딥러닝은 주목받고, 딥 팩트체크는 무시된다.
- 딥 러닝은 화려하고 높은 평가를 받지만, 사실 검증 작업은 무시된다.
- 트랜스포머 모델을 활용한 논문은 주목받고 Nature Communications에 게재되지만, 예측 오류를 발견한 논문은 bioRxiv에 게재되어 큰 주목을 받지 못한다.
- 트랜스포머 모델은 효소 기능 예측에서 수백 개의 잘못된 "새로운" 결과를 생성했다.
- Enzyme Commission 숫자를 예측하는 트랜스포머 모델은 표준 방법론을 따랐으나, 데이터 누출이 있었을 가능성이 있다.
- 예측된 효소 결과 중 일부는 온라인 데이터베이스 UniProt에 이미 나열되어 있었고, 높은 수준의 반복성과 생물학적으로 불가능한 결과를 포함하고 있었다.
- 수십 년간의 연구는 구조적 유사성을 통한 효소 기능 예측에 한계가 있음을 보여준다.
- 진정으로 미지의 효소 기능을 예측하는 문제는 수퍼바이즈드 머신 러닝 모델로 해결할 수 없다.
- 오탐 결과는 주요 온라인 데이터베이스에 등록되고, 추가 예측 모델 훈련에 사용되면 잘못된 데이터가 전파될 수 있다.
- 도메인 전문가의 지식 부족이 머신 러닝 시스템의 대규모 실패의 주요 원인 중 하나이다.
- AI 모델이 생성한 결과를 점검하는 작업이 중요하나, 화려하지 않다.
- 다양한 과학 및 생물의학 연구에 투자하고, 너무 주목받는 AI 솔루션이 아닌 질적 결과에 집중해야 한다.
4rachel.fast.ai링크 복사하기
AI 뉴스 요약은 뉴스의 내용을 AI가 요약(GPT-4 활용)한 것입니다. 따라서 틀린 내용을 포함할 수 있습니다. 뉴스의 자세한 내용을 확인하시려면 해당 뉴스 링크를 클릭해주세요.