Teaduses on andmetega probleem. Meie võimekus koguda eksperimentaalseid andmeid on mitmetes valdkondades hüppeliselt kasvanud. Kahjuks ei saa seda sama öelda meie võime kohta neid andmeid analüüsida. Asja aitavad lahendada tehismõistused, kes võivad isegi su Facebooki postitusi analüüsida või otsida hoopis midagi uut kosmosest.

Tavalised arvutiprogrammid suudavad suuri andmeid inimesest oluliselt kiiremini analüüsida, aga olukordades, kus on siiski vaja “inimese pilku”, oleme me suuresti andmete alla mattumas. Bioloogias tekivad järjest suuremad andmebaasid geenide ja valkude kohta, astronoomias toodetakse petabaitide kaupa pilte kosmosest ja sotsiaalvõrgustikes loovad inimesed ise võrratuid andmebaase, mida saab kasutada sotsiaalteadustes. Selleks, et nende andmete analüüsi tõhusamaks muuta, panustatakse nendes valdkondades aina rohkem masinõppele ja tehisintellektile.

Gravitatsiooniläätsede otsingul

Tehisintellekt aitab teadlasi universumi uurimisel oluliselt. Sellest on abi meie päikesesüsteemist väljaspool asutavate planeetide otsingul, teleskoopidest saadavate piltide parendamisel, kosmiliste objektide identifitseerimisel ja mitmetel muudel tegevustel. Üks huvitav näide on see, kuidas närvivõrkude abil gravitatsiooniläätsesid otsitakse.

Gravitatsiooniläätseks nimetatakse olukorda, kui suure massiga objekt (nagu näiteks galaktika või must auk) asub vaatleja ja kauge algusallika vahel ning muudab oma gravitatsiooniväljaga valguse suunda. Selle fenomeni olemasolu ennustas Albert Einstein üldrelatiivsusteooria baasil juba 1930ndatel, kuid seda nähti esimest korda alles 1979. aastal.

Gravitatsiooniläätsede otsing on ääretult keeruline. Kosmos on väga suur ja inimestel läheb kaua aega, et uurida teleskoopide jäädvustatud pilte. Seetõttu ongi mõned gravitatsiooniläätsed leitud pigem kogemata, muid asju otsides.

Kasutades masinõppe algoritme on nende otsingut võimalik aga oluliselt optimeerida. Just seda tegidki Groningeni, Bonni ja Napoli ülikooli teadlased, kes oma hiljuti avaldatud teadusartiklis, kirjeldasid närvivõrke kasutavat meetodit gravitatsioonilainete leidmiseks.

Närvivõrku treeniti 6 miljoni genereeritud pildiga, mis kirjeldasid, millised gravitatsiooniläätsed on ja millised ei ole. Seejärel anti arvutile päris teleskoobi pildid ja lasti nendest sarnaseid mustreid otsida.

Arvuti ei olnud küll nii täpne kui inimene, kuid suutis 21 789-st pildist koosneva andmebaasi käia läbi vaid 20 minutiga. Arvuti poolt välja valitud 761 kandidaati saab hinnata juba inimene, säästes sedasi oluliselt aega. Kuigi tegelikke positiivseid tulemusi on selle 761 kandidaadi seas täna veel vaid 10%, on töö kiiruse kasv sellest hoolimata oluline.

Sotsiaalmeedia abil inimeste heaolu hindamine

Suuremahuliste andmetega töötamine on saanud igapäevaseks ka sotsiaalteadustes. Kui varasemalt oli inimeste kohta info saamine aeganõudev ja keeruline, siis täna on see sotsiaalmeedia abil oluliselt lihtsam. Ka nende andmebaaside seest vajalike teadmiste kätte saamisel on teadlastel tehisintellektist palju abi.

Näiteks Pennsylvania ülikooli positiivse psühholoogia keskuse teadlased kasutavad masinõpet ja keele protsessimist, et sotsiaalmeediast inimeste vaimse ja füüsilise tervise kohta infot saada. Hiljutises katses uurisid nad 29 000 Facebooki kasutajat, kes olid hinnanud oma depressiooni taset. Uurides osade nende kasutajate postitusi, leidis algoritm seoseid postituses kasutavate sõnade ja depressiooni taseme vahel. Nende tulemuste põhjal suutis algoritm ka teiste kasutajate depressiooni taset vaid nende postitusi analüüsides ennustada.

Teises uuringus leidsid samad teadlased 148 miljonit Twitteri säutsu uurides seose negatiivsete ja vihaga seotud sõnade kasutamise ning südamehaigustesse suremuse vahel. Lisaks on nad kasutanud sotsiaalmeedia, et ennustada inimeste iseloomu, sissetulekut, poliitilist ideoloogiat ja muud. Nad on loonud isegi heaolu kaardi, mis hindab inimeste heaolu, depressiooni taset, usaldust ja iseloomu erinevates USA osariikides Twitterist saadud andmete põhjal.

Autismi põhjuste välja selgitamine

Komplekssete arenguhäirete, nagu autismi, uurimine on ääretult keeruline. Et leida selle häirega seotud geene, koondasid New Yorki Rockerfelleri ülikooli teadlased kokku massiivse andmebaasi rakus toimetavate geenide, valkude ja teiste molekulaarsete protsesside kohta. Selle andmebaasi põhjal lõi masinõppe algoritm kaardi erinevatest geeniseostest rakus ja võrdles seda geeniandmetega, mille puhul on seos autismi riskiga teada. Analüüsi kaasati ka tuhandeid tundmatuid geene, et leida sarnaseid seoseid. Nii leidsid teadlased veel 2500 geeni, mis võivad olla seotud autismi tekke ja arenguga.

Kuna lisaks geenidele on oluline hinnata kogu DNA mõju, arendasid sama tiimi teadlased tehisintellekti rakenduse nimega DeepSEA, et uurida, kuidas mittekodeerivad DNA piirkonnad autismi geenidega seotud on ja neid mõjutada võivad.

Potentsiaal on suur

Inimesed on alati mingil määral oma huvide poolt kallutatud ja teevad vigu. Usaldades rohkem teadustöö protsessist arvutitele, saame inimestega kaasnevaid probleeme vähendada ja analüüsida oluliselt suuremas mahus andmeid aina väiksema ajaga.

Siiski pole inimesed teaduse juurest kuhugi kadumas. Arvutid on head suurest andmemahtudest mustrite otsimises ja nende käitumine on süstemaatiline ning ettearvatav. Inimeste pärusmaa on aga uute ideede ja lahenduste välja mõtlemine ja katsetamine.

Masinõppel on suur potentsiaal meie teadust oluliselt edasi viia, kuid meetodid peavad veel arema, et saaksime seda täiel määral ära kasutada. On oluline ka tõdeda, et nende algoritmide tulemused on ainult nii head kui andmed, mida nende treenimiseks kasutatakse. Mida osavamaks me nende õpetamisel muutume seda enam abi meil neist on.