نوروسافاری | یک الگوریتم جدید می‌تواند به طور خودکار مدل‌های ریاضی را شناسایی کند که نه تنها قابلیت اطمینان از پیش بینی‌های انجام شده را بهبود می‌بخشد بلکه اطلاعاتی را برای درک داده‌ها از نظر یک دانشمند فراهم می‌کند.

اکنون پیش بینی اینکه بهترین داوطلب دریافت پیوند ارگان کیست، دانستن اینکه آیا مشتری یک بانک وام مورد درخواست خود را بازپرداخت می‌کند یا نه، انتخاب فیلم‌هایی که به بهترین وجه با علائق مصرف کنندگان مطابقت داشته باشد یا حتی انتخاب شریک زندگی ایده آل هر شخص، امکان پذیر می‌باشد. الگوریتم‌های ریاضی دائما میلیون‌ها مورد از داده ها را تجزیه و تحلیل می‌کنند، الگوهایی را شناسایی می‌کنند و پیش بینی‌هایی را در مورد همه‌ی زمینه‌های زندگی ارایه می‌دهند. اما در بیشتر موارد، نتایج کمی بیشتر از یک پیش‌بینی محدود ارائه می‌دهند که قابل تفسیر نیست و غالباً تحت تأثیر سوگیری‌ها‌یی از داده‌های اصلی است.

به گزارش نوروسافاری به نقل از ساینس، اکنون تیمی از گروه تحقیقاتی SEES  آزمایشگاه گروه مهندسی شیمی دانشگاه Universitat Rovira I Virgili و ICREA با توسعه یک الگوریتم جدید موجب پیشرفت بزرگی شده‌اند که پیش بینی‌های دقیق‌تری را  انجام می‌دهند و مدل‌های ریاضی تولید می‌کنند که درک اهمیت این پیش بینی‌ها را ممکن می‌سازند. نتایج این تحقیق به تازگی در مجله Science Advances منتشر شده‌است.

Marta Sales-Pardo، یکی از نویسندگان مقاله، توضیح می‌دهد:

هدف از مطالعه ما ایجاد چیزی است که به عنوان یک ربات علمی شناخته می‌شود، الگوریتمی که می‌تواند دانش، و مهارت و تجربه‌ی یک پژوهشگر برای تفسیر داده‌ها را شبیه سازی کرده و به کار گیرد.

نتایج ارائه شده توسط الگوریتم با این واقعیت مشخص می‌شود که آن‌ها قابل تفسیراند.  Roger Guimerà، محقق ICREA از همان گروه می‌افزاید:

گویا کسی قانون یا نظریه‌ای را در مورد سیستم مورد مطالعه، ترسیم کرده‌ است. الگوریتم، روابط ریاضی بین متغیرهای مورد تحلیل را به شما می‌دهد و آن را کاملاً مستقل انجام می‌دهد.

بیشتر بدانید:  کلان داده نحوه تشکیل مدار هیجان را توضیح می دهد

دانش تحلیل داده های عظیم

هنگامی که یک شرکت داده‌های عظیمی را در اختیار دارد که می‌خواهد از آن استفاده کامل کند، می‌تواند این کار را با استفاده از استخدام افرادی انجام دهد تا مدل‌های مختلفی را امتحان کنند، فرمول‌ها را پیشنهاد کنند و با انجام آزمایشات برای ارزیابی آن‌ها، دریابند که کدام یک بهتر عمل می‌کند. این امر منجر به یک فرمول ریاضی خواهد شد که امکان مدل سازی سیستم را فراهم  میکند ولی هزینه بر و زمان بر می‌باشد. امکان دیگر یافتن یک متخصص در یادگیری ماشین است، یک رشته علمی در زمینه هوش مصنوعی، سیستم‌هایی را ایجاد می‌کند که الگوهای پیچیده را در مجموعه داده‌های عظیم شناسایی می‌کند، به طور خودکار یاد می‌گیرد و مدل “جعبه سیاه” را تولید می‌کند که می‌تواند پیش بینی کند.

با این حال، این سیستم‌ها اطلاعات دیگری را ارائه نمی‌دهند و اگر پیش بینی درست نباشد، غیرممکن است که بدانیم خطا در کجا قرار دارد و برای جلوگیری از آن چه کاری باید انجام شود. الگوریتم توسعه‌یافته در URV از هر دو حالت بهترین استفاده را می‌کند: همانند سیستم یادگیری ماشین، داده‌ها را بطور خودکار، سریع و قابل اعتماد پردازش می‌کند و نتیجه‌ای نیز حاصل می‌کند که یک مدل قابل تفسیر می‌باشد.

این الگوریتم می‌تواند برای تجزیه و تحلیل و تفسیر داده‌ها در هر رشته  علمی در فرایندی که بسیار سریع‌تر و کارآمدتر از روش‌های موجود تا به امروز است، استفاده شود. اما ارزش افزوده واقعی اطلاعاتی است که سیستم ارائه می‌دهد. Guimerà توضیح می‌دهد:

به عنوان مثال، در پزشکی، اگر مجبور باشید بر اساس داده تصمیم‌گیری کنید، درک این مسئله که چرا هر تصمیم گرفته شده‌است و میزان ریسک ارتکاب خطا، بسیار مهم است.

Ignasi Reichardt، یکی دیگر از محققان این تیم اضافه می‌کند:

اگرچه الگوریتم نشان داده‌ است که بسیار دقیق است، اما مهمترین چیز این است که می‌توانید نتایج را بفهمید زیرا یک دانشمند ماشینی ساخته‌اید که بدون دانش قبلی می‌تواند مجموعه‌ای از داده‌ها را در دست بگیرد و نظریه ای را توسعه دهد و مشکل پیش آمده را حل کند.

در این مطالعه، با همکاری گروه آزمایشی تحقیقاتی محاسبات و مدل سازی در مکانیک سیالات و تلاطم گروه مهندسی مکانیک URV  الگوریتم بر روی یک مشکل اساسی فیزیک سیالات اعمال شده‌ است.

مرجع کتابشناختی: R. Guimerà، I. Reichardt، A. Aguilar-Mogas، F. A. Massucci، M. Miranda، J. Pallarès، M. Sales-Pardo، دانشمند ماشین بیزین برای کمک به حل مشکلات علمی چالش برانگیز.

ترجمه: شیما صدیقی – وبسایت نوروسافاری

لینک مقاله:

A Bayesian machine scientist to aid in the solution of challenging scientific problems

لینک خبر:

The most human algorithm