Վերջերս գիտության մեջ գոյություն ուներ բավականին բնականոն կանոն. նյութի կամ հիմքի հատկությունը կանխատեսելու համար հարկավոր է հասկանալ ֆիզիկական մեխանիզմը, որը որոշում է այդ հատկությունը:

Եթե մենք գիտենք, թե ինչպես են փոխազդում ատոմները, կարելի է հաշվարկել նյութի հատկությունները: Եթե մեխանիզմն անհայտ է կամ չափազանց բարդ, մնում է միայն ընդունել պարտությունը. նախ պետք է հասկանալ համակարգի սարքը, և միայն հետո փորձել կանխատեսումներ անել:

Արհեստական բանականությունը աստիճանաբար կոտրում է այս կանոնը:

Այժմ երբեմն բավական է ունենալ տվյալների մեծ բազա՝ իմանալ նյութի բաղադրությունը կամ կառուցվածքը և չափված հատկությունը, օրինակ՝ թունավորությունը, ամրությունը կամ ճառագայթային կայունությունը: Մեքենայական ուսուցումը կարող է գտնել մաթեմատիկական օրինաչափություններ դրանց միջև, նույնիսկ եթե մարդը չի հասկանում, թե կոնկրետ ինչու է առաջանում նման կապ:

Ֆիզիկ և նյութագիտության մասնագետ Արտյոմ Օգանովն այս մոտեցումը համեմատում է Ալեքսանդր Մակեդոնացու և գורդիյան հանգույցի մասին լեгенդի հետ: Ալեքսանդրը չի սկսել հասկանալ, թե ինչպես քանդել բարդ հյուսվածքը: Նա պարզապես կտրել է այն սրով:

«Արհեստական բանականությունը թույլ է տալիս մեզ լուծել խնդիրներ Ալեքսանդր Մակեդոնացու ոճով», — ասում է Օգանովը:

Պարտադիր չէ իմանալ, թե ինչու նյութը չի քանդվում

Նյութագիտության մեջ այս մոտեցումն արդեն տալիս է բավականին գործնական արդյունքներ:

Սովորական ֆիզիկական մոդելը լավ է աշխատում, երբ հետազոտողին հասկանալի են նյութի հատկությունները որոշող հիմնական գործընթացները: Բայց լինում են բնութագրեր, որոնց հետևում միաժամանակ կան հսկայական քանակությամբ երևույթներ:

Օրինակ՝ նյութի ճառագայթային կայունությունը: Ճառագայթման ազդեցության տակ կարող են քանդվել քիմիական կապերը, գրգռվել և իոնացվել էլեկտրոնները, առաջանալ բյուրեղային ցանցի թերություններ, տեղի ունենալ միջուկային ռեակցիաներ: Նյութի ներսում հայտնվում են նոր կառույցներ և նույնիսկ գազի պղպջակներ:

Այս ամենը փորձել նկարագրել մեկ ավանդական մոդելով՝ չափազանց բարդ է:

«Եթե դու չես հասկանում հատկությունը, դու այն չես կարող մոդելավորել», — այսպես է Օգանովը նկարագրում նախկին մոտեցումը:

Բայց մեքենայական ուսուցմանը պարտադիր չէ իմանալ գործընթացի ամբողջ ֆիզիկան:

Եթե հետազոտողներն ունեն նյութերի, դրանց բաղադրության և ճառագայթային կայունության մասին բավականաչափ մեծ տվյալների բազա, ալգորիթմը կարող է ինքնուրույն գտնել օրինաչափություն, որը կապում է մեկը մյուսի հետ: Դրանից հետո մոդելը կարելի է օգտագործել անհրաժեշտ բնութագրերով նոր նյութերի որոնման համար:

Օգանովի խոսքով՝ հենց այս եղանակով է իր աշակերտը մշակել ատոմային էներգետիկայի համար բարձրացված ճառագայթային կայունությամբ պողպատների որոնման մոդել: Կանխատեսված նյութերն այնուհետև ստուգվում են փորձնականորեն:

Նույն սկզբունքը կարելի է կիրառել նաև այլ չափազանց բարդ բնութագրերի նկատմամբ, օրինակ՝ կոռոզիային դիմադրության կամ քանդման դիմադրության:

Եվ այստեղ առաջանում է կարևոր տեղաշարժ. գիտությանն այլևս միշտ չէ, որ հարկավոր է նախ ամբողջությամբ բացատրել երևույթը, որպեսզի սովորի այն կանխատեսել:

