Il valore della scienza e sottolineato la sua importanza per l’IA e si sono concentrati sull’importanza dei professionisti dell’IA che hanno alcune basi nella scienza informatica come pietra angolare per la progettazione e lo sviluppo di modelli di intelligenza artificiale e processi di produzione, nonché la ricchezza delle scienze della complessità e apprezzando il fatto che l’integrazione di diverse discipline in complessi programmi di intelligenza artificiale è la chiave per il successo del ritorno sugli investimenti (ROI).
Questo blog introduce l’importanza della fisica ed esplora la sua relazione con l’intelligenza artificiale poiché spesso vedo che i team che risolvono l’IA mancano di abilità fisiche nei costrutti di soluzione, il che credo sia un errore strategico per molti programmi di intelligenza artificiale complessi. È importante che i livelli C comprendano che l’IA non è una disciplina singolare, richiede molte altre abilità per ottenere l’architettura della soluzione giusta. Quindi comprendi profondamente il problema aziendale di fronte a te – e più complesso è il problema, maggiore sarà il valore che i fisici avranno nel guidarti in avanti.
Nella Brain Trust Series, ho identificato oltre 50 competenze necessarie per aiutare a far evolvere i talenti nelle organizzazioni impegnate a promuovere l’alfabetizzazione AI. Gli ultimi blog hanno discusso la rilevanza delle competenze tecniche. Per vedere l’intero AI Brain Trust Framework introdotto nel primo blog, fare riferimento qui .
Attualmente siamo concentrati sulle competenze tecniche nell’AI Brain Trust Framework
Abilità tecniche:
- Metodi di ricerca Alfabetizzazione
- Alfabetizzazione sui metodi agili
- Alfabetizzazione progettuale centrata sull’utente
- Alfabetizzazione sull’analisi dei dati
- Alfabetizzazione digitale (cloud, SaaS, computer, ecc.)
- Alfabetizzazione matematica
- Alfabetizzazione statistica
- Alfabetizzazione scientifica (informatica, scienza della complessità, fisica)
- Alfabetizzazione con intelligenza artificiale (AI) e machine learning (ML)
- Alfabetizzazione alla sostenibilità
Qual è l’importanza della fisica per l’IA come disciplina?
Ci sono così tanti aspetti della fisica che possono essere applicati all’intelligenza artificiale, quindi non ci vuole molto per apprezzare il valore di questa disciplina scientifica. Una delle scoperte più significative in fisica è stata la particella del bosone di Higgs, spesso indicata come particella divina, che è stata scoperta utilizzando una rete neurale AI per aiutare a identificare schemi complessi nelle collisioni di particelle.
L’ultimo blog ha sottolineato l’importanza della scienza della complessità e l’aspetto più importante della fisica è che questa disciplina ti insegna come comprendere e scomporre processi complessi.
Nei blog precedenti, ho sottolineato che l’importanza di costruire un modello di intelligenza artificiale richiede tre abilitazioni principali: 1) raccolta e analisi dei dati 2.) sviluppo del modello di intelligenza artificiale e 3.) valutazione dei risultati del modello e determinazione del valore. Ciascuna di queste aree ha rilevanza per la fisica e un forte esperto di IA apprezzerà il valore che il know-how della fisica può apportare per consentire ai team di ingegneri di affrontare i problemi più complessi del mondo.
Cominciamo prima con l’analisi dei dati. Esistono molte forme di approcci all’apprendimento automatico, ma quello che ha i collegamenti più stretti con la fisica sono le reti neurali addestrate per identificare modelli complessi, oltre a trovare nuovi modelli. Esempi di come l’IA può essere applicata per risolvere un problema di fisica sarebbe classificare migliaia di immagini ed essere in grado di identificare i buchi neri, essere in grado di rilevare sottili cambiamenti nella luce intorno agli oggetti è un esempio delle discipline che si uniscono.
I professionisti della fisica usano anche termini come lenti gravitazionali per l’analisi delle immagini utilizzando reti neurali per estrarre le classificazioni a livelli più fini di dettagli, mentre gli specialisti di intelligenza artificiale dicono semplicemente elaborazione delle immagini. Ciò che è sempre una sfida in diverse discipline è che il linguaggio geek spesso confonde i leader aziendali che non sono in grado di decifrare i significati del linguaggio.
Inoltre, molti acclamati fisici affermano di essere i principali contributori al progresso del campo dell’IA, quindi l’attrito della rivalità esiste anche in queste discipline e scusate il gioco di parole.
Le reti neurali sono particolarmente efficaci nel consentire ai modelli di intelligenza artificiale di essere in grado di rilevare i cambiamenti nelle onde radio o persino delle onde gravitazionali terrestri, o per determinare quando raggi specifici possono colpire l’atmosfera terrestre e fornire anche informazioni sui tempi.
Essere in grado di codificare diversi comportamenti delle particelle e osservare i loro sottili cambiamenti nel tempo fornisce un ricco letto di analisi e interpretabilità della modellazione AI per i fisici per avere approfondimenti matematici più approfonditi per codificare le loro osservazioni in modo più accurato.
Altri termini fisici che stanno alla base delle reti neurali includono: compressibilità o conduttività. Ciò che è ancora più entusiasmante nel riunire queste due discipline è l’area della tomografia quantistica, che equivale a misurare i cambiamenti in uno stato quantistico che ha rilevanza innovativa per il calcolo quantistico. La tomografia è un campo emozionante che analizza le immagini per sezioni o sezionamenti attraverso l’uso di qualsiasi tipo di onda penetrante. Questo metodo viene utilizzato in diverse aree, tra cui: radiologia, scienze atmosferiche, geofisica, oceanografia, fisica del plasma, astrofisica, informazione quantistica e altre aree scientifiche. Le sue applicazioni sono infinite e molto eccitanti.
