Aikataulun muuttaminen löydöksille tekoälyn (AI) avulla

Manuaalisesta tutkimuksesta automaatioon tekoälyn avulla

Jonkin aikaa tieteelliset edistysaskeleet perustuivat pelkästään loistavien tiedemiesten oivalluksiin, eivät tekoälyyn (AI). Heidän piti suunnitella ja testata hypoteesinsa manuaalisesti räätälöidyillä kokeilla. Tämä oli useimmiten erittäin hidas prosessi, kestäen vuosia aloitusideoista varsinaisiin tuloksiin.

Viime aikoina korkeamman automaation tasot ovat mahdollistaneet manuaalisen työn vähentämisen perustutkimuksessa. Esimerkiksi Seuraavan sukupolven sekvensointi (NGS) on mahdollistanut genomisekvensoinnin vain muutamassa päivässä ja alhaisemmalla kustannuksella, kun ensimmäinen ihmisen genomisekvensointi vuonna 2003 maksoi 3 miljardia dollaria ja kesti vuosikymmenen.

NGS Sequencer- Lähde: Illumina

Automaatio on mahdollistanut tutkimuksen fyysiset vaiheet toteutettavaksi massiivisessa mittakaavassa ja alhaisemmilla kustannuksilla. Mutta älyllinen työ, esimerkiksi genomisekvensoinnista syntyvän datan analysointi, perustui edelleen pelkästään ihmisaivoihin ja tietokoneavusteisiin matemaattisiin malleihin. Tämä jatkui, kunnes tekoälystä tuli uusi pelin muuttaja.

Ihmisaivojen avustaminen

Mitä tiede kehittyi, sitä monimutkaisemmiksi tiedot muuttuivat. Uuden materiaalin löytäminen perustuu melko yksinkertaiseen prosessiin, kuten elementtien sekoittamiseen, joita ei ole aiemmin testattu yhdessä.

Kuitenkin edistyneet materiaalitieteen alat, esimerkiksi akkuteknologia tai puolijohteet, vaativat komponenttien käsittelyä nanometrin tasolla, joskus jopa yksittäisten atomien tasolla. Tämä tekee prosessin mallintamisesta ja ymmärtämisestä liian monimutkaista ihmisaivoille, jotta ne pystyisivät täysin omaksumaan kaikki saatavilla olevat tiedot.

Esimerkiksi oikean materiaalin löytäminen uudelle akkusuunnittelulle saattaa sisältää päätöksen siitä, mikä valita 32 miljoonan mahdollisen epäorgaanisen materiaalin joukosta. Tämä oli tehtävä, jonka edessä Vijay Murugesan, materiaalitieteen ryhmän johtaja PNNL (Pacific Northwest National Laboratory).

Aikaisemmin koulutetut arvaukset, karkeat tietokonemallit ja manuaalinen testaus olisivat olleet tarpeen mahdollisuuksien rajaamiseksi, ja ne olisivat vaatineet vuosia. Sen sijaan PNNL perusti yhteistyön Microsoftin kanssa hyödyntääkseen teknologiayrityksen tekoälyosaamista.

Useiden tekoälyjen opettaminen kemiaa

Microsoft on työskennellyt pitkään tällaisten sovellusten parissa  sen AI4Science-ohjelman kautta. Esimerkiksi sen MatterGen-generatiivinen tekoäly “mahdollistaa laaja-ominaisuuksiin perustuvan materiaalisuunnittelun”.

Lähde: Microsoft

Yhteistyössä PNNL:n kanssa Microsoft on kehittänyt erityisesti useita erilaisia tekoälyjä arvioimaan kaikki käyttökelpoiset elementit ja niiden yhdistelmät.

Sillä on myös tekoäly, joka on omistettu vakaita materiaaleja etsivälle. Lisäksi tekoäly, joka arvioi molekyylejä niiden reaktiivisuuden perusteella. Ja toinen tekoäly, joka arvioi molekyylien kykyä johtaa energiaa.

