Золотой лекторий в Фундаментальной библиотеке МГУ имени М.В. Ломоносова: состоялась лекция М.А. Криницкого

Старший научный сотрудник Института океанологии им. П. П. Ширшова РАН, доцент МФТИ Михаил Криницкий объяснил, что такое слабый искусственный интеллект, поделился примерами успешного использования ИИ в науках о земле, рассказал о вызовах и перспективах.

Михаил Алексеевич начал лекцию с определения ИИ. Он отметил, что первая попытка охарактеризовать ИИ была предпринята еще в 1956 году. А уже к 2007 году набралось около 70 теорий ИИ, и все они разные. Но нет главного — способа оценки интеллекта системы, а также не определена мера эффективности в приобретении навыков. «Ведь для того, чтобы искусственный интеллект начал работать, его нужно сначала обучить», — пояснил лектор.

Михаил Криницкий упомянул важность работы экспертов, нехватку специалистов в обучении ИИ для его использования в научных исследованиях.

Примерами успешного применения слабого ИИ лектор обозначил:

• Характеристики ветрового волнения по данным судового навигационного радара (новые методы наблюдений)

• Обнаружение мезомасштабных атмосферных явлений по данным Д33 (новые методы наблюдений)

• Нейросетевой прогноз погоды — прогнозирование осадков по данным за последние 90 (30) минут

В ходе лекции Михаил Алексеевич также ответил на вопрос касательно главных задач науки о земле. «Мы в науках о земле изучаем все, что касается земной, климатической системы, разрабатываем новые методы и средства измерения», — объяснил доцент МФТИ.

«Но не все методы измерений или мониторинговых наблюдений, которые сейчас используются для оценки нужных нам величин оптимальны», — отметил лектор. Михаил Криницкий продемонстрировал данную проблему на примере из области океанологии (науке о земле), в которой есть очень много не размеченных данных. «Есть огромное количество фотографий с вертолета для учета дельфинов шикарного качества, с разрешением фотографий 6000x4000, но на них не отмечены эти дельфины», — пояснил Старший научный сотрудник Института океанологии им. П. П. Ширшова РАН. И в этом может помочь именно ИИ. Но для того, чтобы научить искусственный интеллект их видеть, нужно сначала разметить дельфинов. Это делают эксперты.

Михаил Алексеевич рассказал, что было потрачено полгода на изучение фотографии, результатов экспедиции, чтобы найти дельфинов на снимках и сделать разметку. «В век ИИ, даже слабого, это недопустимо», — отметил Михаил Криницкий. Необходимо придумать модели компьютерного зрения, которые хотя бы определяли наличие дельфинов.

Сегодня проблема использования ИИ в науках о земле заключается в том, что «не учитывается физика процессов».

«Когда мы применяем нейросеть, выигрываем во времени, но теряем в точности», — добавил лектор.

В завершении лекции Михаил Алексеевич Криницкий отметил возможности ИИ в науках о Земле:

• Автоматизация мониторинговых наблюдений, исключение человеческого фактора, расширение базы наблюдений

• Ускорение исследований

• Выявление неочевидных механизмов взаимодействий, нелинейных связей

• Расширение возможностей мониторинговых и исследовательских измерений в поле

Вызовы:

• Слишком малые / слишком большие объемы обучающих данных

• Высокая стоимость получения данных

• Шум в исходных данных, зависимость достоверности данных от чистоты эксперимента, мнения эксперта

• Попытки внедрения физики в стат. модели (PINN) пока не увенчались оглушительным успехом

• Остро стоит вопрос доверия к результатам

Перспективы:

• Эволюционное развитие методов ИИ в геофизике как статистических моделей

• Генеративный ИИ на двумерных данных дает эволюционное развитие ИИ в геофизике

• Замена эмпирических соотношений в геофизических моделях на нейросетевые аппроксимации (уточнение + ускорение моделирования)

• Суррогатное нейросетевое моделирование (генеративным ИИ) => оценка неопределенностей прогнозов

• Внедрение физических ограничений в стат. модели (PINN) - путь к повышению качества моделирования геофизических процессов

• Генеративный лингвистический ИИ - способ повышения продуктивности в цикле исследований

В заключительном слове лектор затронул вопрос использования нейросетей, ChatGPT в исследованиях. Михаил Криницкий отметил, что они лишь помогают, но не заменяют классических методов исследований.

Кроме того, отвечая на вопрос, можно ли написать научную статью с помощью чата GPT, Михаил Алексеевич отметил ряд серьезных проблем, которые возникают из-за сущности генеративных моделей, замеченных в упрощении концептов, содержания. «Не забывайте, что она (генеративная модель) всегда подвержена иллюзиям и галлюцинациям, может перевирать факты. Это не источник информации, а источник текста, который в какой-то степени релевантен к информации, расположенной в интернете», — заключил Михаил Криницкий.

Автор текста: Арина Исоян

Автор фото: Екатерина Чиркина