Rays Wheels

memuat …

WASHINGTON – Para peneliti dan industri bangga dengan kehadiran Artificial Intelligence (AI) pada perangkat keras yang mereka gunakan. Namun pada kenyataannya, penggunaan mesin yang dapat berpikir atau belajar oleh jutaan ilmuwan untuk menganalisis data melahirkan hasil yang menyesatkan dan seringkali salah.

Hal ini diungkapkan oleh Dr. Genevera Allen dari Rice University di Houston, AS. Dia mengatakan, peningkatan penggunaan sistem seperti itu berkontribusi pada "krisis dalam sains".

Allen juga memperingatkan para ilmuwan bahwa jika mereka tidak meningkatkan teknik mereka, para ilmuwan akan membuang waktu dan uang. Penelitiannya dipresentasikan di Asosiasi Amerika untuk Kemajuan Ilmu Pengetahuan di Washington.

Dia mengatakan, semakin banyak penelitian ilmiah yang melibatkan penggunaan perangkat lunak mesin yang mampu membuat mesin pembelajaran untuk menganalisis data yang telah dikumpulkan. Ini terjadi di banyak bidang studi mulai dari penelitian biomedis hingga astronomi.

"Seringkali penelitian ini ditemukan tidak akurat sampai ada dataset nyata yang besar. Seseorang menerapkan teknik ini dan berkata ya ampun, hasil dari dua studi ini tidak tumpang tindih," katanya.

"Ada pengakuan umum tentang krisis reproduksibilitas dalam sains saat ini." Saya berani berpikir bahwa sebagian besar berasal dari penggunaan teknik mesin yang dapat berpikir dalam sains, "katanya cemas.

Krisis reproduksi dalam sains mengacu pada sejumlah hasil penelitian yang mengkhawatirkan. Dimana hasil yang didapat tidak sama ketika kelompok ilmuwan lain melakukan percobaan yang sama.

Ini berarti hasil awal salah. Satu analisis menunjukkan bahwa hingga 85% dari semua penelitian biomedis yang dilakukan di dunia adalah upaya yang sia-sia.

Ini adalah krisis yang telah berkembang selama dua dekade terakhir. Itu terjadi karena percobaan itu tidak dirancang cukup baik untuk memastikan bahwa para ilmuwan tidak menipu diri mereka sendiri.

Sistem pembelajaran mesin dan penggunaan set data besar telah mempercepat krisis. Ini karena algoritma pembelajaran mesin telah dikembangkan secara khusus untuk menemukan hal-hal menarik dalam kumpulan data, sehingga ketika mereka mencari melalui sejumlah besar data, mereka pasti akan menemukan pola.

"Tantangannya adalah bisakah kita benar-benar mempercayai temuan itu?" katanya kepada BBC News.

"Apakah penemuan itu benar-benar benar yang merepresentasikan sains? Apakah bisa direproduksi? Jika kita memiliki dataset tambahan, akankah kita melihat temuan atau prinsip ilmiah yang sama dalam dataset yang sama? Dan sayangnya jawabannya seringkali mungkin tidak," katanya.

Sebagai informasi, Dr. Allen bekerja dengan sekelompok peneliti biomedis di Baylor College of Medicine di Houston untuk meningkatkan keandalan hasil mereka. Dia sedang mengembangkan generasi berikutnya dari pembelajaran mesin dan teknik statistik yang tidak hanya dapat menyaring sejumlah besar data untuk membuat penemuan. Tetapi juga melaporkan seberapa tidak pasti hasil mereka dan kemungkinan reproduktifitas.

"Mengumpulkan set data besar ini sangat mahal. Dan saya memberi tahu para ilmuwan bahwa saya bekerja dengannya, bahwa Anda mungkin perlu lebih banyak waktu untuk menerbitkan," katanya.

"Ini akan menghemat uang bagi para ilmuwan dan juga penting untuk memajukan sains dengan tidak menurunkan semua kemungkinan arah yang salah," pungkasnya.

(mim)