Tämä tekoälyyhdistelmä ei ole suunniteltu löytämään jokaista mahdollista ratkaisua annettuun ongelmaan. Sen sijaan se tarkastelee valtavaa mahdollisuuksien hakupinoa (kymmenissä miljoonissa) ja pyrkii rajaamaan sen muutamaan hyvään ehdokkaaseen.

Tämä lähestymistapa vähensi 32 miljoonaa potentiaalista materiaalia 500 000 ehdokkaaseen ja sitten 800:aan.

Se eroaa perusteellisesti puhtaasti tietokonepohjaisesta matemaattisesta mallista, joka yrittää “brute force” -menetelmällä laskea materiaalin kemialliset ominaisuudet usein simuloimalla sen atomi kerrallaan. Sen sijaan tekoäly tekee koulutetun “arvauksen” siitä, mitä pitäisi toimia käyttämällä analogioita, lähes samalla tavalla kuin ihminen tekisi. Poikkeuksena on, että tekoälytiimi pystyi seulomaan 32 miljoonaa ideaa alle 80 tunnissa.

Kuukausien tai vuosien työn tiivistäminen muutamaan päivään tai viikkoon on täydellinen vallankumous tieteellisen edistymisen nopeudessa.

Jos tätä sovelletaan laajemmin, se voisi täysin muuttaa teknologisen kehityksen vauhtia ihmisyhteiskunnissa.

Arvokkaiden resurssien säästäminen

Kun lista rajoitettiin vain 800 ehdokkaaseen, tutkijat pystyivät käyttämään tavallisempaa korkean suorituskyvyn laskentaa (HPC). Se mahdollisti kaikkien 800 ehdokkaan mahdollisten energiatilojen laskemisen. Tämän jälkeen omistettu tekoäly ja HPC yhdisteltiin simuloimaan jokaisen atomin ja molekyylin liikkeitä kussakin materiaalissa.

Käyttämällä HPC:tä vain muutamaan sataan ehdokkaaseen, PNNL säästi paljon aikaa ja rahaa, sillä menetelmä kuluttaa valtavasti laskentatehoa. Tämä vähensi ehdokaslistan vain 150:een.

Sieltä eteenpäin kustannusten, saatavuuden ja muiden käytännön näkökohtien arviointi vähensi alkuperäisen 32 miljoonan ehdokkaan listan pelkäksi 23:ksi. Mielenkiintoista on, että näistä 23:sta 5 oli jo tunnettu, mikä osoittaa menetelmän merkityksellisyyden, sillä se “löysi uudelleen” nämä 5 materiaalia itsenäisesti.

Aikaisempi tutkimusmenetelmä olisi riippunut voimakkaasti kalliista ja hitaista HPC-laskelmista. AI-menetelmä sen sijaan vähensi HPC:n vain 10 %:iin kokonaislaskenta-ajasta. Se, että AI-laskenta tapahtui pilvipohjaisesti sen sijaan, että käytettäisiin arvokasta ja harvinaista tutkimuslaitosten supertietokoneaikaa, auttoi myös tehostamaan prosessia.

Seuraavat askeleet

Microsoftin ja PNNL:n välinen yhteistyö akkumateriaalien parissa oli vasta monivuotisen yhteistyösopimuksen alku. Lopullinen ajatus on tuottaa riittävästi dataa, jotta uuden materiaalin avulla uuden akun suunnittelu olisi yhtä helppoa kuin kysyä AI-järjestelmältä siitä.

“Visio, jonka kohti työskentelemme, on generatiiviset materiaalit, joissa voin pyytää listaa uusista akkumyrkyistä haluamillani ominaisuuksilla,” – Nathan Baker, Product Leader for Azure Quantum Elements.

