalidad.