科學家們開發了一個能為生物學研究生成人工智慧模型的系統
背景
Massachusetts Institute of Technology（MIT）的生物工程系柯林斯教授（Jim Collins）和他的同事們不禁面臨了一個問題：在不具備機器學習專業知識的情況下，是否有可能建立機器學習模型？為理解決這個問題，他們提出了一個名為 BioAutoMATED 的解決方案，發表在《Cell Systems》上。這項開源研究的目的是開發出一個自動化機器學習系統，能夠根據給定的資料集選擇並建立適當的模型，並且能夠處理繁瑣的資料預處理，將原本需要數個月才能完成的過程縮短到幾個小時。
自動機器學習系統的優勢
當前自動機器學習（AutoML）系統在發展的初期階段，當前主要應用於影象和文字識別，而在生物學的子領域中很少被使用。但是 BioAutoMATED 的第一作者和 Jameel Clinic 的博士後研究員 Luis Soenksen 博士指出，生物學的基本語言是基於序列的，如 DNA、RNA、蛋白質和醣類，它們有著與字母相似的標準化特性。他們希望將原本開發為處理文字的 AutoML 工具擴充套件到生物序列。
BioAutoMATED 的優勢還包括能夠選擇和建立三種不同型別的監督式機器學習模型：二元分類模型（將資料分為兩個類別）、多類分類模型（將資料分為多個類別）以及回歸模型（對連續數值進行擬合或者測量關鍵變數之間的強度）。BioAutoMATED 甚至能夠幫助確保需要多少資料才能妥善訓練選擇的模型。這對於擁有可能不適合機器學習問題的新資料的研究團隊來說是一個優勢。
降低生物學領域的門檻
生物學專注的實驗通常需要大量資金。當前在生物學領域，為了得到機器學習專家的幫助，研究團隊需要投資大量的數位基礎設施和培訓過的人力資源，這可能讓無法確保研究成果的團隊感到困惑。然而 BioAutoMATED 為研究者提供了執行初始實驗的自由，以評估是否值得聘請機器學習專家來建立其他模型進行進一步實驗。該開源程式碼公開可用，研究者強調執行該系統非常簡單。研究團隊表示他們希望人們使用該程式碼，對其進行改進，並與更大的社區合作，使其成為一個對所有人有用的工具，並希望能夠加固生物研究界對於自動機器學習技術的認識和理解。
結論
BioAutoMATED 的開發為生物學研究提供了一個有力的工具，使得非專業的機器學習研究者能夠利用自動機器學習系統來建立 AI 模型。這將有助於降低生物學研究領域的門檻，並促使更多的研究者參與到生物學和機器學習的交叉研究中。然而我們也需要警惕自動機器學習系統所帶來的潛在風險。例如，自動機器學習系統可能會產生偏見或隱藏的問題，這需要研究者們在使用這些系統時保持警惕並進行監控。
總而言之，BioAutoMATED 的開發為生物學研究帶來了重要的進展，但同時也需要研究者們保持對於人工智慧技術的審慎態度，並呼籲相關社區加固合作，推動這項技術的發展和應用。
延伸閱讀
- NFT 平臺 Zora 提供了一種新的賺錢方式，適合 AI 模型製作者
- 史上最大的文字轉語音 AI 模型體現「新興能力」
- 法國監管機構因亞馬遜監控倉庫工人系統對其處以 3500 萬美元罰款
- 研究發現：人類學家發現 AI 模型可以被訓練成欺騙者
- 麻省理工學院科學家開發振動減肥藥
- Google 首款搭載全新 AI 模型 Gemini 的智慧手機--Pixel 8 Pro
- Google 的 AI 聊天機器人 Bard 進行大幅升級，搭載 Google 的下一代 AI 模型 Gemini
- Google 布局生成式 AI 模型，但「Gemini」並非我們期待的模型
- 亞馬遜推出新晶片，用於訓練和執行 AI 模型
- Giskard 開源框架在將 AI 模型推向生產前進行評估
