La inteligencia artificial ha explotado en popularidad. Impulsa modelos que nos ayudan a conducir vehículos, revisar correos electrónicos e incluso diseñar nuevas moléculas para medicamentos. Pero al igual que un ser humano, es difícil leer la mente de la inteligencia artificial. La inteligencia artificial explicable (XAI), un subconjunto de la tecnología, podría ayudarnos a hacer justamente eso, justificando las decisiones de un modelo. Y ahora, unos investigadores están usando la XAI no solo para examinar más de cerca los modelos predictivos de inteligencia artificial, sino también para profundizar más en el campo de la farmacología.
Esta investigación es obra del equipo de Rebecca Davis, profesora de química en la Universidad de Manitoba en Canadá.
La gran cantidad de usos de la inteligencia artificial la ha convertido en casi omnipresente en el panorama tecnológico actual. Sin embargo, muchos modelos de inteligencia artificial son cajas negras, lo que significa que no está claro exactamente qué medidas se toman para producir un resultado. Y cuando ese resultado es algo parecido a una posible molécula de un fármaco, no entender los pasos podría despertar el escepticismo tanto en los científicos como en el público. “Como científicos, nos gusta la justificación”, explica Davis. “Si podemos encontrar modelos que ayuden a comprender mejor cómo la inteligencia artificial toma decisiones, podría hacer que los científicos se sientan más cómodos con estas metodologías”.
Una manera de proporcionar esa justificación es con la XAI. Estos algoritmos de aprendizaje automático pueden ayudarnos a entender cómo la inteligencia artificial toma decisiones. Aunque la XAI puede aplicarse en diversos contextos, la investigación de Davis se centra en aplicarla a modelos de inteligencia artificial para el descubrimiento de fármacos, como los modelos utilizados para predecir nuevos candidatos a antibióticos. Teniendo en cuenta que se pueden seleccionar miles de moléculas candidatas y rechazarlas para aprobar solo un
