В началото на годината си поставих цели и ключови резултати (OKR), за да стимулирам моето лично и професионално израстване. Работих за постигането на моите OKR, като допринесох за изследователски проект, менторствах и обучавах стажант по наука за данни, разширих знанията си, като прочетох 28 книги и подобрих резултата си от изпита EFSET с 15 точки, за да квалифицирам владеенето на английски език. Освен това задълбочих експертния си опит в машинното обучение за производство (MLOps), като завърших специализация с най-добри резултати в множество курсове.
Като признание за тези постижения, Galaksiya ме удостои с възможността да присъствам на конференцията ECAI, престижно събитие, което предостави безценна представа за най-новите постижения в областта на изкуствения интелект. Конференцията се проведе в спиращия дъха град Сантяго де Компостела, място, което се чувстваше като крачка назад във времето. Разхождайки се по неговите калдъръмени улици и средновековна архитектура, имах чувството, че внезапно се телепортирах в 14-ти век, преминавайки през страниците на историческа книга. Красотата и богатото наследство на града направиха това изживяване още по-незабравимо. В този блог ще споделя моето пътуване и ключови изводи от конференцията.
27-ма Европейска конференция за изкуствен интелект (ECAI)
ECAI се проведе от 19 до 24 октомври 2024 г. и събра над 1,600 делегати от глобалната изследователска общност на ИИ.
Конференцията включваше обширна програма, включваща представяне на технически доклади, семинари, уроци, поканени лекции и специални сесии. В този блог ще предоставя обобщение на презентациите и уроците, на които присъствах по време на събитието. Всички статии са публикувани в [1].
Ключови теми
А. Етика и справедливост
Отговорност в системите с изкуствен интелект: Справяне с рисковете, свързани с изкуствения интелект с общо предназначение, и създаване на механизми за осигуряване на безопасно и етично внедряване.
Злоупотреба с изкуствен интелект: Справяне с етични дилеми, като злонамерено използване на изкуствен интелект, особено в чувствителни области като социалните медии.
Справедливост и приобщаване: Застъпничество за справедливо и пропорционално представителство в системите за вземане на решения, управлявани от изкуствен интелект.
Обяснимост в ИИ: Осигуряване на прозрачност и интерпретируемост на системите с ИИ, за да се насърчи доверието и разбирането, като се даде възможност на заинтересованите страни да разберат как се вземат решения.
Б. Устойчивост
Въздействие на изкуствения интелект върху околната среда: Признаване на нарастващия въглероден отпечатък на процесите на машинно обучение и насърчаване на устойчиви практики.
Ефективно използване на ресурсите: Фокус върху минимизиране на разхищението на ресурси и подобряване на ефективността на системите с изкуствен интелект за намаляване на вредите за околната среда.
C. Подобряване на активното учене и оптимизация
Активно обучение: Разработване на по-интелигентни алгоритми, които могат да се усъвършенстват, използвайки целенасочени заявки и контрапримери, което води до по-добра ефективност на модела.
Оптимизация: Провеждане на проучвания за подобряване на производителността на класическите системи за планиране с изкуствен интелект, правейки ги по-ефективни и надеждни.
D. Приложения на AI в процеси и системи
Декларативни процеси: Използване на изкуствен интелект за оптимизиране на извличането на данни от процеси, представянето и синтеза за по-добра автоматизация на работния процес.
Многоагентно сътрудничество: Проучване на предизвикателствата и възможностите на многоагентните системи, особено при справяне със сложни, многоцелеви сценарии.
Откриване на аномалии: Използване на изкуствен интелект за идентифициране на необичайни модели или отклонения в данните, които могат да показват грешки, измами или системни повреди. Това включва наблюдение в реално време и прогнозен анализ за подобряване на вземането на решения и поддържане на целостта на системата.
E. ИИ с общо предназначение
Дефиниране, оценка и подобряване на ОБИ: Нарастващ фокус върху идентифицирането на ограниченията и предлагането на стандартизирани решения за ИИ, които могат да работят в различни задачи.
Ключови методи
A. Големи езикови модели
B. Учене с подсилване
C. Мултиагентни системи
Г. Компютърно зрение
Акценти от конференцията
1. Етика и справедливост
Работилницата „ Внедряване на етиката на ИИ през поведенческа призма “ [2] проучи как да се съобразят системите с ИИ с човешките ценности, като наблегна на справедливостта, намаляването на пристрастията и прозрачността. Тя подчерта необходимостта от преминаване отвъд традиционните показатели за точност и приемане на методи за оценка, които отразяват реалните предизвикателства, като например показателите, ориентирани към пациента в здравеопазването. Работилницата обсъди и значението на предотвратяването на изтичане на данни и прилагането на надеждни многоцентрови процеси за оценка, за да се гарантира надеждността.
