Seberapa dalam pembelajaran dapat meningkatkan cara kita melakukan penelitian ilmiah

Apakah kita menerima begitu saja atau tidak, algoritma pembelajaran yang mendalam telah menjadi bagian yang tidak terpisahkan dari kehidupan kita sehari-hari. Umpan yang dipersonalisasi, pengenalan wajah dan suara, pencarian web, speaker pintar, asisten digital, email, dan banyak aplikasi lain yang kami tidak dapat berpisah dengan menggunakan algoritma pembelajaran mendalam di bawah tenda.

Tetapi seberapa efektif pembelajaran mendalam dalam penelitian ilmiah, di mana masalah sering kali jauh lebih kompleks daripada mengklasifikasikan gambar dan persyaratan jauh lebih sensitif daripada merekomendasikan apa yang harus dibeli selanjutnya?
Konferensi TNW Couch

Bergabunglah dengan para pemimpin industri untuk menentukan strategi baru untuk masa depan yang tidak pasti
DAFTAR SEKARANG

Untuk menjawab pertanyaan ini, mantan CEO Google Eric Schmidt dan peneliti Google AI Maithra Raghu telah menyusun panduan komprehensif tentang berbagai teknik pembelajaran mendalam dan penerapannya pada penelitian ilmiah.

“Jumlah data yang dikumpulkan dalam berbagai domain ilmiah meningkat secara dramatis dalam ukuran dan kompleksitas,” tulis para penulis, menambahkan bahwa seiring dengan kemajuan dalam pembelajaran mesin, kumpulan data yang kaya ini dapat memberikan “banyak peluang menarik untuk pembelajaran mendalam aplikasi dalam pengaturan ilmiah. ”

Baca: [Seberapa dalam algoritma pembelajaran dapat digunakan untuk mengukur jarak sosial]

Berjudul “Sebuah Survei Pembelajaran Mendalam untuk Penemuan Ilmiah,” panduan mereka memberikan gambaran yang sangat mudah diakses dari pembelajaran mendalam dan jaringan saraf bagi para ilmuwan yang tidak perlu berpengalaman dalam bahasa kompleks algoritma kecerdasan buatan.

Saya sangat merekomendasikan membaca seluruh dokumen 48 halaman dan mengunjungi banyak referensi. Tapi di sini ada beberapa takeaways kunci.
Anda tidak perlu melakukan pembelajaran yang mendalam

Dengan pembelajaran mendalam menjadi hal yang populer, mudah tergoda untuk menerapkannya pada apa saja. Setelah semua, proposisi dasar sangat menarik: Ini adalah model AI ujung-ke-ujung yang mengambil banyak data, mengembangkan representasi matematis, dan melakukan tugas klasifikasi dan prediksi yang kompleks.

Jaringan saraf dalam dapat mengatasi masalah yang sebelumnya dipecahkan oleh jenis algoritma pembelajaran mesin lainnya, seperti rekomendasi konten atau deteksi penipuan. Mereka juga dapat menangani masalah yang secara tradisional sulit ditangani dengan teknik pembelajaran mesin lainnya, termasuk tugas komputer yang kompleks dan tugas pemrosesan bahasa alami (NLP).

Namun, Schmidt dan Raghu memperingatkan, ketika merumuskan masalah, penting untuk mempertimbangkan

apakah pembelajaran yang mendalam menyediakan seperangkat alat yang tepat untuk menyelesaikannya. “Dalam banyak situasi, pembelajaran yang mendalam mungkin bukan teknik terbaik untuk memulai atau paling cocok dengan masalah tersebut,” tulis mereka.

Untuk banyak masalah, algoritma pembelajaran mesin yang lebih sederhana seringkali memberikan solusi yang lebih efisien. Misalnya, jika Anda ingin menemukan yang paling relevan dari sekumpulan karakteristik kimia dari zat yang berbeda, Anda mungkin lebih baik menggunakan “pengurangan dimensi,” teknik yang dapat menemukan fitur yang berkontribusi paling besar pada hasil.

Di sisi lain, jika Anda memiliki data terbatas atau jika data Anda telah disusun dengan rapi dalam format tabel, Anda mungkin ingin mempertimbangkan untuk mencoba model regresi sebelum menggunakan jaringan saraf. Jaringan saraf biasanya (tetapi tidak selalu) membutuhkan banyak data. Mereka juga sulit ditafsirkan. Sebaliknya, algoritma regresi linier dan logistik dapat memberikan hasil yang lebih akurat ketika data langka, terutama jika masalahnya bersifat linier. Model regresi juga menyediakan persamaan matematika yang jelas dengan koefisien yang menjelaskan relevansi setiap fitur dalam dataset.
Pembelajaran mendalam untuk tugas-tugas ilmiah terkait gambar

Algoritma pendeteksian coronavirus covid-net

Para ilmuwan menggunakan algoritma pembelajaran mendalam untuk mendeteksi tanda-tanda infeksi COVID-19 pada rontgen dada pasien (sumber: COVID-Net)

Salah satu area di mana algoritma pembelajaran yang dalam sangat efektif adalah pemrosesan data visual. Para penulis menggambarkan jaringan saraf convolutional sebagai “keluarga jaringan saraf yang paling terkenal” dan “sangat berguna dalam bekerja dengan segala jenis data gambar.”

Selain dari aplikasi komersial dan industri, CNN telah menemukan jalan mereka ke banyak domain ilmiah. Salah satu aplikasi yang paling terkenal dari jaringan saraf convolutional adalah analisis pencitraan medis. Sudah ada banyak algoritma pembelajaran mendalam yang memeriksa CT scan dan x-ray dan membantu dalam diagnosis penyakit seperti kanker. Baru-baru ini, para ilmuwan telah menggunakan CNN untuk menemukan gejala virus corona baru di rontgen dada.

Beberapa aplikasi visual pembelajaran dalam kurang dikenal. Sebagai contoh, ahli saraf sedang bereksperimen

dengan jaringan saraf pendeteksi-pose untuk melacak pergerakan hewan dan menganalisis perilaku mereka.
Teknologi NLP dapat berkembang ke bidang lain

Bidang lain yang sangat diuntungkan dari kemajuan algoritma pembelajaran mendalam adalah pemrosesan bahasa alami. Jaringan saraf berulang, jaringan memori jangka pendek (LSTM), dan Transformer telah terbukti sangat baik dalam melakukan hubungan bahasa

Seberapa dalam pembelajaran dapat meningkatkan cara kita melakukan penelitian ilmiah