Человек + машина. Новые принципы работы в эпоху искусственного интеллекта

Только задумайтесь, насколько сложными стали научные наблюдения в наше время, ведь сейчас необходимо учитывать огромное количество исследований и сортировать колоссальные объемы данных. В 2009 году исследователи из Университета Оттавы отметили, что после 1665 года было опубликовано более 50 миллионов научных работ, а в наше время ежегодно публикуется более 2,5 миллиона[48]. И это только статьи. Что же тогда можно сказать обо всем объеме данных — структурированных и неструктурированных, каталогизированных, очищенных, сортированных и несортированных, анализируемых? Мы живем в цифровом мире, ежедневно генерируя умопомрачительные объемы данных. Какие наблюдения можно сделать с их помощью? Как дойти до той точки, когда что-то покажется нам «забавным» или достойным дальнейшего изучения?

Если человеку-исследователю свойственны творческие озарения, то машина, безусловно, превосходит его в структурировании и представлении большого объема данных. Компания Quid использует искусственный интеллект для переосмысления одного из этапов исследовательского процесса, связанного с изучением и обобщением информации. Платформа Quid обрабатывает естественный язык и создает визуализации на основе больших объемов текстовых данных — от патентов до новостных репортажей, — а также сортирует тексты в виде «сетей идей». В интерфейсе, с которым удобнее всего работать через сенсорный экран, концепты, кластеры и фрагменты информации группируются по критерию сходства, а между идеями выявляются сильные и слабые взаимосвязи.

Учиться на ошибках

Исследователи-химики из Хаверфордского колледжа (штат Пенсильвания) воспользовались машинным обучением для извлечения ценной информации из записей об удачных и неудачных экспериментах. Они проанализировали почти четыре тысячи химических реакций, приводящих к образованию кристаллов (записи о них накапливались в лаборатории более десяти лет), в том числе реакций, не давших ожидаемого результата, несмотря на все усилия. Когда анализ данных был завершен — каждая реакция была описана почти по трем сотням признаков, — они задействовали алгоритм машинного обучения, при помощи которого попытались выявить совокупность условий, приводящих к росту кристаллов.

Алгоритму удалось верно спрогнозировать кристаллизацию в 89% случаев, обойдя исследователей с их 78% (они полагались на интуицию и опыт). Алгоритм использовал модель дерева решений, позволившую составить разветвленную блок-схему, описывавшую каждый последующий шаг таким образом, что ученые смогли проследить логику принятых решений. Благодаря такой прозрачности исследователи смогли сформулировать новые гипотезы[49].

Шивон Зилис, инвестор из Bloomberg Beta, пользуется Quid в самых разных аспектах своей работы. Она может потратить целый день на формулирование тезисов для доклада о зарождающемся технологическом тренде, на поиск поставщиков или консультирование компаний, в которые она инвестирует.

Не имея такого инструмента, как Quid, Зилис пришлось бы двигаться в своих исследованиях буквально на ощупь: искать в Google, тщательно подбирая запросы, либо читать новости из самых разных источников (подборка неизбежно получилась бы ограниченной). Но при помощи Quid Зилис удается визуализировать тенденции, прослеживаемые при анализе более полного набора новостных источников. Она может уловить такие взаимосвязи между технологиями, которые легко могли бы остаться незамеченными. Более того, этот инструмент усиливает научную интуицию Зилис, давая возможность ставить дополнительные вопросы, прослеживать необычные тенденции, доступные при масштабировании рассматриваемого участка сети идей. Quid дает инвестору платформу для выхода на качественно новый уровень наблюдений. Вопросы формулируются быстрее, получаются более точными и конкретными, что открывает возможности для новых и неожиданных направлений научного поиска, позволяя формулировать более умные гипотезы[50].