科学与工程领域人工智能面临的挑战

在 7 月 26 日至 28 日期间与领导者一起参加变革 AI 和边缘周。聆听高层领导围绕 AL/ML 技术、对话式 AI、IVA、NLP、Edge 等话题展开讨论。立即预订您的免费通行证！

人工智能 (AI) 提供的一个令人兴奋的可能性是它能够解决科学和工程领域面临的一些最困难和最重要的问题。人工智能和科学相得益彰，前者在数据中寻找模式，后者专注于揭示产生这些模式的基础。

因此，人工智能和科学可能会极大地释放科学研究的生产力和工程创新的步伐。例如：

生物学：DeepMind 的 AlphaFold 等 AI 模型提供了发现和编目蛋白质结构的能力，使专业人员能够解锁无数新药和药物。 物理学：人工智能模型成为解决实现核聚变的关键挑战的最佳候选者，例如在实验期间实时预测未来等离子体状态和改进设备校准。 医学：人工智能模型也是医学成像和诊​​断的绝佳工具，它有可能比任何其他已知方法更早地诊断痴呆症或阿尔茨海默氏症等疾病。 材料科学：人工智能模型非常擅长预测新材料的特性，发现合成材料的新方法，以及对极端条件下的材料性能进行建模。

这些重大而深刻的技术创新具有改变世界的潜力。然而，为了实现这些目标，数据科学家和机器学习工程师在确保他们的模型和基础架构实现他们希望看到的变化方面面临着重大挑战。

可解释性

科学方法的一个关键部分是能够解释和解释实验的工作原理和结果。这对于允许其他团队重复实验并验证结果至关重要。它还允许非专家和公众成员了解结果的性质和潜力。如果一个实验不容易被解释或解释，那么在进一步测试一个发现以及将其推广和商业化方面可能存在一个主要问题。

事件

转型 2022

立即注册，获取 7 月 26 日至 28 日 Transform AI 周的免费虚拟通行证。聆听 Visa、Lowe's eBay、Credit Karma、Kaiser、Honeywell、Google、Nissan、Toyota、John Deere 等的 AI 和数据领导者的心声。

在这里注册

当涉及到基于神经网络的 AI 模型时，我们还需要将推理视为实验。尽管模型在技术上根据其观察到的模式生成推理，但在所讨论的输出中通常存在一定程度的随机性和方差。这意味着要理解模型的推理，必须能够理解模型的中间步骤和逻辑。

这是很多利用神经网络的 AI 模型面临的问题，目前很多都充当“黑匣子”：一条数据的输入和输出之间的步骤没有标记，没有解释的可能”为什么”。围绕着一个特定的推论。可以想象，这...