Dall'hype all'efficacia reale: misurare l'IA

RomeScienziati del Laboratorio di Fisica del Plasma di Princeton e dell'Università di Princeton, appartenenti al Dipartimento dell'Energia degli Stati Uniti, hanno esaminato l'efficacia del machine learning nella risoluzione di specifici problemi matematici fluidodinamici, noti come equazioni differenziali parziali. Hanno scoperto che, sebbene il machine learning venga spesso esaltato, le sue prestazioni sono spesso sopravvalutate. I metodi tradizionali risultano ancora migliori in molti casi. I ricercatori hanno evidenziato che il machine learning presenta errori costanti e hanno sostenuto la necessità di criteri chiari per valutarne l'efficacia.

Osservazioni chiave dallo studio includono:

• I confronti spesso parziali tendono a favorire i metodi di machine learning rispetto a quelli tradizionali.
• I risultati negativi sono spesso poco riportati, offrendo un'immagine eccessivamente positiva.
• Il machine learning viene talvolta confrontato con basi numeriche più deboli, distorcendo i benefici percepiti delle sue prestazioni.

Le persone spesso si aspettano troppo dall'intelligenza artificiale, ma queste aspettative non sono sempre realistiche. Il machine learning può essere più veloce, ma i metodi numerici tradizionali sono generalmente più precisi e offrono un equilibrio migliore tra velocità e precisione. Comprese queste compromessi è fondamentale per valutare l'efficacia di un metodo. Tuttavia, molti articoli accademici non evidenziano chiaramente tali compromessi. Tendenzialmente confrontano le tecniche di machine learning con metodi numerici meno efficienti, celando così il potenziale di approcci più avanzati.

Leggi anche:

Ieri · 15:27

Gli Stati Uniti dominano l'innovazione AI, la Cina insegue nel ranking di Stanford

Pubblicare solo risultati positivi può comportare una reportistica distorta. Le riviste scientifiche spesso trascurano i risultati negativi a causa di questi pregiudizi. I ricercatori sono spinti a pubblicare scoperte straordinarie, il che li porta a concentrarsi di più sull'affinamento dei loro modelli piuttosto che su un confronto approfondito con i migliori metodi disponibili.

Per migliorare la ricerca scientifica con il machine learning, è fondamentale confrontare i metodi in modo equo. Ciò implica testare i metodi di ML rispetto a standard numerici rigorosi e condividere i risultati in modo sincero. È essenziale che gli enti di finanziamento e gli eventi accademici stabiliscano regole che promuovano la trasparenza, richiedendo spiegazioni chiare sulle scelte di riferimento e sulla loro motivazione.

Lo studio mette in luce la necessità di adottare metodi scientifici più rigorosi e attenti al fine di migliorare concretamente l'uso dell'intelligenza artificiale nella scienza e nell'ingegneria. Promuovendo valutazioni più dettagliate e approfondite, possiamo evitare dichiarazioni esagerate e compiere veri progressi.