Gadi Singer d'Intel pense que son défi le plus important est son dernier en date :utiliser l'intelligence artificielle (IA) pour remodeler l'exploration scientifique.

Dans un Q&A chronométré avec le premier événement Intel AI DevCon, le vice-président d'Intel et directeur général de l'architecture pour son groupe de produits d'intelligence artificielle a discuté de son rôle à l'intersection de la science - le client le plus exigeant de l'informatique - et de l'IA, comment les scientifiques devraient aborder l'IA et pourquoi il s'agit de l'opportunité la plus dynamique et la plus excitante à laquelle il ait été confronté.

Q. Comment l'IA change-t-elle la science ?

L'exploration scientifique traverse une transition qui, au cours des 100 dernières années, pourrait seulement être comparé à ce qui s'est passé dans les années 50 et 60, passer aux données et aux systèmes de données volumineux. Dans les années 60, la quantité de données recueillies était si importante que les favoris n'étaient pas ceux qui disposaient des meilleurs instruments, mais plutôt ceux capables d'analyser les données qui ont été recueillies dans n'importe quel domaine scientifique, que ce soit le climat, sismologie, la biologie, médicaments, l'exploration de nouvelles médecines, etc.

Aujourd'hui, les données ont atteint des niveaux dépassant de loin les capacités des personnes à poser des questions particulières ou à rechercher des informations particulières. La combinaison de ce déluge de données avec les techniques modernes d'informatique et d'apprentissage en profondeur offre des capacités nouvelles et bien plus perturbatrices.

Q. Qu'est-ce qu'un exemple ?

L'un d'eux, qui utilise la force de base de l'apprentissage en profondeur, est l'identification de motifs très faibles dans un ensemble de données très bruyant, et même en l'absence d'un modèle mathématique exact de ce que vous recherchez.

Pensez aux événements cosmiques qui se produisent dans une galaxie lointaine, et vous recherchez certaines caractéristiques des phénomènes pour les repérer à partir d'un très grand ensemble de données. Ceci est un exemple de recherche sans équation connue, où vous pouvez donner des exemples, et à travers eux, laissez le système d'apprentissage en profondeur apprendre ce qu'il faut rechercher et finalement découvrir un modèle particulier.

Q. Donc, vous savez ce que vous cherchez, mais vous ne savez pas comment le trouver ?

Vous ne pouvez pas définir l'équation mathématique exacte ou les requêtes qui la décrivent. Les données sont trop volumineuses pour les essais et erreurs et les techniques d'analyse de données volumineuses précédentes n'ont pas suffisamment de fonctionnalités définies pour rechercher avec succès le modèle.

Vous savez ce que vous cherchez car vous en avez tagué plusieurs exemples dans vos données, et vous pouvez généralement le décrire. L'apprentissage en profondeur peut vous aider à repérer les occurrences d'une telle classe dans un ensemble de données multidimensionnel bruyant.

Q. Existe-t-il d'autres façons dont l'IA peut changer l'approche scientifique ?

Un autre exemple est lorsque vous avez un modèle mathématique, comme un ensemble d'équations précises. Dans ce cas, vous pouvez utiliser l'IA pour obtenir des résultats comparables en 10, 000 fois moins de temps et de calcul.

Supposons que vous ayez une nouvelle structure moléculaire et que vous vouliez savoir comment elle va se comporter dans un environnement pour l'exploration pharmaceutique. Il existe de très bons modèles prédictifs sur son comportement. Le problème est que ces modèles prennent énormément de temps et de temps de calcul. Cela peut vous prendre des semaines pour essayer une seule combinaison.

Plus:Intel AI VP Gadi Singer sur une chanson sur l'air d'une autre (la prochaine plate-forme) | Intel AI DevCon (Dossier de presse) | Intelligence Artificielle chez Intel (Dossier de Presse) | Plus d'explications Intel

Dans ce cas, vous pouvez utiliser un système d'apprentissage en profondeur pour observer le système d'équations précis. Vous alimentez de manière itérative des exemples de cas à ce système d'équations, et vous obtenez les résultats quelques jours plus tard. Le réseau d'apprentissage profond apprend la relation entre l'entrée et la sortie, sans connaître l'équation elle-même. Il ne fait que le suivre. Il a été démontré dans plusieurs cas que, après avoir formé le système d'apprentissage en profondeur avec suffisamment d'exemples, il montre une excellente capacité à prédire le résultat qui sera donné par le modèle exact. Cela se traduit par une efficacité qui pourrait transformer des heures ou des jours en seconde.

Accordé, parfois, le calcul complet sera nécessaire pour la précision ultime du modèle. Cependant, cela ne serait nécessaire que pour un petit sous-ensemble de cas. Le fait que vous puissiez générer un résultat précis beaucoup plus rapidement avec une fraction de la puissance et du temps vous permet d'explorer l'espace de solution potentiel beaucoup plus rapidement.

Au cours des deux dernières années, de nouvelles méthodes d'apprentissage automatique sont apparues pour « apprendre à apprendre ». Ces technologies s'attaquent à un domaine d'options presque infini, comme toutes les mutations possibles de l'ADN humain, et utilisent des techniques d'exploration et de méta-apprentissage pour identifier les options les plus pertinentes à évaluer.

Q. Quel est l'impact global sur la méthode scientifique ou simplement sur l'approche qu'un scientifique adopterait avec l'IA ?

Les scientifiques doivent s'associer à l'IA. Ils peuvent grandement bénéficier de la maîtrise des outils de l'IA, tels que l'apprentissage en profondeur et d'autres, afin d'explorer des phénomènes moins définis, ou lorsqu'ils ont besoin de performances plus rapides par ordre de grandeur pour adresser un grand espace. Les scientifiques peuvent s'associer à l'apprentissage automatique pour explorer et étudier quelles nouvelles possibilités ont la meilleure probabilité de percées et de nouvelles solutions.

Q. Je suppose que vous pourriez prendre votre retraite si vous le vouliez. Qu'est-ce qui te fait avancer maintenant ?

Bien, Je passe un bon moment. L'IA chez Intel aujourd'hui consiste à résoudre les problèmes les plus passionnants et les plus difficiles auxquels l'industrie et la science sont confrontées. C'est un domaine qui évolue plus vite que tout ce que j'ai vu au cours de mes 35 années chez Intel, de loin.

L'autre aspect est que je le considère comme un changement qui se prépare dans l'interaction entre les humains et les machines. Je veux faire partie de l'effort de création de ce nouveau lien. Quand je parle de partenariat entre la science et l'IA, ou véhicules autonomes et autres domaines, il y a un rôle à jouer ici pour une réflexion plus large que simplement comment donner le processeur le plus rapide pour la tâche. Cette interaction nouvellement forgée entre les gens et l'IA est une autre partie fascinante de cet espace.