AIの変革は両刃の剣です。リスクを回避する方法は次のとおりです。
この先駆的な研究機関のCIOは、新興技術に対する反復的なアプローチが生成AIへの信頼を築く最良の方法であると述べています。
新しい年はIT投資に新たな焦点を当てることを意味します。テクノロジーアナリストのガートナーは、2025年の世界のIT支出が5.74兆ドルに達し、2024年から9.3%の増加になると予測しています。このアナリストは、生成AI（Gen AI）への探求がこの増加を促進すると述べています。
ChatGPTを使って書く方法：履歴書|Excelの数式|エッセイ|カバーレター
私たちのほとんどは、今やジェネレーティブAIに手を出したことがあるでしょう。テキストを磨いたり、写真を作成したり、コードを生成したりする際に、この技術の能力は魔法のように感じられることがあります。
あなたは仮説を証明しなければなりません
しかし、フランシス・クリック研究所のCIOであるジェームズ・フレミングは、自身の組織がその誇大宣伝に流されないようにしているデジタルリーダーの一人です。
彼はZDNETに、新興技術を利用して革命的な科学的発見を推進することは簡単ではないと語った。この課題は、ジェネレーティブAIの台頭が彼の世界的に有名な研究機関での作業方法に大きな変化をもたらしていないことを意味している。
「公開されている大規模言語モデルを作成するのではなく、科学的なAIを行うことは、まったく異なる分野です。あなたは仮説を証明しなければならない厳密に制約された科学の世界で活動しています」と彼は言った。
「ほぼ正しいモデルを提示したと言うだけでは不十分です。ほとんどの場合、特定の条件下で正確でなければなりません。そして、あなたの作業が基本的な理解に基づいていることを示さなければなりません。」
フレミングは、科学におけるAIの使用を「両刃の剣」と表現しました。新興技術は研究プロセスを加速するのに役立つ一方で、新しい結論は高い確実性を持って生成され、提示されなければなりません。
「実証可能性は重要です。特に、クリニックや医療機器として現実の影響を持つ道筋を考えている場合は」とフレミングは述べました。
「例えば、臨床医の前にイノベーションを提示し、『このツールはがんの進化を予測できると思います』と言えば、臨床医はこう言うでしょう。『できる?なぜか見せて』と」
しかし、説明可能性は科学研究にとって重要である一方で、それは多くの人気AIモデルのブラックボックス的な作業方法や幻覚と矛盾する焦点です。
反復的アプローチを使用する
フレミングは、新興技術プロセスを解明するために、クリックが研究者が自信を持ってAIモデルを受け入れるのを助けるために反復的アプローチを使用していると述べました。
「目標に向かってゆっくりと段階的に進む必要があります」と彼は言った。「私たちは、初日から出所と信頼を築く、より集中したアプローチを取ります。」
Crickの段階的アプローチは、研究者がAIモデルを2つの方法で展開するのに役立ちます。
まず、既存の科学的方法論を強化することです。フレミングは、研究所がここで顕微鏡学の作業を始めたのは5年前であると述べました。
クリックの顕微鏡施設は、低温電子を分析し、組織、細胞、個々の分子の非常に密度が高く美しい画像を生成します。
しかし、良い画像を作成することは出発点に過ぎません。その画像は、癌細胞とそうでない細胞の違いを示すのに役立つ詳細などのデータに変換されなければなりません。
フレミングのチームは、適切なモデルがゲームを変える研究結果をより早く生み出すことができることを証明するために、反復的に作業してきました。
「AIモデルは、特徴分析や抽出、画像を理解するために扱えるデータに変換するなど、多くの雑務をあなたのために行うことができます」と彼は言った。
クリックがAIを使用する第二の領域は発見の文脈ですが、厳密に制約されたものです。
フレミングは、ある研究室のパーキンソン病に関する研究の例を挙げました。研究チームは、幹細胞の集団の中でどの患者が病気を持っているかを特定できる分類器を作成しました。しかし、研究者たちはその理由を説明できなかったため、逆に作業を進め、反復的に取り組みました。
「モデルを訓練した後、さまざまな統計手法を用いてそのモデルを逆に問いただすプロセスがありました。『実際、支配的な要素は細胞の楕円率です。彼らはより楕円形です。そして、モデルが抽出した他の特徴の全セットもありました。』
彼は、これらの結果だけでは答えにならないが、次の調査のラインを促すと述べました。「では、細胞の形態が異なるのはなぜか？次の実験は何か？」そして、そこから反復的な部分が始まります。
テストと磨き
フレミングは、クリックのAI技術を段階的にテストし洗練させる慎重なプロセスが、現在、複数のAIを結集して信頼できる研究プログラムを推進するより洗練されたアプローチにつながっていると述べました。
最大のプロジェクトはサムラ・トゥラルジッチによって主導されており、彼女の癌ダイナミクス研究所は腎臓癌がどのように進化するかを理解することに焦点を当てています。
チームは、病理画像から腫瘍のゲノム進化を予測するためにAIを使用しています。フレミングは、その取り組みには複数のAIを訓練し、10年にわたる研究を網羅するゲノムデータベースでモデルをクロストレーニングすることが含まれていると述べました。
「その結果、腎臓の進化を臨床的に予測できるものを作り出すことができる」と彼は言った。
「しかし、それぞれのプロセスにおいて、あなたは信頼できるまでサブコンポーネントを綿密に構築していると同時に、データの層を重ねていき、作業を進めるにつれて実世界の人口規模にますます近づいています。」
フレミングは、この超詳細なアプローチが重要であると述べました。なぜなら、結果は病理スライド上の染色の異なる強度など、生物学的および取得の変動によって影響を受ける可能性があるからです。
この段階的なプロセスは、長期的にAIからより迅速な結果を引き出す鍵は、短期的にゆっくりと体系的に作業することであることを証明しています。
それは、AIの時代において、ベンダーの誇張が解決困難な課題に対する素晴らしい解決策がクリック一つで手に入ると示唆する中で、私たち全員が学ぶことができる視点です。
フレミングは「小さなデータセットから始め、それを理解し、予測可能で機能するようにし、さらにデータを追加する」と述べました。
"次に、データを追加すると、モデルを再度磨きます。この反復プロセスは重要です。なぜなら、これを行わなければ理解と出所を構築できないからです。"