On myös syytä huomioida, että nykyinen menetelmä perustuu klassiseen laskentaan. Mutta Microsoftin AI-ohjelmointi ja -ohjelmistot on suunniteltu päivitettäväksi kvanttilaskentaa käyttäviksi heti, kun tämä teknologia on riittävän kehittynyt.

Tämä tarjoaisi ennennäkemättömän laskentatehon aiheisiin kuten kemialliset ja biologiset simulaatiot, kasvattaen laskentatehoa useilla suurilla kymmenkerrannaisilla (x100–10 000). Olemme siis vielä hyvin varhaisessa vaiheessa, jossa AI työskentelee uusien molekyylien ja materiaalien suunnittelun parissa.

Sovellusalueet

Ensimmäinen kokeilu keskittyi akkumateriaaleihin. Mutta monet muut alat voivat hyötyä tällaisesta kehittyneestä kemian näkemyksestä, samoin kuin tekoälyjen soveltamisesta muihin tieteisiin, jotka kaikki ovat jo Microsoftin putkessa:

• Puolijohteet.
• Kvanttilaskenta & kryptografia.
• Visuaalinen and ääni
• Molekyylibiologia & genomiikka.
• Biotekniikka ja farmaseuttiset tuotteet yleisesti.
• Uusiutuva energia & ilmastonmuutos.
• Maatalous & ekologia.
• Taloustiede.
• Yhteiskuntatieteet.
• Teoreettinen matematiikka.

Jokaisella näistä aloista tutkimus on kamppaillut datan valtavan määrän ja ongelmien monimutkaisuuden vuoksi. Samoin kuin akkupilottiprojektissa, jokainen voisi hyötyä tekoälyn tarjoamasta näkemyksestä.

AI-pohjaiset tieteelliset osakkeet

1. Microsoft

(MSFT )

Microsoft on ollut teknologia-alan keskipisteessä lähes sen perustamisesta lähtien hallitsevan Windows-käyttöjärjestelmänsä ansiosta. Se on nyt myös johtava yritysohjelmistojen toimittaja (Office365, Teams, LinkedIn, Skype, GitHub), pelialalla (Xbox ja useiden videopelistudioiden yritysostot), sekä pilvipalveluissa (Azure).

Viime aikoina se on edistynyt merkittävästi tekoälyn saralla. Tämä sisältää kuluttajatasoista tekoälyä, kuten Bing Image Creator ja sen syventävän kumppanuuden OpenAI:n kanssa. Lisäksi siihen sisältyy enemmän liiketoimintakeskeisiä aloitteita, kuten Copilot for Microsoft 365 ja Microsoft Research. Copilotia on nyt otettu käyttöön myös vähittäiskaupassa ja pienemmillä yrityksillä.

Microsoft on ansainnut maineen yrityskeskeisenä teknologiayrityksenä verrattuna kuluttajakeskeisempiin yrityksiin, kuten Apple tai Facebook. Kun tekoälystä tulee yhä tärkeämpi liiketoimintamalleissa, Microsoftin jo olemassa oleva läsnäolo pilvi- ja yrityspalveluissa antaa sille etulyöntiaseman tekoälyn laajamittaisessa käyttöönotossa ja asiakashankinnassa.

Yhteistyö/kvasiomistus tekoälyn kehitysjohtajien, kuten OpenAI:n, kanssa vahvistaa myös Microsoftin asemaa tekoälyvoimavarana.

2. NVIDIA

(NVDA )

NVidia oli alun perin hallitseva tekijä grafiikkakorttimarkkinoilla (GPU), joita käytettiin pääasiassa huippuluokan pelaamiseen ja 3D-mallinnukseen. GPU:t pystyvät suorittamaan laskutoimituksia rinnakkain, mikä erottaa ne prosessoreista (CPU).

Laitteistonsa suunnittelu osoittautui erittäin sopivaksi kryptovaluutan louhintaan (erityisesti Bitcoin), mikä loi vahvan kasvuaallon yhtiölle.

