I starten af året satte jeg mål og nøgleresultater (OKR'er) for at drive min personlige og professionelle vækst. Jeg arbejdede hen imod mine OKR'er ved at bidrage til et forskningsprojekt, vejlede og træne en praktikant i datavidenskab, udvide min viden ved at læse 28 bøger og forbedre min EFSET eksamensscore med 15 point for at kvalificere mine engelskkundskaber. Derudover uddybede jeg min ekspertise inden for Machine Learning for Production (MLOps) ved at gennemføre en specialisering med topscore på tværs af flere kurser.
Som en anerkendelse af disse præstationer hædrede Galaksiya mig med muligheden for at deltage i ECAI-konferencen, en prestigefyldt begivenhed, der gav uvurderlig indsigt i de seneste fremskridt inden for kunstig intelligens. Konferencen blev afholdt i den betagende by Santiago de Compostela, et sted, der føltes som at træde tilbage i tiden. Når jeg gik gennem dens brostensbelagte gader og middelalderarkitektur, føltes det, som om jeg pludselig havde teleporteret til det 14. århundrede, mens jeg gik gennem siderne i en historiebog. Byens skønhed og rige arv gjorde denne oplevelse endnu mere uforglemmelig. I denne blog vil jeg dele min rejse og de vigtigste ting fra konferencen.
Den 27. europæiske konference om kunstig intelligens (ECAI)
ECAI blev afholdt fra den 19. til den 24. oktober 2024 og samlede over 1,600 delegerede fra det globale AI-forskningssamfund.
Konferencen bød på et omfattende program, herunder præsentationer af tekniske artikler, workshops, tutorials, inviterede foredrag og særlige sessioner. I denne blog vil jeg give et resumé af de præsentationer og tutorials, jeg deltog i under arrangementet. Alle artikler er offentliggjort i [1].
Nøgle temaer
A. Etik og retfærdighed
Ansvarlighed i AI-systemer: Håndtering af risici forbundet med generel AI og skabelse af mekanismer til at sikre sikker og etisk implementering.
Misbrug af AI: Håndtering af etiske dilemmaer som ondsindet brug af AI, især på følsomme områder som sociale medier.
Retfærdighed og inklusion: At kæmpe for retfærdig og proportional repræsentation i AI-drevne beslutningssystemer.
Forklarlighed i AI: Sikring af, at AI-systemer er gennemsigtige og fortolkelige for at fremme tillid og forståelse, så interessenter kan forstå, hvordan beslutninger træffes.
B. Bæredygtighed
Miljøpåvirkning af AI: Anerkendelse af det voksende CO2-aftryk fra maskinlæringsprocesser og fremme af bæredygtige praksisser.
Effektiv ressourceudnyttelse: Fokus på at minimere ressourcespild og forbedre effektiviteten af AI-systemer for at reducere miljøskader.
C. Forbedring af aktiv læring og optimering
Aktiv læring: Udvikling af smartere algoritmer, der kan forfine sig selv ved hjælp af målrettede forespørgsler og modeksempler, hvilket fører til bedre modeleffektivitet.
Optimering: Udførelse af undersøgelser for at forbedre ydeevnen af klassiske AI-planlægningssystemer, så de bliver mere effektive og pålidelige.
D. AI-applikationer i processer og systemer
Deklarative processer: Brug af kunstig intelligens til at optimere process mining, repræsentation og syntese for bedre automatisering af arbejdsgange.
Multi-agent-samarbejde: Udforskning af udfordringer og muligheder i systemer med flere agenter, især i forbindelse med håndtering af komplekse scenarier med flere mål.
Anomalidetektion: Brug af kunstig intelligens til at identificere usædvanlige mønstre eller afvigelser i data, der kan indikere fejl, svindel eller systemfejl. Dette omfatter overvågning i realtid og prædiktiv analyse for at forbedre beslutningstagningen og opretholde systemintegriteten.
E. Generel AI
Definering, evaluering og forbedring af AGI: Voksende fokus på at identificere begrænsninger og foreslå standardiserede løsninger til AI, der kan fungere på tværs af forskellige opgaver.
