El Fin del Conocimiento - Bóveda 5/86 - CVPR - 2023 - Descubrimiento Científico y el Medio Ambiente

graph LR classDef scientific fill:#f9d4d4, font-weight:bold, font-size:14px classDef models fill:#d4f9d4, font-weight:bold, font-size:14px classDef advances fill:#d4d4f9, font-weight:bold, font-size:14px classDef collaborations fill:#f9f9d4, font-weight:bold, font-size:14px A["Descubrimiento Científico y
el Medio Ambiente"] --> B["Expertos discuten CV, ML
para el descubrimiento científico. 1"] A --> C["Aprovechar modelos mecanísticos en
ciencias físicas. 2"] A --> D["Comprender mecanismos, no solo
optimizar métricas. 3"] D --> E["Explicabilidad, cuantificación de incertidumbre necesaria
para la aceptación de caja negra. 4"] A --> F["Las teorías transfieren conocimiento, el aislamiento
pierde la imagen completa. 5"] A --> G["La IA reduce costos,
barreras, permite aplicaciones. 6"] A --> H["IA generativa: modelado rápido de
simulaciones, problemas inversos, descubrimientos. 7"] H --> I["Futuro: modelos estadísticos a
modelos causales de mecanismos. 8"] A --> J["La IA integra datos para
modelos climáticos con humanos. 9"] A --> K["Etiquetas limitadas + ciencia comunitaria:
monitoreo global de biodiversidad. 10"] A --> L["Astronomía: ML para descubrimiento,
clasificación, problemas inversos intratables. 11"] A --> M["Redes neuronales equivariantes, de grafos:
codifican sesgos inductivos, mejoras. 12"] A --> N["Ciencias: verdad estructurada
para sesgos inductivos, arquitecturas. 13"] A --> O["Observación terrestre: grandes conjuntos de datos,
ML ayuda al análisis. 14"] A --> P["Colaboraciones experto en dominio - investigador
de IA clave. 15"] P --> Q["Ciencias: conjuntos de datos distintos, problemas,
entorno para algoritmos. 16"] P --> R["Despliegue en el mundo real confronta limitaciones,
inspira investigación. 17"] P --> S["Consideraciones éticas reducidas con
datos del mundo natural. 18"] P --> T["Desafíos comunes en dominios,
transferencia de ideas. 19"] P --> U["Involucrar expertos, encontrar problemas
impactantes no obvios. 20"] P --> V["Aprender conocimiento mínimo del dominio,
establecer lenguaje común. 21"] P --> W["Perseverar encontrando colaboradores comprometidos
con ML, CV. 22"] A --> X["Ciencias adoptando IA, involucrándose
en talleres, conferencias. 23"] P --> Y["Incorporar la experiencia de colaboradores, mecanismos,
matemáticas en modelos. 24"] P --> Z["Aprender algo de ciencia, intuición
para progreso significativo. 25"] P --> AA["Abordar con curiosidad sobre
datos, problemas únicos, desafíos. 26"] P --> AB["Identificar partes esenciales vs abstractables
de la ciencia del dominio. 27"] P --> AC["Enfocarse donde ML es
impactante, quizás única manera. 28"] P --> AD["Encontrar colaboradores ya involucrados
con CV, benchmarking. 29"] P --> AE["Esperar problemas interesantes, desafiantes, inexplorados
no solo de estantería. 30"] class A,B,C,D,E,F scientific class H,I,J models class G,K,L,M,N,O advances class P,Q,R,S,T,U,V,W,X,Y,Z,AA,AB,AC,AD,AE collaborations

Resumen:

1.- El panel consiste en expertos en campos científicos discutiendo cómo la visión por computadora y el aprendizaje automático pueden avanzar en el descubrimiento científico.

2.- En las ciencias físicas, a menudo hay modelos mecanísticos sólidos del proceso generador de datos que se pueden aprovechar.

