Mesin yang Bisa 'Belajar' Ternyata Mendorong Terjadinya Krisis Sains
Senin, 18 Februari 2019 - 09:00 WIB
Mesin yang Bisa 'Belajar' Ternyata Mendorong Terjadinya Krisis Sains
A
A
A
WASHINGTON - Para peneliti dan industri bangga dengan kehadiran Artificial Intelligence (AI) pada perangkat keras yang digunakannya. Tapi kenyataannya, penggunaan mesin yang dapat berpikir atau belajar oleh jutaan ilmuwan untuk menganalisis data melahirkan hasil yang menyesatkan dan seringkali salah.
Hal itu diungkapkan Dr Genevera Allen dari Rice University di Houston, AS. Dia mengatakan, peningkatan penggunaan sistem seperti itu berkontribusi pada "krisis dalam sains".
Allen pun memperingatkan para ilmuwan bahwa jika mereka tidak meningkatkan tekniknya, ilmuwan akan membuang-buang waktu dan uang. Penelitiannya dipresentasikan di Asosiasi Amerika untuk Kemajuan Ilmu Pengetahuan di Washington.
Dikatakannya, semakin banyak penelitian ilmiah yang melibatkan penggunaan perangkat lunak mesin yang sanggup membuat mesin belajar untuk menganalisis data yang telah dikumpulkan. Ini terjadi di banyak bidang studi mulai dari penelitian biomedis hingga astronomi.
"Seringkali studi ini ditemukan tidak akurat sampai ada dataset besar nyata. 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 berpendapat bahwa sebagian besar dari itu memang berasal dari penggunaan teknik mesin yang dapat berpikir dalam sains,” cetusnya khawatir.
Krisis reproduksibilitas dalam sains mengacu pada jumlah hasil penelitian yang mengkhawatirkan. Di mana hasil yang didapat tidak sama ketika kelompok ilmuwan lain melakukan percobaan sama.
Artinya hasil awal salah. Satu analisis menunjukkan hingga 85% dari semua penelitian biomedis yang dilakukan di dunia adalah usaha yang sia-sia.
Ini krisis yang telah berkembang selama dua dekade terakhir. Hal itu telah terjadi karena eksperimen tidak dirancang cukup baik guna memastikan ilmuwan tidak menipu dirinya sendiri.
Sistem pembelajaran mesin dan penggunaan set data besar telah mempercepat krisis. Hal ini dikarenakan 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 yang benar-benar benar itu mewakili ilmu pengetahuan? Apakah bisa direproduksi? Jika kita memiliki dataset tambahan apakah kita akan melihat penemuan atau prinsip ilmiah yang sama pada dataset yang sama? Dan sayangnya jawabannya sering kali mungkin tidak,” ungkapnya
Untuk diketahui 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. Namun juga melaporkan seberapa tidak pasti hasil mereka dan kemungkinan reproduktifitasnya.
“Mengumpulkan set data besar ini sangat mahal. Dan saya memberi tahu para ilmuwan bahwa saya bekerja dengannya, bahwa mungkin Anda perlu waktu lebih lama untuk diterbitkan," cetusnya.
"Ini akan menghemat uang para ilmuwan dan juga penting guna memajukan ilmu pengetahuan dengan tidak menurunkan semua kemungkinan arah yang salah ini," pungkasnya.
Hal itu diungkapkan Dr Genevera Allen dari Rice University di Houston, AS. Dia mengatakan, peningkatan penggunaan sistem seperti itu berkontribusi pada "krisis dalam sains".
Allen pun memperingatkan para ilmuwan bahwa jika mereka tidak meningkatkan tekniknya, ilmuwan akan membuang-buang waktu dan uang. Penelitiannya dipresentasikan di Asosiasi Amerika untuk Kemajuan Ilmu Pengetahuan di Washington.
Dikatakannya, semakin banyak penelitian ilmiah yang melibatkan penggunaan perangkat lunak mesin yang sanggup membuat mesin belajar untuk menganalisis data yang telah dikumpulkan. Ini terjadi di banyak bidang studi mulai dari penelitian biomedis hingga astronomi.
"Seringkali studi ini ditemukan tidak akurat sampai ada dataset besar nyata. 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 berpendapat bahwa sebagian besar dari itu memang berasal dari penggunaan teknik mesin yang dapat berpikir dalam sains,” cetusnya khawatir.
Krisis reproduksibilitas dalam sains mengacu pada jumlah hasil penelitian yang mengkhawatirkan. Di mana hasil yang didapat tidak sama ketika kelompok ilmuwan lain melakukan percobaan sama.
Artinya hasil awal salah. Satu analisis menunjukkan hingga 85% dari semua penelitian biomedis yang dilakukan di dunia adalah usaha yang sia-sia.
Ini krisis yang telah berkembang selama dua dekade terakhir. Hal itu telah terjadi karena eksperimen tidak dirancang cukup baik guna memastikan ilmuwan tidak menipu dirinya sendiri.
Sistem pembelajaran mesin dan penggunaan set data besar telah mempercepat krisis. Hal ini dikarenakan 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 yang benar-benar benar itu mewakili ilmu pengetahuan? Apakah bisa direproduksi? Jika kita memiliki dataset tambahan apakah kita akan melihat penemuan atau prinsip ilmiah yang sama pada dataset yang sama? Dan sayangnya jawabannya sering kali mungkin tidak,” ungkapnya
Untuk diketahui 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. Namun juga melaporkan seberapa tidak pasti hasil mereka dan kemungkinan reproduktifitasnya.
“Mengumpulkan set data besar ini sangat mahal. Dan saya memberi tahu para ilmuwan bahwa saya bekerja dengannya, bahwa mungkin Anda perlu waktu lebih lama untuk diterbitkan," cetusnya.
"Ini akan menghemat uang para ilmuwan dan juga penting guna memajukan ilmu pengetahuan dengan tidak menurunkan semua kemungkinan arah yang salah ini," pungkasnya.
(mim)
