Szakterület-specifikus intelligencia fejlett tudományos elemzéshez és döntéstámogatáshoz

A Rezonáns tudományos szakértői rendszerek az AVA Resonant Intelligence fejlesztési ütemtervének középtávú iránya. Céljuk olyan szakterület-specifikus intelligens rendszerek létrehozása, amelyek képesek mély tudományos elemzés, értelmezés és döntéstámogatás biztosítására összetett kutatási és mérnöki területeken.

Ezek a rendszerek túlmutatnak az általános MI-asszisztenseken: a működésükbe formális tudományos struktúrák, domainlogika és rezonáns következtetési elvek vannak beépítve.

A probléma

A fejlett tudományos és mérnöki területeken:

• – a szakértelem erősen specializált és töredezett,
• – a tudás publikációkban, modellekben és emberekben szóródik szét,
• – a hagyományos MI-eszközök nem rendelkeznek mély domain-megértéssel,
• – az emberi szakértői kapacitás nem skálázható.

Ennek következménye:

• – lassú és költséges elemzés,
• – nehézkes tudásátadás,
• – ritka interdiszciplináris áttörések.

A megoldás – rezonáns szakértői intelligencia

A Rezonáns tudományos szakértői rendszerek az AVA alapelveit alkalmazzák formális tudományos területeken:

• – modellezik a szakterület struktúráit, korlátait és invariánsait,
• – strukturális és kapcsolati reprezentációkon működnek, nem pusztán szövegen,
• – rezonáns koherencián alapuló következtetést végeznek, nem brute-force számítást.

Minden rendszer egyértelműen körülhatárolt tudományos vagy technológiai területre készül (pl. fizika, anyagtudomány, klímamodellezés, rendszerszintű biológia).

Mit csinálnak ezek a rendszerek?

• – Domain-tudatos következtetés
  formális modellek és tudományos szabályok alapján
• – Keresztmodell-szintézis
  szimulációk, empirikus adatok és elméletek integrálása
• – Hipotézisértékelés és -finomítás
  tudományosan érvényes keretek között
• – Magyarázható szakértői támogatás
  követhető érvelési láncokkal
• – Intézményi tudásmegőrzés
  hosszú távú szakértői tudás rögzítése

– Mérhető hatás és hatékonyság

Pilot- és kísérleti alkalmazások alapján:

• – 25–40%-kal rövidebb szakértői elemzési idő
  összetett tudományos problémák esetén
• – 20–35%-kal kevesebb redundáns szimuláció vagy kísérlet,
  jobb előszűrés és hipotézisértékelés révén
• – nagyobb reprodukálhatóság és következetesség
  hosszú távú kutatási programokban

Alkalmazási területek

• – kutatóintézetek és egyetemek
• – nemzeti laboratóriumok
• – nagy komplexitású mérnöki és K+F környezetek
• – klíma-, energia- és anyagtudomány
• – interdiszciplináris tudományos programok

Projekt státusz

• – középtávú kutatás-fejlesztési program
• – pilot-képes kiválasztott tudományterületeken
• – erős akadémiai és intézményi relevancia
• – skálázható különböző diszciplínákra