Друг забележителен принос беше „Етично управление на ИИ: Методи за оценка на надежден ИИ“ [3] , който категоризира методите за оценка на ИИ в концептуални, ръчни, полуавтоматизирани и автоматизирани подходи. В статията се твърди, че макар автоматизираните инструменти да могат ефективно да откриват проблеми с пристрастията и обяснимостта, човешкият надзор остава от съществено значение за нюансираното етично вземане на решения. Разгледани бяха и предизвикателства като липсата на стандартизация и несъответствията в оценките за надеждност, като се подчертава необходимостта от унифицирани рамки за оценка.
Освен това, в доклада PEACE (Предоставяне на обяснения и анализ за борба с изразите на омраза) [1] беше представен уеб инструмент, предназначен за откриване на фини и скрити прояви на реч на омразата, които традиционните модели често пренебрегват. Чрез интегриране на инструменти за визуализация и обясними техники с изкуствен интелект, PEACE помага на модераторите на съдържание да разбират и да се справят по-добре както с изричната, така и с имплицитната реч на омразата в онлайн платформите.
2. Устойчивост
В „Повече (достатъчно) е по-добре: Към сегментиране на незаконни депа за отпадъци с малко снимки “ [1] се разглежда предизвикателството за откриване на незаконни депа за отпадъци във въздушни изображения с минимално етикетирани данни. Предложеният подход използва техники за обучение с малко снимки и генериране на синтетични данни, за да подобри точността на откриване, като същевременно минимизира необходимостта от обширни ръчни анотации. Това изследване подчертава как изкуственият интелект може да се използва за ефективно справяне с реални екологични проблеми.
Друга значима статия, „Машинно обучение с нулеви отпадъци “ [1] , представи подход, основан на устойчивостта, към оптимизацията на моделите с изкуствен интелект. Авторите предложиха рамка, вдъхновена от принципите на кръговата икономика, фокусирайки се върху повторното използване на изчисления и знания за повишаване на ефективността на моделите. Ключови техники включваха условни изчисления, непрекъснато обучение и рециклиране на ресурси, гарантиращи, че системите с изкуствен интелект остават ресурсно ефективни, без да се жертва производителността.
По-широкото предизвикателство, свързано с управлението на многоагентното и многоцелево вземане на решения в контекста на устойчивостта, беше разгледано в „Светът е многоцелева многоагентна система: Сега какво?“ [1] . Това проучване изследва как изкуственият интелект може да се справи с противоречиви приоритети, като например балансиране на екологичната устойчивост с икономически цели. Чрез интегриране на обяснимост и прозрачност в системите с изкуствен интелект, изследването имаше за цел да подобри доверието и приемането в мащабни приложения за вземане на решения.
3. Подобряване на активното учене и оптимизация
Учебникът „Отвъд опита и грешката: Урок за автоматизирано обучение с подсилване“ [4] предостави информация за автоматизацията на процесите на обучение с подсилване (RL). Методите на AutoRL имат за цел да рационализират традиционно ръчните задачи, като например настройване на хиперпараметри и избор на алгоритъм, което прави RL по-достъпно и адаптивно към реални приложения. Учебникът обхвана и влиянието на хиперпараметрите върху чувствителността и производителността на модела, като подчерта значението на автоматизираните техники за оптимизация.
Свързано проучване, „Анализ на важността на хиперпараметрите за многоцелево AutoML“ [1] , изследва ролята на настройката на хиперпараметрите при балансирането на конкуриращи се цели, като например точност на модела спрямо изчислителните разходи. Авторите въведоха нови техники за анализ, за да идентифицират кои хиперпараметри имат най-значително въздействие, предоставяйки ценна информация за оптимизиране на многоцелеви модели на ИИ.
В допълнение, „ Оцеляване на най-приспособените: Еволюционна адаптация на политиките за промени в околната среда “ [1] въведе еволюционно базиран подход към обучението с подсилване. Проучването предложи Еволюционна устойчива оптимизация на политиките (ERPO) - техника, която позволява на моделите с изкуствен интелект да се адаптират към променящите се среди, без да е необходимо обширно преобучение. Това изследване има значение за приложения, където системите с изкуствен интелект трябва да функционират в динамични и непредсказуеми условия, като например роботика и финансово моделиране.
