Достаточно скоро компетентность в области искусственного интеллекта станет важным навыком рабочей силы. Группа ученых-компьютерщиков и экспертов в области обучения изучает, как может выглядеть базовое введение в ИИ для учащихся средних и старших классов.
Возникновение искусственного интеллекта (ИИ) и его ветви, называемой машинным обучением, которая фокусируется на использовании данных и алгоритмов для имитации того, как люди учатся, быстро меняет способы научных открытий, требующих больших объемов данных.
Наука, интенсивно работающая с данными, — это современный стиль науки, ориентированный на исследования, который в значительной степени опирается на передовые вычислительные возможности и программные инструменты для манипулирования и изучения массивных наборов данных. Внедрение новых и лучших методов машинного обучения в настоящее время используется для помощи и автоматизации научных исследований все более сложных проблем.
«Исследования ИИ делают большие успехи», — сказал Майкл Э. Папка, заместитель помощника директора лаборатории и директор центра суперкомпьютеров в Аргоннской национальной лаборатории Министерства энергетики США (DOE), который также является профессором информатики в Иллинойском университете в Чикаго. (УИК). «Мы наблюдаем прогресс во многих областях ИИ, достигнутый не только новыми методами, но особенно новым оборудованием для запуска моделей ИИ, требующих больших вычислительных ресурсов».
Два года назад Папка и группа единомышленников, состоящая из преподавателей STEM (наука, технология, инженерия и математика) и ученых-компьютерщиков, начали еженедельно встречаться, чтобы обсудить будущий пробел в навыках рабочей силы для решения проблем ИИ. Они начали мозговой штурм о новом инструменте или, возможно, учебном модуле, который познакомил бы молодых исследователей с концепциями ИИ завтрашнего дня.
Команда, в которую входят научные и образовательные сотрудники из Аргонны и преподаватели STEM из Университета Северного Иллинойса (NIU) и UIC, хотела изучить области, в которых, несомненно, потребуются будущие кадры: разработчики программного обеспечения для искусственного интеллекта и эксперты в области науки о данных. В течение нескольких месяцев группа встречалась с экспертами в области ИИ, начинающими учеными, использующими системы ИИ в своих исследованиях, и аспирантами, работающими над инструментами обработки данных.
Некоторые технологии все еще находятся в экспериментальной фазе, в том числе растущая коллекция аппаратного обеспечения ИИ, обнаруженного на испытательном стенде ИИ в Argonne Leadership Computing Facility (ALCF). Тем не менее, методы искусственного интеллекта, такие как машинное обучение, использующее алгоритмы для анализа и обучения на входных данных, и глубокое обучение, подобласть машинного обучения, использующая сложную структуру алгоритмов, смоделированных на человеческом мозге, для обучения и принятия решений, начинают набирать популярность. способствовать глубоким научным открытиям. Эти методы предсказывали трехмерные структуры белков для медицинских исследований и выполняли механические, но жизненно важные задачи, такие как определение оптимальных материалов-кандидатов для сбора солнечного света. ALCF является пользовательским объектом Управления науки Министерства энергетики США.
Такие разработки сделают компетентность в области искусственного интеллекта важным навыком рабочей силы. «Поиск способов интеграции методологии ИИ в научные проблемы — это первый шаг к поиску путей их преодоления», — сказал Меридит Бруозас, директор по институциональному партнерству в Аргонне и член команды по сотрудничеству в области ИИ, помогающий разрабатывать учебную программу. «Как ведущая исследовательская организация, мы очень заинтересованы в развитии навыков ИИ у будущей рабочей силы».
Начали формироваться идеи о том, как может выглядеть опыт, основанный на данных и исследованиях. Это даст учащимся доступ к большим наборам данных , смоделирует реальную научную практику и познакомит с методами, основанными на искусственном интеллекте, которые ученые данных используют, чтобы получить представление об интересующем вопросе.
Урок первый: что это?
Argonne — одна из постоянно растущего числа исследовательских организаций, использующих мощные ресурсы и методы искусственного интеллекта для новых открытий. Но не все системы и методы ИИ, такие как машинное обучение, должны быть мощными, чтобы вносить весомый вклад в общество. Система на базе ИИ — это любое устройство или компьютерная система, которая выполняет задачи человеческого интеллекта, используя сложные наборы данных. Такие системы все еще могут быть непрозрачными; многие люди используют модели ИИ, не зная, как они работают. Понимание того, как настроить модели для получения полезных результатов, все еще является новой и активной областью исследований. Команда увидела проблему в том, чтобы связать технические аспекты ИИ с его потенциалом для решения больших проблем таким образом, чтобы это было интересно лично учащимся.
