MI az óceánkutatásban: gyorsabb eredmények, felgyorsult tempó
A spanyolországi AZTI tengerkutató központban már bevett gyakorlat, hogy évtizedek alatt gyűjtött, milliós nagyságrendű adatokat – halak, planktonok előfordulása, tengeri élővilág képei, videói – egyetlen MI-modell dolgoz fel. A kutatók korábban hosszú évekig kézzel töltötték a táblázatokat, most pár óra alatt átláthatják a hatalmas adatbázist, így gyorsabban dönthetnek például halászati kvótákról vagy védett tengeri területekről.
Borja biológus szerint a fiatal kutatók attól tartanak, hogy az MI elveszi a munkájukat, valójában azonban az történik, hogy a gép elvégzi a monoton, időrabló adminisztrációt, az emberek pedig végre az értelmezésre és elemzésre koncentrálhatnak. Az AZTI kutatói arra is használják az MI-t, hogy videofelvételeken, képeken ismerje fel a különféle halfajokat és más tengeri élőlényeket – ez jelenleg órákig tartó videónézést igényelne.
A központ várakozásai szerint az elkövetkező öt évben a tudományban robbanásszerűen nőnek majd a MI-alapú kutatási alkalmazások.
Pontosabb időjárás-előrejelzések
Az MI-vezérelt modellek ma már felülmúlják a hagyományos előrejelző rendszereket. A Microsoft által fejlesztett Aurora nevű modell több mint másfél millió órányi geofizikai adattal lett betanítva, és célkitűzései 91%-ában pontosabbnak bizonyult, mint az Európai Középtávú Időjárás-előrejelző Központ (ECMWF) modellje vagy a Google DeepMind által fejlesztett GraphCast. Az Aurora képes előre jelezni például a légszennyezettséget, a hullámokat és a trópusi ciklonok útvonalát – mindezt a számítási költségek töredékéért.
Fontos azonban, hogy az MI-alapú modellek úgynevezett „fekete dobozként” működnek, vagyis kevésbé átláthatóak, mint a hagyományos modellek, ami aggodalmat kelt egyes meteorológusok körében. Mindezek ellenére a pontosabb előrejelzések kulcsfontosságúak ahhoz, hogy időben lehessen riasztani a lakosságot, ha extrém esemény közeleg.
Az állampolgári tudományban is tarol az MI
A Citizen Science: Theory and Practice (Polgári Tudomány: Elmélet és Gyakorlat) című folyóiratban megjelent tanulmány szerint a legjobb eredményt az emberek és az MI együttműködése hozza. Egy brit kísérleti projektben a természetbarátok bármikor küldhettek poszméhekről készült képeket, amelyeket az MI azonosított, majd a kutatók ellenőriztek. Egy automatikus válaszlevél megköszönte a részvételt, és közölte, hogy milyen méh szerepel a képen.
A rendszer kezdetben csak 50%-os pontossággal működött, de így is elegendő volt, ha három ember nézte át a képeket, míg korábban tízre lett volna szükség. Ahogy a modell egyre több képet tanult, képes lett a méhekkel együtt lefotózott növényeket is felismerni, így javaslatot tudott tenni arra, hogy ki milyen növényt ültessen, ha bizonyos méhfajokat szeretne a kertjébe vonzani.
Mindez azt mutatja, hogy az MI nemcsak gyorsabbá, hanem sokszínűbbé és elérhetőbbé is teszi a tudományos ismeretszerzést – különösen akkor, ha emberekkel közösen dolgozik.
