La trasformazione dell'IA è un'arma a doppio taglio. Ecco come evitare i rischi
Il CIO di questa organizzazione di ricerca pionieristica afferma che un approccio iterativo alla tecnologia emergente è il modo migliore per creare fiducia nell'IA generativa.
Un nuovo anno significa una nuova attenzione agli investimenti IT. L'analista tecnologico Gartner prevede che la spesa IT mondiale raggiungerà i 5,74 trilioni di dollari nel 2025, con un aumento del 9,3% rispetto al 2024. L'analista afferma che le esplorazioni nell'IA generativa (Gen AI) contribuiranno a guidare questa ascesa.
Come usare ChatGPT per scrivere:Riprende|Formule di Excel|Saggi|Lettere di presentazione
La maggior parte di noi si sarà già dilettata con la Gen AI. Che si tratti di lucidare il testo, creare foto o generare codice, le capacità della tecnologia possono sembrare magiche.
Devi dimostrare la tua ipotesi
Tuttavia, James Fleming, CIO del Francis Crick Institute, è un leader digitale che non si lascia trasportare dalla sua organizzazione.
Ha detto a ZDNET che l'utilizzo delle tecnologie emergenti per alimentare scoperte scientifiche rivoluzionarie non è semplice. Questa sfida significa che l'ascesa della Gen AI non ha portato a un grande cambiamento nei metodi di lavoro della sua organizzazione di ricerca leader a livello mondiale.
"Fare intelligenza artificiale scientifica, invece di creare modelli linguistici di grandi dimensioni disponibili al pubblico, è una disciplina molto diversa. Stai operando in un mondo scientifico strettamente limitato in cui devi dimostrare la tua ipotesi", ha detto.
"Non è sufficiente dire che hai buttato là fuori un modello che è quasi giusto. La maggior parte delle volte, deve essere esattamente giusto in determinate condizioni. E devi dimostrare che stai basando il tuo lavoro su una comprensione fondamentale".
Fleming ha descritto l'uso dell'intelligenza artificiale nella scienza come una "spada a doppio taglio". Mentre la tecnologia emergente può aiutare ad accelerare il processo di ricerca, qualsiasi nuova conclusione deve essere generata e presentata con un alto grado di certezza.
"La dimostrabilità è fondamentale, in particolare se si sta pensando a qualcosa con un percorso per l'impatto nel mondo reale in una clinica o come dispositivo medico", ha affermato Fleming.
"Se stai mettendo un'innovazione di fronte a un medico e dici: 'Penso che questo strumento possa prevedere l'evoluzione del cancro', ad esempio, diranno: 'Può? Mostrami perché'".
Tuttavia, mentre la spiegabilità è fondamentale per la ricerca scientifica, è un punto focale in contrasto con i metodi di lavoro della scatola nera e le allucinazioni di molti modelli di intelligenza artificiale popolari.
Utilizzare un approccio iterativo
Quindi, per demistificare i processi tecnologici emergenti, Fleming ha affermato che il Crick utilizza un approccio iterativo per aiutare i suoi ricercatori ad abbracciare con sicurezza i modelli di intelligenza artificiale.
"Devi lavorare lentamente e in modo incrementale verso l'obiettivo", ha detto. "Adottiamo un approccio molto più mirato che crea provenienza e fiducia fin dal primo giorno".
L'approccio incrementale di Crick aiuta i ricercatori a implementare modelli di intelligenza artificiale in due modi.
In primo luogo, il miglioramento delle metodologie scientifiche esistenti. Fleming ha detto che l'istituto ha iniziato il suo lavoro qui cinque anni fa nel campo della microscopia.
La struttura di microscopia del Crick analizza gli elettroni criogenici e produce immagini incredibilmente dense e belle di tessuti, cellule e singole molecole.
Tuttavia, produrre una bella immagine è solo il punto di partenza. L'immagine deve essere trasformata in dati, come dettagli che possono aiutare a mostrare le differenze tra una cellula cancerosa e una che non lo è.
Il team di Fleming ha lavorato in modo iterativo per dimostrare che i modelli giusti possono produrre risultati di ricerca rivoluzionari più velocemente.
"I modelli di intelligenza artificiale possono fare gran parte del lavoro sporco per te, come l'analisi e l'estrazione delle caratteristiche e la trasformazione di un'immagine in dati con cui puoi lavorare per ricavare la comprensione", ha detto.
La seconda area in cui Crick utilizza l'intelligenza artificiale è in un contesto di scoperta, ma strettamente limitato.
Fleming ha fatto l'esempio del lavoro di un laboratorio sul Parkinson. Il team di ricerca ha creato un classificatore in grado di identificare quali pazienti avevano la malattia in una popolazione di cellule staminali. Tuttavia, i ricercatori non sono riusciti a spiegare perché, quindi hanno lavorato a ritroso, in modo iterativo.
"Dopo aver addestrato il modello, c'è stato un processo di interrogazione inversa di quel modello con vari metodi statistici per dire: 'In realtà, la cosa dominante è l'ellitticità della cellula. Sono più ovali. E c'era anche tutta una serie di altre caratteristiche che il modello ha poi estratto'".
Ha detto che questi risultati isolati non sono la risposta, ma spingono alla prossima linea di indagine: "'OK, la morfologia cellulare è diversa. Perché? Qual è il nostro prossimo ciclo di sperimentazione?' Ed è qui che inizia ad entrare in gioco il pezzo iterativo".
Testare e affinare
Fleming ha affermato che l'attento processo del Crick di testare e affinare in modo incrementale le tecnologie di intelligenza artificiale sta ora portando a un approccio più sofisticato in cui più IA vengono riunite per alimentare programmi di ricerca affidabili.
Il progetto più grande è guidato da Samra Turaljic, il cui Cancer Dynamics Laboratory si concentra sulla comprensione di come si evolve il cancro del rene.
Il team utilizza l'intelligenza artificiale per prevedere l'evoluzione genomica di un tumore dalle immagini patologiche. Fleming ha affermato che lo sforzo ha comportato l'addestramento di più IA e l'addestramento incrociato di modelli con database genomici che abbracciano 10 anni di ricerca.
"Il risultato è che si crea qualcosa che può prevedere clinicamente l'evoluzione del rene", ha detto.
"Ma in ciascuno di questi processi, si costruisce meticolosamente un sottocomponente fino al punto in cui ci si può fidare, e si lavora anche attraverso strati e strati di dati e ci si avvicina sempre di più alla scala della popolazione del mondo reale mentre si lavora".
Fleming ha detto che questo approccio super-dettagliato è importante perché i risultati possono essere influenzati da variazioni biologiche e acquisizionali, come le diverse intensità di una macchia su un vetrino patologico.
Questo processo graduale dimostra che la chiave per ottenere risultati più rapidi dall'IA a lungo termine è lavorare lentamente e metodicamente a breve termine.
Questa è una prospettiva da cui tutti possiamo imparare in un'epoca di intelligenza artificiale, in cui l'iperbole dei fornitori suggerisce che soluzioni brillanti a sfide intrattabili sono a portata di clic.
"Iniziamo con un piccolo set di dati, lo comprendiamo, lo rendiamo predittivo e funzionante e inseriamo più dati", ha affermato Fleming.
"Poi, quando aggiungiamo altri dati, perfezioniamo nuovamente il modello. Questo processo iterativo è fondamentale perché se non lo fai, non costruisci la comprensione e la provenienza".