Nykyään näyttää siltä, että se on yhtä tehokas tekoälyjen kouluttamiseen, tehden Nvidian laitteistosta tekoälyvallankumouksen selkärangan.

NVidia kehittää nyt räätälöityjä laskentajärjestelmiä eri tekoälysovelluksiin, kuten itseohjautuvat autot, puhe- ja keskustelutekoälyt, generatiiviset tekoälyt, tai kyberturvallisuus.

On todennäköistä, että Nvidia ei ole vielä löytänyt uusia käyttötapauksia AI-laitteistolleen, kuten Microsoftin ja PNNL:n tutkimus osoittaa. Esimerkiksi NVidia kehittää nyt kokonaisen valikoiman ratkaisuja lääkekehitykseen, sekä AI-pohjaisia lääketieteellisiä laitteita ja AI-avusteista lääketieteellistä kuvantamista.

Lähde: NVidia

On todennäköistä, että pitkällä aikavälillä Nvidian kilpailijat saattavat alkaa vakavasti haastaa yhtiön alkuperäistä etumatkaa. Mutta lähitulevaisuudessa, ottaen huomioon räjähdysmäisen kysynnän AI‑omistetulle laskentateholle, NVidia pysyy ensisijaisena toimittajana kaikille uusille AI‑koulutustietokeskuksille, joita rakennetaan.

3. CrowdStrike

(CRWD )

Mitä enemmän maailma turvautuu tekoälyyn ja digitalisaatioon, sitä tärkeämmäksi kyberturvallisuus tulee.

CrowdStrike perustettiin pilvipainotteisella lähestymistavalla kyberturvallisuuteen. Yrityksen tarjonta kattaa kaikki kyberturvallisuusuhkien kategoriat, ja sen asiakkaisiin kuuluu 15 suurimmasta 20:stä Yhdysvaltain pankista, 70 Fortune‑100‑yrityksestä ja 556 Global 2000‑yrityksestä.

CrowdStriken kasvua tukee nopeasti laajeneva kokonaismarkkina (TAM), jonka odotetaan kasvavan 13 % CAGR:n seuraavien kahden vuoden aikana. Lisäpalveluiden ollessa vielä kehitteillä, yhtiö odottaa laajentavansa TAM:n nykyisestä 76 miljardi dollarista 158 miljardiin dollariin vuoteen 2026 mennessä.

Lähde: CrowdStrike

Toinen kasvutekijä CrowdStrille on liiketoiminnan laajentuminen olemassa olevien asiakkaiden kanssa. Kun asiakas aloittaa vähintään yhdellä kyberturvallisuusmoduulilla, hän yleensä jatkaa ja integroi lisää moduuleja, jolloin 62 % asiakkaista käyttää viittä tai useampaa moduulia ja 23 % seitsemää tai useampaa moduulia.

Tämä dynamiikka luo ympäristön, jossa CrowdStrike voi kasvattaa marginaalejaan, kun suhde on kehittynyt riittävän pitkään, saavuttaen vaikuttavan kokonaisbruttomarginaalin 78 % vuonna 2023.

Siirtyminen pilveen on edelleen suurimmalle osalle suuryrityksiä käynnissä. Tämä luo suuren mahdollisuuden markkinajohtajalle kuten CrowdStrike auttamaan heitä siirtämään myös kyberturvallisuusstrategiansa pilveen.

Yrityksen tulisi myös nähdä kansainvälisen liiketoimintansa kasvavan, kun edelleen kolme neljäsosaa Global 2000 -yrityksistä ei ole vielä liittynyt CrowdStriken ekosysteemiin.

CrowdStriken pilvipainotteinen lähestymistapa on mahdollistanut sen markkinaosuuden nopean kasvun, ja se on nyt toistettu kaikkien suurten kyberturvallisuusyritysten toimesta. Siksi sijoittajien tulisi kiinnittää huomiota CrowdStriken kykyyn säilyttää etunsa, vaikka toimialan vastahyökkäykset kasvavat.

4. Adobe

(ADBE )

Ensimmäisellä silmäyksellä generatiivisen tekoälyn, erityisesti kuvageneroinnin, nousu voisi olla uhka tärkeiden graafisten ohjelmistojen, kuten Photoshop, InDesign, After Effects, Lightroom tai Illustrator, omistajalle.

Tämä unohtaisi, että Adobe on ollut edelläkävijä ohjelmistoteollisuudessa, ollen yksi ensimmäisistä siirtymään pilvipohjaiseen tilausmalliin, kun alan käytäntö oli myydä uusin ohjelmistoversio tuhansilla dollareilla.

Sama pätee tekoälyyn Adobe Fireflyn kanssa. Tämä AI‑kuvageneraattorityökalu on nyt saumattomasti integroitu Adobe‑ohjelmistojen kanssa, mahdollistaen kuvien luomisen yksinkertaisesta tekstistä, rikkaan kuvan luomisen yksinkertaisesta 3D‑mallista tai jopa “generatiivisen täytön”, laajentaen olemassa olevaa kuvaa valokuvarealistisesti.

Lähde: Adobe

Kun tekoäly laskee taitokynnystä logojen, lehtien tai kuvien muokkaamiseen, tarjonta ja kysyntä alkuperäiselle sisällölle todennäköisesti kasvaa.

Omaksumalla muutoksen ja tekoälyn, Adobe todennäköisesti säilyttää asemansa johtavana ohjelmistopakettina kaikille visuaalisille luoville töille, ja jopa laajentaa tavoittavuuttaan entisestään.

5. Upstart

(UPST )

Upstart on tekoälyllä toimiva lainamarkkinapaikka, joka lanseerattiin paljon ennen kuin tekoäly nousi teknologian keskustelun keskipisteeksi vuonna 2023.

Upstartin prosessi on enimmäkseen automatisoitu, ja 87 % myönnetyistä lainoista päätetään täysin automaation avulla.

Upstartin taustalla on ajatus, että nykyinen luottopistejärjestelmä on tehoton ja vanhentunut. Kun saatavilla on paljon enemmän dataa, on mahdollista tunnistaa lainariskit paremmin ja tarjota näin edullisempia lainoja suurelle osalle väestöstä.

Tämä tarkoittaa, että Upstartin menetelmä voi tunnistaa henkilöt, joilla on korkeat FICO-pisteet, mutta jotka käytännössä ovat alttiita lainan maksukyvyttömyydelle. Ja päinvastoin, matalat FICO-pisteet omaavat henkilöt eivät ole todennäköisesti maksukyvyttömiä.

Lähde: Upstart

Kokonaismarkkina on suuri, vuosittain 4 triljoonaa dollaria, joka koostuu henkilö-, auto-, asuntolainoista ja pienyrityslainoista.

Korkojen nousun ja lainakysynnän vähenemisen vuoksi Upstart on kokenut tulojen laskua ja tappioita vuonna 2023, samoin kuin koko toimialansa.

Tämä tilapäinen lainamäärän takaisku ei ole hidastanut Upstartin lainakumppaniverkoston laajentumista, jonka jäsenmäärä on nyt 100 pankkia (kasvanut 71:stä edellisvuonna ja vain 10:stä IPO:n aikana vuonna 2020) sekä 61 jälleenmyyjää (kasvanut 39:stä vuoden 2023 alussa).

Upstartin sijoittajien on toivottava, että kasvava verkosto on selkeä merkki Upstart-teknologian arvosta ja sen potentiaalista tulla suureksi lainan alkuperäksi Yhdysvaltain markkinoilla.

Jatkuva edistyminen AI‑laskennassa saattaa myös antaa sille etulyöntiaseman erittäin kilpaillulla lainanluokitusmarkkinalla.