Wie sieht die Zukunft von KI aus, wenn KI zur Vorhersage von KI eingesetzt wird?

Künstliche Intelligenz löst zunehmend mehr Probleme, die der Mensch bisher nicht gelöst hat, und erzielt dabei gute Ergebnisse.

Allerdings ist der Umfang der wissenschaftlichen Forschung im Bereich der KI in den letzten Jahren exponentiell gewachsen, sodass es für Wissenschaftler und Praktiker schwierig ist, mit diesen Fortschritten Schritt zu halten.

Daten zeigen, dass sich die Anzahl der Forschungsarbeiten im Bereich des maschinellen Lernens alle 23 Monate verdoppelt. Einer der Gründe dafür ist, dass KI in verschiedenen Disziplinen wie Mathematik, Statistik, Physik, Medizin und Biochemie eingesetzt wird.

Tools, die durch die Gewinnung von Erkenntnissen aus der wissenschaftlichen Literatur neue personalisierte Forschungsrichtungen und Ideen generieren, könnten den wissenschaftlichen Fortschritt erheblich beschleunigen. Wie können Menschen im Prozess der Schnittstelle zwischen künstlicher Intelligenz und anderen Bereichen beurteilen, welche Richtungen sinnvoll und lohnenswert sind?

Zu diesem Zweck hat ein internationales Team unter der Leitung von Mario Krenn, einem Wissenschaftler für künstliche Intelligenz am Max-Planck-Institut für die Physik des Lichts (MPL), eine Studie zum Thema „Hochwertige Linkvorhersage in exponentiell wachsenden Wissensnetzwerken“ veröffentlicht. Das zugehörige Forschungspapier mit dem Titel „Predicting the Future of AI with AI: High-Quality link prediction in an exponentially growing knowledge network“ wurde auf der Preprint-Website arXiv veröffentlicht.

(Quelle: arXiv)

Das Ziel dieser Forschungsarbeit besteht darin, ein Programm zu entwickeln, das KI-bezogene Literatur „lesen, verstehen und dann darauf reagieren“ kann und so die Tür für die Vorhersage und Anregung interdisziplinärer Forschungsideen öffnet. Das Forschungsteam ist davon überzeugt , dass dies auf lange Sicht die Produktivität der KI-Forscher steigern, neue Forschungswege eröffnen und den Fortschritt auf diesem Gebiet vorantreiben wird.

Die Praxis hat gezeigt, dass neue Forschungsideen häufig dadurch entstehen, dass zwischen scheinbar nicht zusammenhängenden Themen/Feldern neue Verbindungen hergestellt werden.

Dies veranlasste das Forschungsteam, die Entwicklung der KI-Literatur als zeitliche Netzwerkmodellierungsaufgabe zu formulieren und ein semantisches Netzwerk zu erstellen, das den Inhalt und die Entwicklung der KI-Literatur seit 1994 beschreiben kann.

Das Forschungsteam untersuchte außerdem ein Netzwerk mit 64.000 Konzepten (auch Knoten genannt) und 18 Millionen Verbindungen zwischen Knoten und verwendete das semantische Netzwerk als Eingabe für 10 verschiedene statistische und maschinelle Lernmethoden.

Eine der grundlegendsten Aufgaben – der Aufbau semantischer Netzwerke – hilft dabei, Wissen aus dem Web zu extrahieren und es anschließend mithilfe von Computeralgorithmen zu verarbeiten.

Abbildung｜In dieser Arbeit verwendete das Forschungsteam 143.000 von 1992 bis 2020 auf arXiv veröffentlichte Artikel zu künstlicher Intelligenz und maschinellem Lernen und verwendete RAKE und andere NLP-Tools, um eine Konzeptliste zu erstellen. Diese Konzepte bilden die Knoten eines semantischen Netzwerks. Kanten werden gezeichnet, wenn zwei Konzepte zusammen im Titel oder in der Zusammenfassung eines Dokuments erscheinen. Auf diese Weise konstruierten sie ein sich entwickelndes semantisches Netzwerk, in dem im Laufe der Zeit immer mehr Konzepte gemeinsam untersucht wurden. Die ultimative Aufgabe besteht darin, vorherzusagen, wo unverbundene Knotenpunkte, Konzepte, die in der wissenschaftlichen Literatur nicht gemeinsam untersucht wurden, innerhalb weniger Jahre verbunden werden. (Quelle: arXiv)

Zunächst erwog das Forschungsteam, zur Erstellung eines solchen Netzwerks große Sprachmodelle wie GPT-3 und PaLM zu verwenden. Die größte Herausforderung besteht jedoch darin, dass diese Modelle weiterhin schwer zu begründen sind und es schwierig ist, neue Konzeptkombinationen zu identifizieren oder vorzuschlagen.

Daher griffen sie auf einen Ansatz zurück, den sie aus der Biochemie übernommen hatten und der Wissensnetzwerke aus Konzepten erstellt, die in wissenschaftlichen Arbeiten gemeinsam vorkommen. Ein einzelnes Biomolekül stellt einen Knoten dar, und wenn in einem Dokument zwei entsprechende Biomoleküle erwähnt werden, sind die beiden Knoten miteinander verbunden. Dieser Ansatz wurde erstmals von Andrey Rzhetsky, Professor für Medizin und Humangenetik an der Universität von Chicago, und seinem Team vorgeschlagen.

Mit diesem Ansatz erfasste das Forschungsteam die Geschichte des KI-Bereichs und extrahierte mithilfe von Supercomputersimulationen wichtige Aussagen über das kollektive Verhalten von Wissenschaftlern. Dieser Prozess wurde auf der Grundlage einer großen Anzahl von Artikeln immer wieder wiederholt, um ein Netzwerk zu bilden, das verwertbare Inhalte erfasst.

Darauf aufbauend entwickelte das Forschungsteam einen neuen Benchmark namens Science4Cast und stellte zehn verschiedene Methoden zur Lösung dieses Benchmarks bereit. Das Forschungsteam ist davon überzeugt, dass seine Arbeit dazu beitragen wird, ein neues Tool zu entwickeln, mit dem sich Trends in der Forschung zur künstlichen Intelligenz vorhersagen lassen .

Wenn man in der Vergangenheit ein Forum zu KI und maschinellem Lernen öffnete, stellte man fest, dass das Hauptdiskussionsthema darin bestand, „mit der Weiterentwicklung der KI Schritt zu halten“.

Vielleicht kann diese Forschung den Druck auf die Menschen etwas verringern.

Link zum Artikel:

https://arxiv.org/pdf/2210.00881.pdf