Il est rare qu’une technologie ait le pouvoir d’améliorer toute une industrie, mais c’est exactement ce que fait l’apprentissage automatique pour les scientifiques.
Qu’importe les sujets spécifiques qu’ils étudient, l’apprentissage automatique leur permet de faire des découvertes plus rapidement qu’ils ne le pouvaient auparavant. En tant que tel, il est possible de faire des progrès rapides qui pourraient profiter à la société dans son ensemble d’une manière qui n’a même pas encore été imaginée.
Accélérer le regroupement et le classement
Les scientifiques traitent souvent les données par des moyens appelés regroupement et classement. Le regroupement consiste à se concentrer sur les éléments partageant des caractéristiques communes. Ensuite, le classement les place dans un ordre d’importance défini par certains paramètres.
L’une des choses extrêmement utiles que l’apprentissage automatique peut faire est de regrouper et de classer des quantités de données bien plus importantes que ce que les gens pourraient traiter sans des processus extrêmement longs. Les scientifiques peuvent alors ensuite organiser les données de manière systématique et potentiellement découvrir des choses à leur sujet qui leur échapperaient autrement.
Exécution d’expériences et construction de modèles
Les utilisateurs de plateformes d’apprentissage automatique peuvent également modifier rapidement les composants pour exécuter de nouvelles requêtes pendant les expériences.
Une méthode traditionnelle d’expérimentation consiste à modifier une variable à la fois, puis à déterminer laquelle entraîne les changements attendus ou nécessaires. Cependant, cela implique parfois de réaliser des milliers d’expériences pour couvrir toutes les variables et combinaisons potentielles. Par conséquent, il y a de fortes chances que certaines combinaisons soient finalement inutiles.
En utilisant des méthodes d’apprentissage automatique, les chercheurs peuvent acquérir des connaissances sur les variables les plus impactantes. Ils peuvent par la suite porter leur attention sur ces caractéristiques et pourraient parvenir aux mêmes conclusions après seulement quelques dizaines d’expériences. Le traitement extraordinairement rapide de l’apprentissage automatique donne aux scientifiques plus de temps pour tester leurs hypothèses.
Dans d’autres cas, les scientifiques doivent construire des modèles pour répondre à des normes précises. Sans l’apprentissage automatique, cela prend des mois, sans parler d’ordinateurs extrêmement puissants. Cependant, certains des outils d’apprentissage automatique actuels permettent d’obtenir les mêmes résultats en quelques heures.
Les chercheurs ont également conçu une technique d’apprentissage automatique qu’ils appellent forêts aléatoires itératives. Ils disent qu’elle s’applique surtout aux systèmes très complexes qui étaient auparavant extraordinairement difficiles concernant la recherche de relations entre les variables. L’équipe estime que leur méthode pourrait profiter à tout type de science connu pour une telle complexité.
Application de l’apprentissage automatique aux données climatiques
L’apprentissage automatique facilite les efforts de tous les scientifiques et les aide à faire des découvertes plus efficacement. Cependant, il y a aussi des cas où les personnes dans des domaines scientifiques spécifiques dépendent de l’apprentissage automatique pour parvenir à des conclusions plus définitives.
Les météorologues appliquent l’apprentissage automatique pour étudier le climat et mentionnent que la technologie peut découvrir des modèles de pression atmosphérique, des cyclones tropicaux et d’autres phénomènes liés à la météo de manière parfois plus efficace que les méthodes antérieures.
Une étude de 2016 a révélé que neuf météorologues du National Weather Service des États-Unis choisissaient les algorithmes d’intelligence artificielle (IA) environ 75 % du temps lorsqu’ils établissaient des prévisions sur la durée des tempêtes et qu’ils avaient le choix entre les nouvelles méthodes et les méthodes conventionnelles.
Cependant, même si cette technologie peut comprendre les choses plus rapidement que les humains, elle ne les remplacera pas. Les chercheurs ne savent pas toujours comment l’apprentissage automatique arrive à ses résultats et peuvent hésiter à lui faire confiance lorsqu’ils donnent des détails sur des catastrophes imminentes.
Fournir une structure pour la science théorique
Parce que la science théorique implique des modèles mathématiques qui rationalisent et expliquent les phénomènes naturels, elle se prête également bien aux applications de l’apprentissage automatique – mais les possibilités d’utilisations pratiques n’en sont encore qu’à leurs débuts. À terme, l’apprentissage automatique pourrait donner la structure mathématique des théories scientifiques, tandis que les théoriciens ajoutent le sens.
La technologie pourrait également aider les personnes de cette branche de la science à savoir quand s’attendre à des corrélations stables.
Étudier les données biologiques avec moins d’erreurs
Les plateformes d’apprentissage automatique aident également les biologistes, notamment en les aidant à trier les cellules et à les différencier en fonction de paramètres définis.
Une plateforme appelée DeepVariant transforme les données génomiques qui sont ensuite analysées sous forme d’images. Un chercheur a atteint un taux d’erreur de près de 2 % lorsqu’il a travaillé avec des plantes, alors que le taux d’erreur typique pourrait être d’environ 20 %.
Dépendance de l’apprentissage automatique pour la physique des particules
Les équipes de recherche spécialisées dans la physique des particules utilisent l’apprentissage automatique lorsqu’elles tentent de découvrir certains des plus grands mystères de l’univers. Certains des algorithmes qu’elles utilisent deviennent même plus intelligents par eux-mêmes en apprenant de leurs performances et en les améliorant.
Dans une expérience visant à découvrir pourquoi la matière l’emporte tant sur l’antimatière dans l’univers, l’apprentissage automatique prend jusqu’à 70 % des décisions concernant les données qui méritent d’être conservées et celles qui doivent être écartées.
Changement significatif de la science pour le mieux
Ces exemples montrent que l’apprentissage automatique profite à la science dans son ensemble, tout en offrant des applications intéressantes pour des disciplines particulières. Bientôt, cette technologie pourrait changer à jamais la façon dont tous les scientifiques travaillent et signifier que le monde bénéficie de ce qu’ils découvrent.