I metodi di apprendimento automatico aiutano a far progredire la fisica, così come la fisica ha valore e rilevanza per l’apprendimento automatico. L’elevato valore computazionale dell’apprendimento automatico consente ai fisici di affrontare problemi ancora più complessi, come la simulazione del cambiamento climatico globale sfruttando superfici geometriche e applicando l’apprendimento profondo su superfici curve.
Uno scienziato informatico dell’Imperial College, Michael Bronstein ei suoi ricercatori, hanno contribuito a far progredire i metodi di apprendimento profondo geo-metrico e hanno stabilito che andare oltre il piano euclideo avrebbe richiesto loro di reimmaginare una delle procedure computazionali di base che hanno reso le reti neurali così efficaci nel riconoscimento delle immagini 2D innanzitutto. Questa procedura consente a un livello della rete neurale di eseguire un’operazione matematica su piccole patch dei dati di input e quindi di passare i risultati al livello successivo della rete.
Senza entrare troppo nei dettagli, questi ricercatori hanno reimmaginato questi approcci e hanno riconosciuto che una forma 3D piegata in due pose diverse – come un orso in piedi o un orso seduto – erano tutte istanze degli stessi oggetti rispetto a due oggetti distinti.
Da qui è nato il termine Convolutional Neural Networks (CNN). Questo tipo di rete è specializzato nell’elaborazione dei dati in una griglia come la topologia, come un’immagine, e ogni neurone lavora nel proprio campo di riferimento ricettivo ed è connesso ad altri neuroni in modo da coprire l’intero campo visivo, quindi dopo aver analizzato migliaia di immagini di un gatto o di un cane questo problema non è così difficile in quanto vi è un facile accesso a questo set di dati.
Le CNN possono rilevare le caratteristiche ruotate o riflesse in immagini piatte senza doversi addestrare su esempi specifici delle caratteristiche e le CNN sferiche possono creare mappe delle caratteristiche dai dati sulla superficie di una sfera senza distorcerle come proiezioni piatte. Le applicazioni sono infinite e molto entusiasmanti per i fisici in cui il rilevamento della superficie degli oggetti è fondamentale nei loro metodi di ricerca.
A differenza della ricerca di tumori cancerosi da diverse foto polmonari, trovare un’etichettatura di qualità scientificamente accurata e convalidata è una sfida più difficile da raggiungere.
In un progetto di ricerca governativo e accademico, hanno utilizzato una rete convoluzionale (CNN) per rilevare i cicloni nei dati utilizzando un nuovo metodo di rilevamento della CNN che è stato in grado di rilevare i cicloni con una precisione prossima al 98%. Un misuratore CNN funzionerebbe teoricamente su qualsiasi superficie curva di qualsiasi dimensionalità. Le implicazioni per il monitoraggio del clima utilizzando la fisica e le tecniche di intelligenza artificiale non hanno precedenti con questi progressi.
In sintesi, sia la fisica che l’apprendimento automatico hanno alcune somiglianze. Entrambe le discipline sono focalizzate sulla realizzazione di osservazioni accurate ed entrambe costruiscono modelli per prevedere osservazioni future. Uno dei termini che spesso i fisici usano è co-varianza, il che significa che la fisica dovrebbe essere indipendente dal tipo o dalla regola utilizzata o dal tipo di osservatori coinvolti, il che si traduce in un semplice pensiero indipendente.
Einstein lo affermò al meglio nel 1916 quando disse: “Le leggi generali della natura devono essere espresse da equazioni valide per tutti i sistemi di coordinate”.
Quali domande chiave possono porre i direttori ei CEO per valutare la profondità dei legami fisici con la rilevanza dell’intelligenza artificiale?
1.) Quante risorse hai che hai una laurea in fisica rispetto a un master o un dottorato?
2.) Di queste risorse complessive formate in discipline fisiche, quante hanno anche una specializzazione in Intelligenza Artificiale?
3.) Quanti dei tuoi progetti di IA più significativi hanno esperienza in fisica per garantire un maggiore know-how di conoscenza interdisciplinare?
4.) Quanti Board Director o C-Suite hanno esperienza in fisica con una miscela di conoscenza dell’IA per affrontare i problemi di business più complessi del mondo?
Queste sono alcune delle domande iniziali sopra riportate per aiutare i leader a comprendere il loro mix di talenti nell’apprezzare il valore di diverse discipline scientifiche per aumentare i team di fornitura di soluzioni AI nelle imprese.
Credo che i direttori del consiglio di amministrazione e gli amministratori delegati debbano comprendere la profondità del loro talento nelle discipline scientifiche oltre alle discipline dell’IA per garantire che i loro complessi programmi di intelligenza artificiale siano ottimizzati maggiormente per il successo. Gli ultimi tre blog, incluso questo, hanno esaminato tre discipline 1) Informatica 2.) Scienza della complessità e questo sulla fisica: tutti scritti per rafforzare l’importanza che le discipline scientifiche sono fondamentali per garantire il successo degli investimenti nell’intelligenza artificiale e vengono effettuati investimenti continui per aiutarli ad evolversi e raggiungere il valore per supportare gli esseri umani nell’aumentare il loro processo decisionale o migliorare i loro processi operativi.