3.- El progreso científico se mide por la comprensión de los mecanismos subyacentes que dan lugar a los datos, no solo por la optimización de una métrica única.

4.- Los modelos de caja negra no son fácilmente aceptados en la ciencia sin algún nivel de explicabilidad y cuantificación de incertidumbre.

5.- Las teorías científicas transfieren conocimiento a través de dominios, por lo que aislar problemas pierde la imagen completa.

6.- Los avances en IA están reduciendo costos y barreras de entrada, permitiendo más aplicaciones científicas.

7.- La IA generativa está permitiendo el modelado rápido de simuladores complejos, acelerando problemas inversos y permitiendo nuevos descubrimientos.

8.- El progreso futuro puede moverse de modelos generativos estadísticos a modelos causales que capturan mecanismos subyacentes.

9.- Los modelos climáticos que incorporan sistemas humanos y comportamiento serían un gran avance, habilitados por la capacidad de la IA para integrar datos dispares.

10.- Aprovechar etiquetas limitadas de expertos con ciencia comunitaria ha permitido el monitoreo de biodiversidad a escala global usando visión por computadora.

11.- La astronomía desbloqueó cuellos de botella usando aprendizaje automático para descubrimiento, clasificación e inferencia en problemas inversos intratables.

12.- Las redes neuronales equivariantes y las redes neuronales de grafos permiten codificar sesgos inductivos físicos para mejoras exponenciales.

13.- Las ciencias proporcionan una verdad estructurada rica para estudiar la efectividad de sesgos inductivos y arquitecturas neuronales.

14.- La observación terrestre desde satélites genera grandes conjuntos de datos de imágenes complejas que el aprendizaje automático puede ayudar a los científicos a analizar.

15.- Las colaboraciones entre expertos en dominio e investigadores de IA son clave, con ambas partes aprendiendo mutuamente.

16.- Las ciencias ofrecen conjuntos de datos y problemas interesantes distintos de las aplicaciones típicas de visión por computadora, proporcionando un entorno para nuevos algoritmos.

17.- El despliegue en el mundo real en ciencias confronta directamente las limitaciones de los métodos actuales e inspira nuevas direcciones de investigación.

18.- Las consideraciones éticas a menudo se reducen al trabajar con datos científicos sobre el mundo natural en lugar de sujetos humanos.

19.- Existen muchos desafíos comunes en las aplicaciones de IA en diferentes dominios científicos, permitiendo la transferencia de ideas.

20.- Involucrarse con expertos en dominio para encontrar los problemas interesantes y no obvios donde la IA puede tener un impacto, no solo las oportunidades fáciles.

21.- Aprender la cantidad mínima de conocimiento del dominio necesario y establecer un lenguaje común, sin necesidad de convertirse en un experto en el dominio.

22.- Perseverar en encontrar los colaboradores adecuados que estén comprometidos con el uso de métodos de aprendizaje automático y visión por computadora.

23.- Las ciencias están adoptando cada vez más la IA e involucrándose con la comunidad de visión por computadora a través de talleres y conferencias.

24.- Incorporar la experiencia de tus colaboradores para construir el modelo usando los mecanismos y matemáticas de su campo.

25.- Estar abierto a aprender algo de la ciencia y la intuición detrás de los datos para hacer un progreso significativo.

26.- Abordar las colaboraciones con curiosidad sobre lo que hace que los datos y el problema sean inusuales o desafiantes en comparación con experiencias anteriores.

27.- Identificar partes de la ciencia del dominio que son esenciales para entender frente a aquellas que pueden abstraerse.

28.- Enfocarse en problemas donde el aprendizaje automático no solo es impactante sino quizás la única manera de avanzar.

29.- Encontrar colaboradores que ya hayan comenzado a involucrarse con la visión por computadora y los métodos de evaluación comparativa.

30.- Esperar problemas intelectualmente interesantes, desafiantes e inexplorados, no solo aplicaciones de métodos estándar.

Bóveda de Conocimiento construida porDavid Vivancos 2024