Datele pentru antrenarea AI se termina dar exista o solutie pentru viitor

Inteligența artificială (IA) este într-o continuă expansiune, dar se confruntă cu o problemă semnificativă: deficitul de date pentru antrenare. Jack Hidary, CEO al SandboxAQ, a discutat despre această criză în cadrul World Economic Forum, propunând generarea de date sintetice ca soluție. Această abordare ar putea permite IA să valorifice întregul său potențial în sectoare esențiale.

Criza datelor în dezvoltarea inteligenței artificiale

Revoluția datelor a început odată cu dezvoltarea internetului. La început, creșterea volumului de date era considerată benefică pentru obținerea de informații valoroase. Companiile au reușit să progreseze în domeniul analizelor de risc, marketingului țintit și inteligenței de afaceri.

Conform studiilor menționate de World Economic Forum, volumul global de date se dublează la fiecare trei-patru ani. Cu toate acestea, experții subliniază că modelele de IA ajung să nu mai aibă date noi de procesat. Această situație are un impact negativ asupra dezvoltării și eficienței acestor tehnologii.

Problema nu constă în cantitate, ci în noutate. IA poate analiza și sintetiza date mai repede decât se pot genera altele noi. Odată ce un model a învățat toate informațiile dintr-un set de date, el nu va putea obține noi cunoștințe până la actualizarea sursei de date.

Punctul mort al modelelor lingvistice mari

Modelele lingvistice mari (LLM) care se bazează pe aceleași seturi de date existente vor produce rezultate asemănătoare. Fără acces la date noi, IA nu va putea aborda probleme din ce în ce mai complexe în diverse domenii, precum afaceri, știință sau societate.

Această situație este evidentă în industrii precum farmaceutica, serviciile financiare și chimia. Aceste domenii prezintă combinații infinite de date. Permutările de medicamente, condițiile de piață sau structurile atomice depășesc capacitatea umană de a le analiza și obține informații noi.

Până acum, obținerea de date noi se realiza prin experimente fizice, un proces costisitor și consumator de timp. Adesea, realizarea experimentelor pentru fiecare posibilă permutare este imposibilă.

Abordările propuse pentru generarea de date

Jack Hidary explică două metode de generare rapidă a seturilor de date noi. Prima este automatizarea, care utilizează roboți și senzori avansați pentru a efectua experimente în mod constant. Deși aceasta poate crește eficiența, costurile de instalare a mii de roboți de laborator sunt ridicate, iar învățarea practică a oamenilor de știință este limitată.

A doua abordare este calculul computațional, care combină diverse seturi de date cu legi fizice și modele computaționale avansate. Această metodă permite simularea digitală a sistemelor complexe, oferind rezultate mai precise și mai rapide decât experimentele fizice.

Modelele cantitative mari: o alternativă viabilă

Calculul computațional stă la baza Modelelor Cantitative Mari (LQM). Aceste modele nu doar simulează date, ci generează explicații cauzale și informații noi care nu sunt prezente în literatura existentă. Spre deosebire de LLM, care se bazează pe texte istorice adesea pline de prejudecăți, LQM se concentrează pe ecuații fundamentale din fizică, chimie și biologie.

Impactul acestor modele asupra industriilor este considerabil. De exemplu, dezvoltarea unui medicament, care poate dura ani de zile, poate fi accelerată prin simularea rapidă a interacțiunilor dintre substanțe. Aceste simulări pot anticipa efectele și toxicitatea potențialelor medicamente înainte de a fi efectuate teste de laborator.

Aplicațiile în sectoare esențiale

Jack Hidary oferă exemple concrete de utilizare a datelor sintetice în sectoare strategice. În științele vieții, modelele celulare virtuale pot reduce semnificativ timpul și costurile dezvoltării medicamentelor. Acestea pot prezice rezultatele studiilor clinice înainte de recrutarea pacienților.

În sectorul financiar, simulările de scenarii complexe permit testarea rezilienței portofoliilor în condiții de stres. Companiile pot dezvolta strategii pentru riscuri noi, nu doar pentru crizele anterioare.

În industria producției, modelarea digitală a structurilor atomice poate identifica rapid noi compuși sau aliaje. Aceasta duce la crearea de produse superioare care respectă standardele de performanță.

În sectorul energetic, metodele avansate de transformare a carbonului capturat în produse valoroase contribuie la sustenabilitate. De asemenea, cercetările accelerate pentru baterii îmbunătățesc eforturile globale de electrificare.

Barierele în calea inovației

Generarea de date sintetice are potențialul de a transforma industriile. Cu toate acestea, în prezent, accesul la seturi de date necesare pentru inovații medicale sau industriale este limitat. Aceasta reprezintă o barieră în calea dezvoltării IA.

Analiza World Economic Forum sugerează că o schimbare este în curs de desfășurare. Platformele și programele specifice pot facilita accesul la datele fundamentale. Aceasta va permite utilizarea capacităților inovatoare ale IA fără a compromite proprietatea intelectuală sau confidențialitatea datelor.

Costul și expertiza necesare pentru dezvoltarea acestor modele rămân semnificative. Totuși, democratizarea accesului la date va încuraja participarea și va permite colaborarea în domeniu.

Avantajul competitiv al generării de date

Generarea de date nu este doar un avantaj tehnic, ci și unul strategic. Organizațiile care pot trece de la metodele lente de „proiectare-construire-testare” la fluxuri rapide de „simulare-rafinare-validare” vor lidera transformarea industriilor.

Jack Hidary subliniază că viitorul leadershipului economic și științific va fi influențat de cei care stăpânesc metodologiile de generare a datelor. Investițiile în aceste metode sunt esențiale pentru a valorifica potențialul inteligenței artificiale și a stimula descoperirile viitoare.