Машинное обучение вырвалось на сцену в последние два десятилетия и будет определяющей технологией будущего. Она трансформирует крупные секторы общества, включая здравоохранение, образование, транспорт, пищевое и промышленное производство, а также оказывает огромное влияние на науку и исследования.
Подмножество искусственного интеллекта (ИИ), машинное обучение — это процесс, который помогает компьютерам учиться без прямых инструкций и из опыта. ИИ это с помощью алгоритмов идентификации шаблонов в данных, которые затем используются для создания моделей, которые могут делать прогнозы. А данные — это ключ. Машинное обучение и растущая доступность огромных объемов данных обещают революционизировать производство знаний. Действительно, сегодняшний экспоненциальный цикл роста в глубоком обучении в числе прочих технологий его сравнивали с кембрийским взрывом полмиллиарда лет назад, когда жизнь на Земле переживала короткий период очень быстрой диверсификации.
Профессор Джеймс Ларус, декан Школы компьютерных и коммуникационных наук EPFL (IC), согласен с тем, что машинное обучение и искусственный интеллект окажут глубокое влияние на то, как мы живем, и мы еще не увидели его полного потенциала.
«Для меня машинное обучение — это очень мощный инструмент, который все еще находится в зачаточном состоянии и все еще является чем-то вроде «темного искусства». Мы проводим занятия по машинному обучению, лежащему в его основе математике и можем дать студентам примеры того, как он применялся в прошлом, но мы не можем дать им принципы, потому что мы буквально даже не знаем, почему он работает так хорошо, как он работает.»
Ленка Здеборова из EPFL работает над этим фундаментальным вопросом. Адъюнкт-профессор физики, компьютерных наук и коммуникационных систем в лаборатории Статистической физики вычислений—части Школы фундаментальных наук (BS) и IC—она страстно увлечена продвижением теории того, что вычислимо и что возможно с помощью машинного обучения и искусственного интеллекта.
«В науках мы хотим лучше понять объекты, которые изучаем, цель не фиксирована. Нам нужно придумать цель, чтобы система машинного обучения была полезна в научных усилиях, и посмотреть на роль, которую машинное обучение играет в изменении самого научного метода. Это увлекательная область, которая возникла по мере того, как машинное обучение стало очень успешным в последнее десятилетие.»
Вместе с коллегами из физики, химии, инженерии и естественных наук, Здеборова только что запустила новую серию лекций докторского курса по научному машинному обучению , в которой будут рассмотрены последние работы, проводимые в EPFL и во всем мире.
Еще одна инициатива EPFL — компонент научного проекта Machine Learning 4 курса машинного обучения профессоров IC Мартина Ягги и Николаса Фламмариона — строит кросс-кампусное сотрудничество, сопоставляя научные проекты лабораторий по всем дисциплинам со студентами, которые принесут свой опыт машинного обучения в новые области. В период с 2018 по 2020 год более 600 студентов приняли участие в проектах, предложенных 77 лабораториями EPFL и даже внешними институтами, включая ЦЕРН.
«Это самый большой курс уровня магистра в кампусе, и студенты по всем дисциплинам хотят изучить этот инструмент, поскольку они знают, что он будет полезен для их будущей карьеры. Они могут пойти в любую лабораторию в кампусе и сделать практический проект, сотрудничая в междисциплинарном ключе. Это действительно беспроигрышный вариант, и я думаю, что будет справедливо сказать, что обе стороны чувствуют, что им выгодна эта структура», — говорит Джагги.
Один из проектов в последнем раунде, возникший из лаборатории Катрин Брискен в Школе наук о жизни (SV), был связан с алгоритмом машинного обучения, чтобы отличить клетки мыши от человеческих, особенно полезных для исследования рака. Онкологи обычно изучают опухоли, прививая человеческие клетки мышам, но тогда проблема заключается в том, чтобы различать два вида клеток. Обычно этот процесс включает в себя несколько раундов флуоресцентного окрашивания и анализ многих образцов тканей, прежде чем найти человеческие клетки. Однако, студент IC, программа Квентина Джуппета упрощает все это, автоматизируя процесс классификации клеток. Она настолько многообещающая, что он превратил ее в магистерскую диссертацию с результатами, недавно опубликованными в Журнале «Биология молочной железы и неоплазия».
Другая программа, тоже из Школы естественных наук, включала использование машинного обучения для классификации мутантных фенотипов по изображениям эмбрионов рыбок данио.
Профессор Эндрю Оутс — декан школы и руководитель лаборатории хронометража, колебаний и паттернов поясняет: «Моя лаборатория участвовала дважды, и каждый раз мы работали с действительно особой группой студентов, которые проявили инициативу и творческий подход в решении реальной научной проблемы в лаборатории с использованием машинного обучения. Насколько я знаю, этот проект является первым в области эмбриологии с последствиями для более эффективного использования зебры в качестве системы для моделирования генетических нарушений человека. Мы бы не взялись за эту работу, если бы у нас не было возможности присоединиться к научной программе машинного обучения 4».
В других работах рассматривался невероятно разнообразный набор исследовательских вопросов: прогнозирование тяжести инсульта с использованием игровых данных pacman; автоматическое определение доступной площади для установки солнечных панелей на крыше; прогнозирование лавин; музыка за пределами мажора и минора; и улучшение измерений качества пресной воды.
Для Джеймса Ларуса будущее уже наступило, и оно станет еще более удивительным.
«В настоящее время машинное обучение основано на модели, разработанной еще в 1940-х года. Теперь же мы исследуем машинное обучение, руководствуясь новейшими нейробиологическими знаниями, чтобы разработать более сложные и эффективные модели и построить системы искусственного интеллекта следующего поколения. Итак, я очень надеюсь, что нас ждет долгий период прогресса в машинном обучении и огромное расширение успешных приложений. Это навсегда изменит науку.», — заключил ученый.
