Od novog antibiotika do rješenja teorema: DeepMindov Petar Veličković o udruženim snagama stručnjaka i strojnog učenja

Glavni govornik ovogodišnje AI2Future konferencije bio je Petar Veličković, istraživački znanstvenik iz DeepMinda. Ova Googleova neovisna istraživačka podružnica osnovana prije više od 10 godina, na svom se početku više bavila zanimljivim eksperimentima – poput razvoja AI sustava koji je savladao igru Go.

No, danas nam je DeepMind poznatiji kao tvrtka koja je izrodila AlphaFold, istraživački projekt koji je omogućio mapirati načine sklapanja proteina odnosno predvidjeti 3D strukture više od 200 milijuna znanih proteina. Zadnjih godina tako se njihovi doprinosi sve više tiču rješavanja velikih, kompleksnih problema uz pomoć strojnog učenja. Neki od takvih su kompleksni teoremi i dosad nerješeni (pa i nepoznati) matematički problemi. Petar nas je kroz ovu stručnu temu proveo koncizno i jasno, ne ostavljajući publici različitih razina znanja puno upitnika što je poanta teme.

Kroz područje, kojim se i sam Petar intezivno bavi, naučili smo kako promatrati primjenu AI-ja na jedan širi – holistički način. Konkretno, do kakvih nevjerojatnih stvari možemo doći kada AI uparimo s iskustvom i znanjem vrhunskih domenskih stručnjaka.

Što je računalo naučilo?

Petar nas je uveo u predavanje nešto “sporije” nego bi neki učenjaci u publici očekivali, ali s dobrim razlogom, najavio je. Počeli smo tako s osnovama kako AI sustavi “uče”. Krenuvši od poznatog primjera – s jasno vidljivom i prepoznatljivom mačkom na slici, za koju je jednom sustavu lako postaviti set pravila kako prepoznati mačku, došli smo i do manje jasnih slika mačaka koje leže raskriljene ili se stapaju s pozadinom.

Naš mozak instantno zna da je na slici mačka iako njezine standardne odlike (boja, krzno, uši, oblik tijela) nisu nimalo – standardne. Kako onda računalo u takvim situacijama može biti sigurno što je na slici, ako ne možemo artikulirati neki univerzalan set pravila po čemu znamo zašto je to mačka.

Kao ljudi, vidjeli smo mnogo mačaka u životu, no nekad davno, netko nam je rekao – e, gledaš u mačku. Naš mozak je u tim situacijama učio i povezivao, promatrajući nadalje razne interesantne oblike mačaka i tako gradeći koncept toga što je zapravo mačka. To je ono što mi želimo postići sa sustavima dubokog učenja. Želimo istrenirati neuronsku mrežu koja će moći pogledati u piksele mačke te postepno postajati sve bolja i bolja u procjeni toga je li nešto mačka ili nije.

No, ovim primjerom dolazimo do specifičnog problema koje muči cijelo područje, dodaje Petar – činjenice da vam nijedan AI stručnjak danas ne bi mogao reći što je to točno ovaj model naučio.

Naše razumijevanje ne ide dalje od toga da je u pitanju crna kutija parametara koja radi jako, jako dobro. No, iako je u pitanju nešto poput crne kutije, postoje rudimentarni načini kako možemo interagirati s tim sustavima – koji nas mogu potom dovesti do niza znanstvenih i industrijskih benefita.

Kad AI zbilja radi ruku pod ruku s top stručnjacima…

Znati što je neki AI sustav naučio moćan je alat koji tek počinjemo otkrivati, a jedna od ključnih stvari koja pomaže u tome je graf struktura neuronskih mreža. Grafovi su svugdje, kaže Petar, oni su prava podatkovna struktura života, koja opisuje razne prirodne i sintetičke tvorevine.

Između ostalog, Petar navodi kako su vodeći se graf strukturama otkrili antibiotička svojstva molekula za koje uopće nisu imali podatke. Nakon treninga AI modela i primjeni na nizu molekula, MIT istraživači odlučili su svojih top 100 rezultata s visokom razinom točnosti poslati kemičarima na uvid. Došli su do molekule za koju neki kemičar na prvu, po strukturi, ne bi nikada očekivao da će ona imati antibiotička svojstva, da bi se ispostavilo kako su otkrili super potentni antibiotik – halicin.

S tim primjerom, došli smo i do glavnog pitanja – možemo li sa strojnim učenjem otkriti nove strukture/rezultate/teorije u čistoj matematici?

U DeepMindu su se odlučili pozabaviti tim pitanjem, ali ne razvijajući sustav koji bi umjesto matematičara mogao riješiti neke kompleksne teoreme… Praktično je to i nemoguća misija, i prvi argument skeptičnih matematičara koji su isticali da AI u matematici neće naći dovoljan broj podataka, niti dovoljno čiste podatke na temelju kojih bi mogli trenirati modele. No, matematika ne nastaje samo kroz logična pravila, istaknuo je Petar.

S tom premisom, DeepMind si je dao zadatak da razvije sustav koji će pomoći samim matematičarima da se inspiriraju i budu kreativniji u traženju odgovora.

AI može poslužiti kao precizni mikroskop koji će matematičaru pokazati točno na kojih 10 točaka od postojećih 1000 gledati.

Petar nam je opisao kako su matematičarima pomogli riješiti jedan od najtežih problema u teoriji permutacija time što im ja AI dao okvire u kojima mogu tražiti rješenja. Konkretnije, proces korištenja strojnog učenja otkriva potencijalne obrasce i odnose između matematičkih objekata, a sve to u konačnici pomaže usmjeriti intuiciju matematičara na prava mjesta kako bi mogli efikasnije predlagati matematičke pretpostavke.

Ovo otkriće s razlogom se ističe kao prekretnica u korištenju računala pri matematičkim istraživanjima, a dojmovi matematičara nakon ovoga mogu se svesti na jednu izjavu: “Ne mogu zamisliti matematičara koji neće koristiti ove metode kad budu dostupne jer bi nekorištenje značilo usporavanje napretka.”