Դեղամիջոցը կարող է աշխատել, նույնիսկ եթե մենք հստակ չգիտենք, թե ինչու

Կենսաբանության մեջ իրավիճակն սկզբունքորեն ավելի հետաքրքիր է:

Երբ հետազոտողները ստեղծում են դեղամիջոց, նրանց ցանկալի է միաժամանակ լուծել երկու հակադիր խնդիր՝ ստանալ առավելագույն թերապևտիկ էֆեկտ և նվազագույն թունավորություն:

Խնդիրն այն է, որ դեղամիջոցների ազդեցության մեխանիզմները հեռու են ամբողջությամբ հասկանալի լինելուց: Երբեմն գիտնականները լավ գիտեն, որ որոշակի նյութն աշխատում է, բայց չեն կարող նկարագրել բոլոր գործընթացները, որոնց շնորհիվ այն ապահովում է անհրաժեշտ էֆեկտը:

Մեքենայական ուսուցման համար սա պարտադիր չէ, որ լինի անհաղթահարելի խնդիր:

Եթե կան տվյալներ բազմաթիվ մոլեկուլների կառուցվածքի և այն մասին, թե որքան լավ են նրանք աշխատում, ալգորիթմը կարող է փնտրել օրինաչափություններ և առաջարկել նոր տարբերակներ: Նմանապես կարելի է սովորեցնել մոդելներ, որոնք կանխատեսում են թունավորությունը:

Ստացվում է բավականին անսովոր իրավիճակ. մեքենան կարող է օգնել գտնել մոլեկուլ, որը պոտենցիալ ավելի լավ է աշխատում, քան գոյություն ունեցողը, նույնիսկ եթե մարդը դեռևս մինչև վերջ չի հասկանում դրա ազդեցության մեխանիզմը:

Սա դեղերի մշակման գործում ԱԲ-ի կիրառման առավել խոստումնալից ուղիներից մեկն է:

Բայց հենց այստեղ է առաջանում նաև տեխնոլոգիայի հակառակ կողմը:

Եթե ԱԲ-ն կարողանում է փնտրել օգտակար մոլեկուլներ, նա կարող է փնտրել նաև վտանգավորներ

Օգանովը բերել է մի հետազոտության օրինակ, որում մեքենայական ուսուցումն օգտագործվել է հակառակ խնդրի համար՝ ոչ թե թունավորությունը նվազեցնելու, այլ ավելի ու ավելի թունավոր միացություններ փնտրելու նպատակով:

Հետազոտողները փաստացի ցույց են տվել, որ թունավորության մասին տվյալների հիման վրա վարժեցված մոդելն ընունակ է ինքնուրույն շարժվել դեպի ավելի ու ավելի վտանգավոր քիմիական կառույցներ: Արդյունքում ալգորիթմը վերարտադրում էր արդեն հայտնի բարձր թունավոր նյութերը և առաջարկում այլ պոտենցիալ վտանգավոր միացություններ:

Գիտության համար սա միաժամանակ տպավորիչ և տագնապալի արդյունք է:

Այն ցույց է տալիս, որ միևնույն տեխնոլոգիան կարող է արագացնել դեղերի ստեղծումը և միաժամանակ իջեցնել վտանգավոր քիմիական նյութերի որոնման շեմը: Այդ իսկ պատճառով, ԱԲ-ի զարգացմանը զուգընթաց, գիտական ​​մոդելների անվտանգության հարցը դառնում է ոչ պակաս կարևոր, քան դրանց ճշգրտությունը:

Եվ սա հատկապես նկատելի է, երբ առանձին մոլեկուլներից մենք անցնում ենք դեպի մարդը:

Մարդու առողջությունը նույնպես կարելի է դիտարկել որպես օրինաչափությունների ճանաչման խնդիր

Մարդը շատ ավելի բարդ է, քան առանձին մոլեկուլը: Հիվանդությունը չի որոշվում մեկ պարամետրով, իսկ գенеետիկական հակվածությունն ինքնին դեռևս չի նշանակում, որ հիվանդությունն անպայման կառաջանա:

Նույնիսկ լավ հայտնի ռիսկի գործոնը խոսում է միայն հավանականության մասին:

