Onderzoekers pleiten voor waarschijnlijkheidsbereik in AI-wetenschap
Onderzoekers verbonden aan het ELLIS Institute Tübingen en de University of Tübingen stellen in een essay voor dat taalmodellen in de wetenschap meerdere plausibele modellen moeten teruggeven in plaats van slechts één uitkomst. Dit sluit beter aan bij het daadwerkelijk begrijpen van complexe systemen.
In een recent gepubliceerd essay pleiten wetenschappers Jakob Macke, Daniel Gedon en Stefan Wahl ervoor dat AI-systemen voor wetenschappelijke doeleinden niet langer slechts één enkel optimaal model genereren. In plaats daarvan zouden taalmodellen een gewogen verdeling van verschillende plausibele wetenschappelijke modellen moeten opleveren. De onderzoekers benadrukken hiermee het verschil tussen het simpelweg nabootsen van waargenomen data en het daadwerkelijk doorgronden van een onderliggend systeem.
Van losse data naar systeembbegrip
Binnen de wetenschappelijke toepassing van kunstmatige intelligentie is het een bekend gegeven dat meerdere verschillende parameterinstellingen kunnen leiden tot eenzelfde observatie. Door gebruikers niet één vast antwoord voor te schotelen, maar juist een spectrum aan waarschijnlijkheden te tonen, kunnen onderzoekers beter onderbouwde beslissingen nemen. Deze benadering sluit aan bij bredere discussies over de betrouwbaarheid en interpreteerbaarheid van AI-gegenereerde analyses in de exacte wetenschappen.
Deze samenvatting is gebaseerd op een origineel artikel van Unite.AI. Lees het volledige, originele bericht bij de bron.
Lees het originele artikelAchtergrond bij dit bericht
- Hoe wordt een AI-model getraind?Van ruwe data tot een bruikbaar model: de stappen die een AI maken zoals ChatGPT.
- Wat zijn transformers? De doorbraak achter moderne AIDe architectuur die ChatGPT, Claude en beeldmodellen mogelijk maakte, in begrijpelijke taal.
- Wat zijn AI-benchmarks en wat zeggen ze?Elke modelaankondiging komt met grafieken. Hoe je die leest, en waarom de cijfers vaak minder betekenen dan ze suggereren.
- Wat is reinforcement learning?Leren met beloning en straf — de techniek achter game-AI en zelfrijdende auto's.