למידת מכונה היא כלי רב עוצמה בביולוגיה חישובית, המאפשרת ניתוח של מגוון רחב של נתונים ביו-רפואיים כגון רצפים גנומיים והדמיה ביולוגית. אבל כאשר חוקרים משתמשים בלמידת מכונה בביולוגיה חישובית, הבנת התנהגות המודל נותרה חיונית לחשיפת המנגנונים הביולוגיים הבסיסיים בבריאות ובמחלות.
במאמר שפורסם לאחרונה ב שיטות טבעחוקרים מבית הספר למדעי המחשב של אוניברסיטת קרנגי מלון מציעים קווים מנחים המתארים מלכודות והזדמנויות לשימוש בשיטות למידת מכונה הניתנות לפירוש כדי להתמודד עם בעיות ביולוגיה חישובית. מאמר פרספקטיבות, "יישום למידת מכונה ניתנת לפירוש בביולוגיה חישובית -; מלכודות, המלצות והזדמנויות להתפתחויות חדשות", מוצג בגיליון המיוחד של כתב העת באוגוסט בנושא AI.
למידת מכונה הניתנת לפירוש יצרה התרגשות משמעותית כאשר למידת מכונה וכלי בינה מלאכותית מיושמים לבעיות חשובות יותר ויותר. ככל שהמורכבות של מודלים אלו גדלים, ישנה הבטחה גדולה לא רק בפיתוח מודלים בעלי חיזוי גבוה, אלא גם ביצירת כלים שעוזרים למשתמשי הקצה להבין כיצד ומדוע מודלים אלו עושים תחזיות מסוימות. עם זאת, חיוני להכיר בכך שלמידת מכונה ניתנת לפירוש עדיין לא סיפקה פתרונות מפתח לבעיית הפרשנות הזו."
Ameet Talwalkar, פרופסור חבר במחלקת למידת מכונה (MLD) של CMU
המאמר הוא שיתוף פעולה בין הדוקטורנטים ולרי צ'ן ב-MLD לבין Muyu (Wendy) Yang במחלקה לביולוגיה חישובית של ריי וסטפני ליין. עבודתו הקודמת של צ'ן, שביקרה את חוסר הביסוס של קהילת למידת המכונה הניתנת לפירוש במקרי שימוש במורד הזרם, היוו השראה למאמר, והרעיון פותח באמצעות דיונים עם יאנג וג'יאן מא, הפרופסור של ריי וסטפני ליין לביולוגיה חישובית.
"שיתוף הפעולה שלנו התחיל בצלילה עמוקה לתוך מאמרים בביולוגיה חישובית כדי לסקר את היישום של שיטות למידת מכונה הניתנות לפירוש", אמר יאנג. "שמנו לב שיישומים רבים השתמשו בשיטות הללו באופן מעט אד-הוק. המטרה שלנו עם מאמר זה הייתה לספק קווים מנחים לשימוש חזק ועקבי יותר בשיטות למידת מכונה הניתנות לפירוש בביולוגיה חישובית."
אחת המהמורות העיקריות שבהן מתייחס המאמר היא ההסתמכות על שיטת למידת מכונה אחת הניתנת לפירוש. במקום זאת, החוקרים ממליצים להשתמש במספר שיטות למידת מכונה הניתנות לפירוש עם קבוצות מגוונות של היפרפרמטרים ולהשוות את התוצאות שלהם כדי לקבל הבנה מקיפה יותר של התנהגות המודל והפרשנויות הבסיסיות שלו.
"למרות שכמה מודלים של למידת מכונה עובדים בצורה מפתיעה, לעתים קרובות אנחנו לא מבינים לגמרי למה", אמר מא. "בתחומים מדעיים כמו ביו-רפואה, ההבנה מדוע מודלים עובדים היא חיונית לגילוי מנגנונים ביולוגיים בסיסיים."
המאמר גם מזהיר מפני תוצאות קטיף דובדבנים בעת הערכת שיטות למידת מכונה הניתנות לפירוש, מכיוון שהדבר עלול להוביל לפרשנויות חלקיות או מוטות של ממצאים מדעיים.
חן הדגיש כי להנחיות עשויות להיות השלכות רחבות יותר על קהל רחב יותר של חוקרים המעוניינים ליישם שיטות למידת מכונה הניתנות לפירוש על עבודתם.
"אנו מקווים כי חוקרי למידת מכונה המפתחים שיטות וכלים חדשים של למידת מכונה הניתנים לפירוש -; במיוחד אלה העובדים על הסבר מודלים של שפות גדולות -; ישקלו בזהירות את ההיבטים הממוקדים באדם של למידת מכונה הניתנת לפירוש", אמר צ'ן. "זה כולל הבנה מי הוא משתמש היעד שלו וכיצד ישמש ותוערך השיטה."
בעוד שהבנת התנהגות המודל נותרה חשובה ביותר לגילוי מדעי ולבעיית למידת מכונה בלתי פתורה ביסודה, המחברים מקווים שהאתגרים הללו מעודדים שיתופי פעולה בין-תחומיים נוספים כדי להקל על השימוש הרחב יותר ב-AI להשפעה מדעית.