Ընդ որում, օրգանիզմը մշտապես թողնում է չափելի հատկանիշների հսկայական քանակություն՝ արյան բաղադրություն, անոթազարկ, ճնշում, սրտի ռիթմի բնութագրեր, հյուսվածքների վիճակ, կենսաքիմիական ցուցանիշներ և շատ ավելին:

Մարդն ընունակ է ինտուիտիվ կերպով ճանաչել այս օրինաչափություններից մի քանիսը:

Օգանովը պատմել է մի չինացի բժշկի մասին, ով ընդունելության ժամանակ գործնականում չէր օգտագործում սովորական ախտորոշիչ ընթացակարգերը: Նա չափում էր հիվանդի անոթազարկը և դրա փոփոխությունների բնույթով կարողանում էր եզրակացություններ անել առողջական հնարավոր խնդիրների մասին:

Օգանովը ենթադրում է, որ նման կարողությունը կարելի է դիտարկել որպես բժշկի կողմից կուտակված հսկայական փորձի յուրատեսակ ընդհանրացում:

Եվ եթե մարդն ընունակ է գտնել նման օրինաչափություններ, հարց է առաջանում՝ արդյոք մեքենան կարողանալո՞ւ է դա անել ավելի լավ:

Համակարգչն ունի մեկ ակնհայտ առավելություն. այն կարող է միաժամանակ վերլուծել շատ ավելի շատ պարամետրեր:

Ավելին, ալգորիթմն ընունակ է գտնել օրինաչափություններ, որոնք անհնար է տեսնել անզեն աչքով:

Օրինակ՝ սովորական անոթազարկը կարելի է վերածել թվային բնութագրերի բարդ հավաքածուի և դրանում փնտրել մարդու համար աննկատ նշաններ:

Այսպես ի հայտ է գալիս մեկ ցուցանիշով ախտորոշումից դեպի հատկանիշների համակցության վերլուծություն անցնելու հնարավորություն:

Հնարավոր է՞ արդյոք իմանալ արյան անալիզը՝ առանց արյուն վերցնելու

Հենց այս սկզբունքի վրա է հիմնված ամենահետաքրքիր պատմություններից մեկը, որը պատմել է Օգանովը:

Նրա խոսքով՝ ինքը վերջերս փորձարկել է մի նոր բանկոմատ, որը, բանկային ստանդարտ գործառույթներից բացի, ընունակ է գնահատել օգտատիրոջ որոշ ֆիզիոլոգիական ցուցանիշներ: Մարդը դիպչում է մատներով և նայում էկրանին, ինչից հետո համակարգը տրամադրում է մի շարք առողջական պարամետրերին գնահատականներ:

Օգանովը խոստովանում է, որ սկզբում թերահավատորեն է վերաբերվել դրան: Հատկապես դժվար էր հավատալ առանց սովորական արյան անալիզի գլյուկոզի կամ խոլեստերինի նման ցուցանիշներ որոշելու հնարավորությանը:

Սակայն, նրա խոսքով, իր դեպքում համակարգի ստացված արժեքները համընկել են լաբորատոր անալիզի արդյունքների հետ:

Ֆիզիկի խոսքով՝ սկզբունքն այստեղ կրկին նույնն է. մեքենայական ուսուցումը վերլուծում է մատչելի հատկանիշների համակցությունը և դրանց հիման վրա գնահատում պարամետրերը, որոնք ուղղակիորեն չեն չափվում:

Սա սկզբունքորեն տարբերվում է սովորական արյան անալիզից: Մեքենան ուղղակիորեն չի «տեսնում» գլյուկոզի կամ խոլեստերինի մոլեկուլները: Այն փորձում է վերականգնել դրանց մակարդակը անուղղակի նշանների միջոցով՝ օգտագործելով այն օրինաչափությունները, որոնք հայտնաբերել էր նախորդ մեծ քանակությամբ տվյալների վրա:

Այդ իսկ պատճառով նման համակարգերը չի կարելի ընկալել որպես լաբորատոր ախտորոշումը մեկ հպումով փոխարինելու հրաշագործ եղանակ: Դրանց ճշգրտությունը կախված է տվյալների որակից, մոդելից և կոնկրետ ցուցանիշից: Բայց բժշկական տեղեկատվություն ոչ ինվազիվ կերպով ստանալու բուն հնարավորությունը կարող է չափազանց կարևոր լինել:

Ամենամեծ հեղափոխությունը կարող է տեղի ունենալ ոչ թե բուժման, այլ կանխարգելման մեջ