Повышение осведомленности о том, как машины могут использоваться для моделирования процессов человеческого интеллекта, казалось хорошей отправной точкой перед тем, как перейти к решению проблем, таких как моделирование наборов данных, создание уверенности в результатах и создание обучающих наборов данных, позволяющих избежать рисков. и недостатки методов на основе ИИ.
«Мы ожидали, что у нас не будет опыта программирования, поэтому мы быстро нашли способы потенциального обучения концепциям ИИ с точки зрения «отключенной» науки о данных», — сказал Джон Домьянчич, руководитель Аргоннского учебного центра. «Действия, чтобы заставить их задуматься о том, как использовать данные для ответов на вопросы , и начать определять, какая еще информация им может понадобиться, чтобы получить ответ с высокой степенью уверенности».
Еще одной проблемой для команды был масштаб: какой тип и сколько данных потребуется, чтобы они были полезными? И как учащиеся начнут формулировать вопросы, на которые они ищут ответы?
От обозначения пения птиц до выявления загрязненных рек
В июле 2021 года команда провела месячную летнюю пилотную программу с участием старшеклассников, набранных в рамках программы Upward Bound NIU. После ознакомления с более широкими концепциями ИИ и машинного обучения студенты работали в группах над анализом наборов данных, сгенерированных ИИ, используя некоторые из тех же инструментов, которые ученые используют для обучения различных моделей машинного обучения, включая Jupyter Notebooks.
Они использовали данные и модели Spotify, чтобы научиться определять музыкальный жанр, а затем каталогизировать и распознавать песни птиц. «Мы попросили их подумать о том, как человек может решить эту задачу, а затем как компьютер может решить ту же задачу», — сказала Бренда Лопес Сильва, одна из преподавателей естественных наук, которая помогала в пилотном летнем лагере. «Осторожно, спойлер: компьютер в основном учится тому, чему его учит человек. Это открыло двери для некоторых интересных дискуссий о том, как этика может повлиять на ИИ сегодня и в будущем».
Летом 2022 года команда реструктурировала лагерь, сделав его короче и интенсивнее, а деятельность основывалась на данных, собранных датчиками об окружающей среде в Северном Иллинойсе. Учащиеся изучали, как можно использовать компьютерное зрение для оптимизации уличных переходов. Другая задача заключалась в сортировке и ранжировании изображений реки, чтобы попытаться определить уровень ее загрязнения. На этот раз преподаватели использовали другой подход, чтобы связать то, что студенты делали с ручкой и бумагой, с тем, как ученые используют машинное обучение для совершения открытий.
Что касается деятельности по охране здоровья реки, учащиеся попытались проверить свои предположения о реке, структурировав доступные им данные (изображения) и построив дерево решений (метод получения вывода на основе этих входных данных), только для того, чтобы понять, что данные были недостаточно для ответа на вопрос. «Задача требовала продвинутого уровня мышления», — сказала Кристин Бринтесон, директор программы STEAM NIU (наука, технология, инженерия, искусство и математика), которая руководила занятиями лагеря ИИ. «Студентам нужно было смотреть за пределы камеры, оспаривать данные и то, как они помечены».
«Возможно, система ИИ сможет делать выводы о состоянии реки, начиная с изображений с камер, но для ее работы потребуется много данных», — сказал Никола Ферриер, старший специалист по информатике из Аргонны и эксперт в области ИИ, консультирующийся с команда. «Это упражнение было хорошим первым шагом к внедрению концепций обнаружения закономерностей в функциях».
Команда заметила, что после того, как учащиеся выполнили сортировку и взвешивание данных вручную, они лучше усвоили алгоритм и поняли, как компьютер справится с той же задачей. «Студентам было поучительно рассуждать над задачами по обработке информации, а не просто позволять чужому алгоритму делать работу», — сказал Папка.
Впереди много работы, но команда близка к тому, чтобы заложить основу для «пригодного для использования в классе» подхода к обучению принципам ИИ, который также включает доступные технологии, которые служат инструментами для сбора и анализа данных. Ведущие претенденты включают сенсорные узлы, специально созданные для сбора исследований, проводимых учащимися , или доступ к порталу данных, связанному с уже развернутой сенсорной сетью.
«Мы рады, что активно изучаем что-то, что могло бы предоставить студентам отправную точку для изучения науки и изучения ИИ», — сказал Бруозас. «Что-то, что служит порталом для студентов, чтобы получить доступ и анализировать данные по запросу и применить их к проблеме, которую они хотят решить».
