L'intelligence artificielle et la recherche : Le bon, le mauvais et l'incroyable!

L'intelligence artificielle (IA) - ou l'apprentissage automatique - semble être partout de nos jours. Si vous êtes chercheur, vous avez probablement vu ces termes apparaître de plus en plus dans la littérature académique de votre domaine. Mais dans quelle mesure tout cela est-il réellement utile ? Devriez-vous également tirer parti de l'apprentissage automatique? Dans cet article, je décrirai quelques cas où l'apprentissage automatique est utile pour la recherche - et également quand il ne l'est pas - en m'inspirant de mon propre domaine en astronomie. L'apprentissage automatique apporte le plus de valeur pour les problèmes de recherche « axés sur les données » : lorsque vous avez tellement de données que vous ne pouvez pas les inspecter manuellement. Dans ces scénarios, l'apprentissage automatique peut alléger votre charge de travail et vous permettre de vous concentrer sur votre domaine de recherche. Cependant, adopter l'apprentissage automatique n'est pas sans ses pièges et ses coûts cachés. Appliquer l'apprentissage automatique sans réfléchir peut entraîner des analyses dangereuses. Par exemple, les réseaux neuronaux profonds sont capables de mémoriser les données qu'ils ont vues, provoquant un comportement imprévisible lors de la manipulation de nouvelles données. De la même manière, de nombreux algorithmes d'apprentissage automatique sous-performent ou échouent complètement lorsqu'ils sont appliqués à de nouveaux domaines. L'apprentissage automatique est également sensible aux biais et aux effets de sélection inhérents à leurs données d'entraînement. Enfin, l'apprentissage automatique peut ne pas être en mesure de distinguer les caractéristiques importantes des variables de confusion. Votre expertise dans un domaine spécialisé peut vous aider à reconnaître et à éviter ces pièges courants. Certains algorithmes d'apprentissage automatique ont une courbe d'apprentissage abrupte. Vous effectuez déjà des recherches dans un domaine, il peut donc sembler difficile d'apprendre une discipline entièrement nouvelle. Simplement apprendre le jargon de l'apprentissage automatique peut être un obstacle important, mais heureusement, il existe de nombreuses ressources pour commencer dans ce domaine (par exemple, Fastai). De nombreux concepts en apprentissage automatique ont des analogues dans d'autres domaines - par exemple, l'optimisation de modèle peut être reformulée dans le langage de la thermodynamique et de la physique statistique. En outre, il existe de nombreuses sous-disciplines au sein de l'apprentissage automatique, et vous ne voulez probablement pas passer tout votre temps à explorer ces différents terriers.