Օգանովի համար հենց այստեղ է գտնվում ԱԲ-ի ամենահետաքրքիր պոտենցիալ կիրառություններից մեկը:

Այսօր շատերն էլ պարբերաբար չափում են իրենց ճնշումը, բայց շատ ավելի քիչ են պատրաստ մշտապես արյուն հանձնել՝ գլյուկոզի, խոլեստերինի կամ այլ ցուցանիշների դինամիկային հետևելու համար:

Եթե նման տեղեկատվության մի մասը հնարավոր լինի ստանալ արագ, էժան և գործնականում առանց ջանքերի, բժշկությունը պոտենցիալ կկարողանա շեշտադրումը տեղափոխել արդեն առաջացած հիվանդության բուժումից դեպի դրա վաղ հայտնաբերում:

Տրամաբանությունը պարզ է. եթե մարդը բացասական փոփոխությունների մասին իմանում է ավելի շուտ, նա հնարավորություն է ստանում փոխել սննդակարգը, ֆիզիկական ակտիվությունը կամ այլ սովորություններ դեռևս այն բանից առաջ, երբ խնդիրը վերածվի հիվանդության:

Օգանովը կարծում է, որ հենց կանխարգելումն ու սննդակարգի մշակույթը կարող են հսկայական դեր խաղալ կյանքի տևողության հարցում:

Այս սցենարում արհեստական ​​բանականությունը դառնում է ոչ թե այնքան «էլեկտրոնային բժիշկ», որքան վաղ նախազգուշացման համակարգ: Այն մշտապես հավաքում է բազմաթիਵ թույլ ազդանշաններ, որոնք մարդու համար դժվար է նկատել առանձին-առանձին, և փորձում է դրանցում տեսնել ընդհանուր պատկերը:

Եվ սա, հնարավոր է, ապագայի բժշկական ԱԲ-համակարգի շատ ավելի իրատեսական կերպար է, քան հայտնի ռոբոտը, որն ինքնուրույն ախտորոշում է դնում:

Նյութերից մինչև մարդը

Օգանովի դատողություններում կա մեկ ընդհանուր գիծ, որը միմյանց է կապում առաջին հայացքից միանգամայն տարբեր ոլորտներ՝ պողպատների մշակումը, դեղերի որոնումը, թունաբանությունը և բժշկական ախտորոշումը:

Այս բולם դեպքերում առաջանում է միևնույն խնդիրը. համակարգը չափազանց բարդ է, որպեսզի մարդն այն ամբողջությամբ նկարագրի առկա տեսությունների միջոցով:

Ավանդական գիտությունը սովորաբար շարժվում է հասկացողությունից դեպի կանխատեսում. նախ պարզել մեխանիզմը, այնուհետև կառուցել մոդել և ստանալ արդյունք:

Մեքենայական ուսուցումն առաջարկում է այլ երթուղի՝ տվյալներ → օրինաչափություն → կանխատեսում:

Սա չի նշանակում, թե ֆիզիկական, քիմիական կամ կենսաբանական տեսություններն անպիտան են դառնում: Ընդհակառակը, առանց մեխանիզմների ըմբռնման՝ անհնար է ճիշտ մեկնաբանել բազմաթիվ արդյունքներ և ստուգել, թե արդյոք մոդելն ինքն իրեն չի խաբել:

Բայց ԱԲ-ն թույլ է տալիս գրոհել խնդիրները մյուս կողմից՝ այնտեղ, որտեղ ավանդական մոդելը դեռևս չափազանց բարդ է կամ ընդհանրապես անհայտ:

Եվ այս առումով գլխավոր փոփոխություններից մեկը, որ արհեստական ​​բանականությունը բերում է գիտության մեջ, կայանում է ոչ պարզապես հաշվարկների արագացման մեջ:

Այն փոխում է հենց այն հարցը, որը գիտնականն իրեն թույլ է տալիս տալ:

Նախկինում «Կարող ենք արդյոք մենք սա կանխատեսել» հարցին հաճախ ստիպված էինք պատասխանել. «Նախ մենք պետք է հասկանանք, թե ինչու է սա տեղի ունենում»:

Այժմ գնալով ավելի հաճախ հնարավոր է դառնում մեկ այլ պատասխան. «Եկեք նախ տեսնենք, թե ինչ են ասում տվյալները»: