연구진, 과학 연구 오류 감소를 위한 AI 가이드라인 제시

머신러닝이 과학 연구에 적용되는 방식에는 중대한 결함이 있다는 것이 여러 연구를 통해 입증되었습니다. 이러한 문제는 다양한 분야의 많은 연구 논문에서dent되어 왔지만, 프린스턴 대학교의 컴퓨터 과학자인 아르빈드 나라야난과 사야시 카푸어의 지도 하에 여러 분야의 연구원 19명으로 구성된 연구팀이 과학 분야에서 머신러닝을 책임감 있게 사용하는 방법에 대한 AI 가이드라인을 발표했습니다.

과학 연구를 위한 AI 가이드라인

보고서에서 저자들은 자신들의 연구가 연구 생태계 전반에 만연할 수 있는 신뢰성 문제를 지적하기 위한 노력이라고 밝혔습니다. 나라야난은 연구 방법의 진실성을 보호할 보편적인 기준이 없으며, 머신러닝이 이제 모든 과학 분야에 적용되고 있기 때문에 이는 10년 전 사회심리학에서 관찰되었던 재현성 위기보다 더 심각한 문제가 될 수 있다고 주장합니다. 그는 현재의 위기를 재현성 위기라고 부릅니다. 나라야난은 다음과 같이 말했습니다

"기존의 통계적 방법에서 머신러닝 방법으로 넘어가는 과정에서, 스스로에게 불리한 결과를 초래할 수 있는 가능성이 훨씬 더 많아집니다."

출처: AzoAI.

의 저자들은matic긍정적인 소식도 전했습니다. 그들은 일련의 모범 사례가 현재의 문제를 해결하는 데 도움이 될 수 있다고 말합니다. 과학 연구를 위한 체크리스트를 만드는 연구를 실제로 조직하고 나라야난과 함께 작업하고 있는 컴퓨터 과학 대학원생dent 는 문제가 체계적matic 해결책 또한 이어야 한다고matic.

출판 속도는 느려질 수 있지만 정확도는 높아질 것입니다

새로운 합의 기반 체크리스트의 핵심은 머신러닝을 활용한 연구의 신뢰성을 확보하는 것입니다. 과학의 발전은 결과의 재현성과 주장의dent인 검증에 기반합니다. 이러한 검증이 없다면 기존 연구를 바탕으로 신뢰할 수 있는 새로운 과학 연구가 불가능해지고, 전체 과학 시스템의 신뢰도가 떨어지게 됩니다.

새로운 체크리스트는 연구자들이 머신러닝 모델 사용에 대한 자세한 정보를 제공하도록 요구합니다. 모델 학습에 사용된 데이터 세트, 코드, 하드웨어 용량, 파일럿 설계, 연구 목표는 물론 연구 결과에 대한 제약 조건까지 모두 공개해야 하며, 이는 투명성을 강조하기 위한 것입니다.

새로운 기준의 강화된 요구 사항으로 인해 새로운 연구 논문 발표 속도가 느려질 가능성도 있지만, 이 계획을 추진하는 연구진들은 이러한 규칙의 도입이 전반적인 발견 및 혁신 속도를 높이는 데 도움이 될 것이라고 여전히 믿고 있습니다. 

이번 연구의 저자 중 한 명인 프린스턴 대학교 박사 과정 학생 에밀리 캔트렐은dent 연구 속도도 중요하지만, 논문의 질을 미래의 연구자들이 이를 바탕으로 연구를 진행할 수 있도록 하는 데 중요하다고 말했습니다. 카푸어 또한 오류는 전체적인 영향 측면에서 부정적이며, 시간 낭비로 이어져 연구 자금과 투자를 저해하고 결국 금전적 손실을 초래한다고 지적했습니다.