An Empirical Investigation of Pre-Trained Deep Learning Model Reuse in the Scientific Process
Deze empirische studie analyseert 17.511 wetenschappelijke publicaties om te concluderen dat hergebruik van vooraf getrainde diep-leringsmodellen in de natuurwetenschappen, met name in de biochemie en genetica, het meest voorkomt via aanpassing en het teststadium van het wetenschappelijk proces het sterkst beïnvloedt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Titel: Hoe Wetenschappers de "Vooraf Gekookte Maaltijden" van AI Gebruiken
Stel je voor dat wetenschappers in de natuurwetenschappen (zoals biologie, chemie en fysica) net als kokken zijn die een nieuw, geweldig gerecht willen bedenken. Vroeger moesten ze elk ingrediënt zelf kweken, elke specerij zelf malen en de oven van nul af aan opbouwen. Dat kostte jaren, veel geld en enorme hoeveelheden energie.
In de wereld van Deep Learning (de slimme computers die leren van data) was het precies zo. Wetenschappers moesten elk computermodel vanaf nul "trainen". Dat is als proberen een meesterkok te worden door pas vandaag te beginnen met het bakken van eieren.
Maar dan gebeurde er iets moois: er ontstond een enorme supermarkt met voorgemaakte maaltijden (deze noemen ze Pre-Trained Models of PTMs). Deze maaltijden zijn al volledig opgekookt door andere experts. Ze zijn klaar om te eten, of je kunt ze nog even opwarmen en wat kruiden toevoegen om ze aan je eigen smaak aan te passen.
Dit onderzoek van Nicholas Synovic en zijn team kijkt naar hoe wetenschappers deze "voorgemaakte maaltijden" gebruiken. Ze hebben gekeken naar 17.511 wetenschappelijke artikelen (een gigantische stapel) om te zien wat er gebeurt.
Hier zijn de belangrijkste ontdekkingen, vertaald naar alledaags taal:
1. De "Biochemie"-Koks zijn de snelste
Net zoals in een keuken waar sommige chefs sneller zijn dan anderen, bleek dat de onderzoekers in Biochemie, Genetica en Moleculaire Biologie de grootste fanaten zijn. Zij gebruiken deze voorgemaakte AI-modellen het meest. Ze hebben ontdekt dat je hiermee heel snel nieuwe inzichten kunt krijgen over hoe leven werkt, zonder dat je zelf de hele oven hoeft te bouwen.
2. De Populairste Manier: "Aanpassen"
Er zijn drie manieren om deze maaltijden te gebruiken:
- Het recept kopiëren: Je bouwt het zelf na (Conceptueel).
- Het gerecht aanpassen: Je neemt een bestaand gerecht (bijvoorbeeld een soep) en maakt er een curry van door er nieuwe kruiden aan toe te voegen (Aanpassing).
- Het gerecht serveren: Je neemt het gerecht en serveert het in een ander restaurant of land (Implementatie).
Het onderzoek toont aan dat bijna 70% van de wetenschappers kiest voor de tweede optie: Aanpassen. Ze nemen een slim model dat al iets kan (bijvoorbeeld herkennen wat er op een foto staat) en passen het aan om iets anders te doen (bijvoorbeeld ziektecellen herkennen in een microscopiebeeld). Dit is slim omdat je niet alles zelf hoeft te bedenken, maar je kunt wel je eigen stempel erop drukken.
3. Waar wordt het gebruikt? Vooral bij het "Testen"
Stel je voor dat de wetenschappelijke methode een reis is:
- Kijken: Je ziet iets vreemds.
- Gissen: Je maakt een gok over wat het is.
- Testen: Je doet een experiment om je gok te checken.
- Uitzoeken: Je kijkt naar de resultaten.
Het onderzoek laat zien dat de AI-modellen vooral worden gebruikt in de Test-fase. Het is alsof wetenschappers de AI gebruiken als een superkrachtige vergrootglas of een snelle rekenmachine om hun experimenten te controleren. Ze gebruiken de AI niet zo vaak om hun oorspronkelijke ideeën te bedenken of om de theorie te bouwen. De AI is dus vooral een hulpmiddel om te bewijzen of iets waar is, niet zozeer om het idee te verzonnen.
Waarom is dit belangrijk?
Dit onderzoek is als een kaart die laat zien hoe de wetenschappelijke wereld verandert.
- Het bespaart tijd en geld: Wetenschappers hoeven niet alles zelf te bouwen. Ze kunnen bouwen op de schouders van reuzen.
- Het versnelt de ontdekking: Omdat ze minder tijd kwijt zijn aan het "koken" van de basis, kunnen ze meer tijd besteden aan het ontdekken van nieuwe dingen.
- Er is nog ruimte voor groei: Omdat de AI nu vooral wordt gebruikt om dingen te testen, missen we misschien een kans om de AI ook te gebruiken om nieuwe ideeën te bedenken. De toekomst ligt misschien in het gebruik van deze slimme tools in de hele reis, van het eerste idee tot het laatste resultaat.
Kortom: Wetenschappers zijn gestopt met het bouwen van hun eigen auto's vanaf nul. Ze kopen nu een goede, gebruikte auto en passen hem aan voor hun eigen ritje. Hierdoor komen ze veel sneller aan hun bestemming, maar ze moeten wel oppassen dat ze niet vergeten om zelf nog steeds het stuur in handen te houden en nieuwe routes te ontdekken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.