4. Приложения на AI в процеси и системи
В статията „Адаптивни към паметта и пространствено специализирани ансамбли от модели за откриване на индустриални аномалии “ [1] е представена рамка, която динамично интегрира множество специализирани модели за откриване на аномалии в индустриални системи. Чрез комбиниране на адаптация на паметта с пространствена специализация, рамката подобрява способността на ИИ да обработва разнообразни и променящи се разпределения на данни. Този подход се оказа изключително ефективен в индустриални приложения, където традиционните статични модели се борят с концептуално отклонение и променящи се оперативни условия.
Друго релевантно проучване, „Каскадна памет за откриване на аномалии без надзор“ [1] , се занимава с предизвикателството на свръхгенерализацията в модели без надзор. Много съществуващи методи за откриване на аномалии се затрудняват да разграничат нормални от анормални данни, което води до високи нива на фалшиво положителни резултати. Предложената архитектура на каскадната памет усъвършенства фокуса върху нормалните модели, като същевременно позволява на системата да изолира аномалиите по-ефективно. Методът демонстрира най-съвременна производителност в различни набори от данни за сравнение, особено в сложни реални сценарии.
Валидирането на модели за откриване на аномалии без етикетирани данни е разгледано в „ Към валидиране на модели без надзор “ [1] . Това проучване предлага използването на „точно разнообразен“ ансамбъл от модели за оценка на системите за откриване на аномалии, като се използват техники за класиране, базирани на корелация, за да се оцени надеждността на модела. Чрез предоставяне на структуриран подход към валидирането без надзор, изследването допринася за по-стабилното и мащабируемо откриване на аномалии, управлявано от изкуствен интелект.
5. ИИ с общо предназначение
Работилницата „Разбиране на езика в ерата на човек-машина “ [5] изследва развиващата се роля на големите езикови модели (LLM) в приложения като разговорен изкуствен интелект и машинен превод. Въпреки че LLM демонстрираха впечатляващи възможности, работилницата подчерта техните ограничения в истинското разбиране на човешкия език, особено в контексти, които изискват задълбочено разсъждение и контекстуална осведоменост.
Накрая, статията „Предпазни мерки и решения за характеризиране на универсален изкуствен интелект “ [1] разглежда по-широкото предизвикателство за измерване на общия характер и възможностите на GPAI. Авторите предлагат нови стратегии за сравнителен анализ, включително тестове за адаптивност, които оценяват производителността на ИИ при разнообразни и променящи се задачи. Те също така се застъпват за интердисциплинарни прозрения от философията и когнитивната наука, за да се усъвършенства концептуализацията на GPAI, като се засилва значението на прозрачността и обяснимостта при оценката на ИИ.
Oбобщение
ECAI изследва ключови теми, оформящи бъдещето на AI, включително етика, устойчивост, оптимизация и приложения в реалния свят. Дискусиите относно етиката и справедливостта подчертаха важността на прозрачните, безпристрастни системи с ИИ, които са в съответствие с човешките ценности.
Усилията за устойчивост са насочени към намаляване на въздействието на ИИ върху околната среда чрез енергийно ефективни методи и отговорно използване на ресурсите. Напредъкът в активното обучение и оптимизацията подчертава техники за автоматизиране и адаптиране на AI системи към динамични среди. В приложния изкуствен интелект, оптимизирането на процесите и иновациите при вземане на решения показаха практически решения за индустриални и обществени предизвикателства. Конференцията също така разгледа сложността на ИИ с общо предназначение, подчертавайки необходимостта от адаптивност, прозрачност и интердисциплинарно сътрудничество. Като цяло ECAI подчерта разработването на етични, ефективни и адаптивни AI системи за справяне с належащите глобални предизвикателства.
Източници
[1] Сборник с доклади от ECAI 2024 – 27-ма Европейска конференция по изкуствен интелект (ECAI), 19-24 октомври 2024 г., Сантяго де Компостела, Испания. IOS Press. Достъпно на: https://ebooks.iospress.nl/volume/ecai-2024-27theuropean-conference-on-artificial-intelligence-1924-october-2024santiago-de-compostela-spain-including-pais-2024
[2] Работилница AIEB-ECAI 2024 – Прилагане на етиката на ИИ през поведенческа призма. ECAI 2024. Достъпно на: https://aieb-ecai2024.framer.ai/
[3] Маккормак, Л. и Бендехаче, М. (2024) . Етично управление на ИИ: Методи за оценка на надежден ИИ. arXiv. Достъпно на: https://arxiv.org/abs/2409.07473
[4] ECAI 2024 Урок по AutoRL – Отвъд пробите и грешките: Урок за автоматизирано обучение с подсилване. Достъпно на: Връзка
[5] Работилница на LUHME, ECAI 2024 – Разбиране на езика в ерата на човек-машина. Достъпно на: https://luhme.web.uah.es/
