Новый алгоритм Ai впервые научился находить глубокие аналогии в базах данных изобретений, что продвигает инновации на новый уровень
Привет, недавно был преодолен еще один трудно решаемый барьер в обучении AI - поиск аналогий. Исследователи разработали метод, позволяющий компьютерам анализировать базы данных патентов, изобретений и исследовательских работ, определяя идеи, которые могут быть пересмотрены для решения новых проблем или создания новых продуктов.
В частности, они разработали способ для поиска аналогий- сравнение между иногда разрозненными методами и проблемами, которые имеют определенные сходства.
Анализ огромных баз данных изобретений может стимулировать развитие инновации, но делать это без помощи уже имеющихся аналогий, тоже, что искать иголку в стоге сена.
Компьютерщики смогли разрешить проблему аналогий, объединив возможности краудсорсинга (привлечение к решению тех или иных проблем инновационной производственной деятельности широкого круга лиц для использования их творческих способностей) и метод искусственного интеллекта, известный как глубокое обучение. Наблюдая за тем, как люди находили аналогии, они получили идеи, которые использовали для обучения алгоритма AI, в целях улучшения им поиска аналогий.
После десятилетий попыток это первый случай, когда кто-то смог решить проблему аналогии в таком крупном масштабе. Решение проблемы поиска аналогий, повышает скорость развития инноваций.
В свое время разные аналогии сыграли свою определяющую роль в большом количестве открытий. Так, итальянский микробиолог Сальвадор Лурия задумал эксперимент по бактериальной мутации, который позже принес ему Нобелевскую премию, когда смотрел на работу игрового автомата. Братья Райт использовали информацию о балансе и весе, приобретенном при строительстве велосипедов, чтобы помочь достичь правильных параметров полета. Одни из способов удаления пробки из бутылки вина вдохновил аргентинского автомеханика изобретать устройство для облегчения сложных родов.
Найти аналогии не всегда легко, особенно для компьютеров, которые не понимают суть вещей на глубоком семантическом уровне, как люди. Исследователи пытались создавать структуры данных, но этот подход требует много времени и затрат и не масштабируется для баз данных, которые могут включать в себя десятки миллионов патентов или научных исследований.
Другие исследователи пытались вывести этот алгоритм из большого количества текста, но этот подход определяет прежде всего поверхностные сходства, а не глубокое понимание, полезное для решения проблем. Для достижения нового подхода использовались знания основ краудсорсинга, как средства поиска аналогов.
Ученые разработали схему, в которой большое количество сотрудников, нанятых через Amazon Mechanical Turk, искали аналогичные продукты на веб-сайте инновационных продуктов Quirky.com. Основываясь на описаниях продуктов, они искали те, которые имели сходные цели или использовали аналогичные механизмы.
«Мы смогли заглянуть в мозги этих людей, потому что мы заставили их показать свою работу», объяснил один из разработчиков, например, описание для производителя йогурта может содержать следующие слова, как «густой», «еда» и «закваска» и пр., связанные с его назначением и словами, такими как «жидкость» и «нагрев», связанные с механизмом его изготовления. Что касается аналогов, то речь идет не о йогурте, а о концентрации предметов и идей.
Основываясь на этих соображениях, компьютер смог научиться анализировать дополнительные описания продуктов и идентифицировать их со своими собственными аналогами, многие из которых отражали сходство между кажущимися разрозненными "отдаленными" свойствами. Когда нанятые сотрудники впоследствии использовали аналогии, чтобы предлагать варианты новых продуктов и решений, эти «отдаленные» аналоги приводили к самым инновационным идеям.
Такой же подход можно использовать для разработки компьютерных программ для поиска аналогий в патентных заявках или научных исследованиях.
