KI i forskning: Når artikler blir agenter
Image via Wikimedia Commons (public domain).
Velkommen til ukens gjennomgang av hvordan KI endrer forskningen, hentet fra Nature, Science og de ledende tidsskriftene innen økonomi og ledelse.
Fra statiske artikler til fungerende agenter
Alle som har forsøkt å gjenbruke en publisert metode, kjenner problemet: finne koden, reparere kjøremiljøet og tolke tilleggsmaterialet. I Nature presenterer Jiacheng Miao, Joe R. Davis, Jonathan K. Pritchard og kolleger Paper2Agent, et automatisert rammeverk som gjør en forskningsartikkel om til en KI-agent som fungerer som en "virtual corresponding author" (virtuell korresponderende forfatter).
Flere agenter analyserer artikkelen og kodebasen for å bygge en server for Model Context Protocol (MCP), og genererer og kjører deretter tester for å gjøre den robust. Når den kobles til en samtaleagent som Claude Code, kan den resulterende "artikkelagenten" besvare vitenskapelige spørsmål på naturlig språk og samtidig ta i bruk artikkelens egne verktøy og arbeidsflyter. I casestudier basert på AlphaGenome, Scanpy og TISSUE rapporterer forfatterne at agentene reproduserte resultatene fra de opprinnelige artiklene og håndterte nye brukerforespørsler. Flere artikkelagenter samarbeidet dessuten om å prioritere et kausalt gen for psoriasis (omtalt i Nature sine nyheter).
Samme uke publiserte Science Virtual Biotech, en organisasjon av KI-agenter modellert etter et legemiddelselskap, med avdelinger for identifisering av mål, sikkerhetsvurdering, valg av modalitet og klinisk utvikling. I én demonstrasjon annoterte over 37 000 agenter utfallene fra 55 984 kliniske studier og fant at legemidler rettet mot celletypespesifikke gener hadde 48 % høyere sannsynlighet for å nå markedet, med 32 % færre uønskede hendelser. Systemet foreslo også en behandlingsstrategi for lungekreft og utledet mulige årsaker til at en avsluttet studie av ulcerøs kolitt mislyktes. Forfatterne beskriver det eksplisitt som et *menneskestyrt* multiagentsystem.
Hvorfor det er viktig: Til sammen peker disse artiklene mot et skifte i hva et forskningsresultat er: fra et dokument man leser til et system man stiller spørsmål, og fra én enkelt analytiker til en organisasjon av agenter som koder evidens i stor skala. For samfunnsvitere og forskere innen økonomi og ledelse kan logikken bak Paper2Agent overføres direkte: en replikasjonspakke som kan forklare og kjøre seg selv på nytt, ville senke terskelen for gjenbruk og gjøre kontroll av reproduserbarhet langt billigere. Annoteringen av kliniske studier i Virtual Biotech er i praksis storskala innholdsanalyse utført av agenter, og kan tjene som mal for systematiske litteraturgjennomganger og koding av arkivdata. De åpne spørsmålene er de kjente: Hvem validerer agentenes koding, og hvordan skal tidsskrifter kreditere og fagfellevurdere en artikkel som svarer tilbake?
Mer fra denne uken
En generalist-KI for CT av abdomen styrker radiologer
RADAR er en visjon-språk-modell trent på mer enn 400 000 kontrastforsterkede CT-undersøkelser av abdomen og 15 millioner anatomispesifikke bilde-tekst-par, og lærer direkte fra kliniske rapporter uten manuell annotering. I interne og eksterne evalueringer ved flere sentre presterte den godt på 18 anatomiske strukturer og 146 bildefunn. I en tolkningsstudie økte RADAR-assistanse den diagnostiske sensitiviteten til 26 radiologer med omtrent 10 %, et nyttig datapunkt for alle som studerer samarbeid mellom mennesker og KI i ekspertarbeid.
Dyp læring møter strukturell økonometri
Yicheng Song og Tianshu Sun foreslår Sequential Search Transformer (SST), en dyp strukturell økonometrisk modell som bygger teori om sekvensielt søk inn i en dyp læringsarkitektur som kan trenes ende til ende, med en formell identifikasjonsanalyse. Anvendt på klikkstrømdata fra et amerikansk nettsted for netthandel presterte SST bedre enn de beste dyplæringsmodellene og strukturelle modellene i å forutsi søk og kjøp, og policyeksperimenter viste gevinster for produktanbefalinger og lansering av nye produkter. En tydelig modell for markedsføringsforskere som ønsker prediktiv styrke uten å gi avkall på tolkbarhet.
Hvorfor selskaper innen generativ KI kan droppe gratisversjonen
En analytisk modell i Information Systems Research undersøker hvordan "adaptiv KI-læring", der brukerinteraksjoner forbedrer en modell under finjustering, endrer freemium-strategien. Forfatterne finner at svært effektiv adaptiv læring paradoksalt nok kan svekke lønnsomheten ved å gjøre gratisversjonen for attraktiv, at selskaper kan finne det optimalt å ikke tilby noen gratisversjon selv når tjenestekostnadene er minimale, og at en gratisversjon ikke nødvendigvis øker konsumentoverskuddet, fordi bedre KI kan gjøre det mulig for selskaper å heve prisene på premiumversjonen.
Ansiktsgjenkjenning reduserte forsinkede avganger på flyplassen
Studien utnytter den første terminaldekkende innføringen av ansiktsgjenkjenning på en amerikansk flyplass og finner omtrent 16 % reduksjon i forsinkede avganger og 6 % reduksjon i forsinkede ankomster, uten økning i tidlige avganger eller ankomster. Gevinstene var mindre for flyvninger til Asia og Afrika, destinasjoner med høyere andel ikke-kaukasiske passasjerer, og større for større fly. Dette minner oss om at de operative fordelene ved KI kan bli ujevnt fordelt.
Algoritmiske råd som folk faktisk følger
Chan, Delage og Lin tar for seg et klassisk problem knyttet til algoritmeaversjon: "optimale" anbefalinger blir ignorert når de strider mot hvordan folk vurderer en situasjon. Metoden deres lærer beslutningstakernes vurderinger fra tidligere valg, bygger en usikkerhetsmengde rundt de estimerte parameterne og bruker robust optimering, med statistiske garantier og ytelsesgarantier. I en simulert studie av matlevering i Toronto økte metoden den estimerte etterlevelsen blant budene betydelig, mens leveringstidene forble sammenlignbare.
Det var alt for denne uken. Send gjerne dette videre til en kollega hvis replikasjonspakke fortsatt ligger i en zip-fil, og utforsk KI-verktøy for din egen forskning på gaiforresearch.com.
Kommentarer