Künstliche Intelligenz (KI) hat bereits breite Anwendung in der wissenschaftlichen Forschung gefunden. Der Einsatz von Machine-Learning-Modellen kann jedoch zu irreführenden oder fehlerhaften Ergebnissen führen. Forscher der University of California, Berkeley, haben eine statistische Methode namens „vorhersagegetriebene Inferenz“ (PPI) entwickelt, um wissenschaftliche Hypothesen zu überprüfen.
Die PPI-Technik kann die Ausgabe großer, allgemeiner Modelle korrigieren und an spezifische wissenschaftliche Fragestellungen anpassen, ohne die genaue Natur der Modellfehler zu kennen. Dadurch werden Verzerrungen des Machine Learnings vermieden. Diese Technik eignet sich nicht nur für die Vorhersage von Proteinstrukturen, sondern auch für diverse andere Forschungsbereiche, wie beispielsweise die Schätzung der Abholzung im Amazonas-Regenwald.
PPI entwickelt sich zu einem unerlässlichen Bestandteil der modernen, daten- und modellintensiven sowie kollaborativen Wissenschaft.