Nøglemetoder
A. Store sprogmodeller
B. Forstærkende læring
C. Multi-agent systemer
D. Computer Vision
Højdepunkter fra konferencen
1. Etik og retfærdighed
Workshoppen "Implementering af AI-etik gennem et adfærdsperspektiv " [2] udforskede, hvordan man kan tilpasse AI-systemer til menneskelige værdier med vægt på retfærdighed, reduktion af bias og gennemsigtighed. Den fremhævede behovet for at bevæge sig ud over traditionelle nøjagtighedsmålinger og anvende evalueringsmetoder, der afspejler virkelige udfordringer, såsom patientcentrerede målinger i sundhedsvæsenet. Workshoppen diskuterede også vigtigheden af at forhindre datalækage og implementere robuste multicenter-evalueringsprocesser for at sikre pålidelighed.
Et andet bemærkelsesværdigt bidrag var Ethical AI Governance: Methods for Evaluating Trustworthy AI [3] , som kategoriserede AI-evalueringsmetoder i konceptuelle, manuelle, semiautomatiske og automatiserede tilgange. Artiklen argumenterede for, at selvom automatiserede værktøjer effektivt kan opdage bias og problemer med forklarbarhed, er menneskelig overvågning fortsat afgørende for nuanceret etisk beslutningstagning. Udfordringer som manglende standardisering og uoverensstemmelser på tværs af troværdighedsvurderinger blev også behandlet, med vægt på behovet for ensartede evalueringsrammer.
Derudover introducerede PEACE-artiklen (Providing Explanations and Analysis for Combating Hate Expressions) [1] et webværktøj designet til at opdage subtil og skjult hadefuld tale, som traditionelle modeller ofte overser. Ved at integrere visualiseringsværktøjer og forklarlige AI-teknikker hjælper PEACE indholdsmoderatorer med bedre at forstå og håndtere både eksplicit og implicit hadefuld tale på tværs af online platforme.
2. Bæredygtighed
Mere (nok) er bedre: Mod segmentering af ulovlig deponering med få skud [1] adresserede udfordringen med at detektere ulovlige affaldssteder i luftfotos med minimale mærkede data. Den foreslåede tilgang udnyttede læringsteknikker med få skud og generering af syntetiske data for at forbedre detektionsnøjagtigheden og samtidig minimere behovet for omfattende manuelle annoteringer. Denne forskning understregede, hvordan kunstig intelligens kan bruges til effektivt at håndtere miljøproblemer i den virkelige verden.
En anden vigtig artikel, Zero-Waste Machine Learning [1] , introducerede en bæredygtighedsdrevet tilgang til AI-modeloptimering. Forfatterne foreslog en ramme inspireret af principperne for cirkulær økonomi med fokus på genbrug af beregninger og viden for at forbedre modeleffektiviteten. Nøgleteknikker omfattede betinget beregning, kontinuerlig læring og ressourcegenbrug, hvilket sikrer, at AI-systemer forbliver ressourceeffektive uden at gå på kompromis med ydeevnen.
Den bredere udfordring ved at håndtere beslutningstagning med flere agenter og flere objektiver i bæredygtighedssammenhænge blev undersøgt i The World is a Multi-Objective Multi-AgentSystem: Now What? [1] . Denne undersøgelse undersøgte, hvordan AI kan adressere modstridende prioriteter, såsom at balancere miljømæssig bæredygtighed med økonomiske mål. Ved at integrere forklarlighed og gennemsigtighed i AI-systemer havde forskningen til formål at forbedre tillid og implementering i store beslutningstagningsapplikationer.
3. Forbedring af aktiv læring og optimering
Vejledningen Beyond Trial & Error: A Tutorial on Automated Reinforcement Learning [4] gav indsigt i automatiseringen af reinforcement learning (RL) processer. AutoRL-metoder sigter mod at strømline traditionelt manuelle opgaver, såsom hyperparameterjustering og algoritmevalg, hvilket gør RL mere tilgængelig og tilpasningsdygtig til virkelige applikationer. Vejledningen dækkede også virkningen af hyperparametre på modelfølsomhed og ydeevne, hvilket understregede vigtigheden af automatiserede optimeringsteknikker.
Et relateret studie, Hyperparameter Importance Analysis for Multi-Objective AutoML [1] , udforskede rollen af hyperparameterjustering i balancen mellem konkurrerende mål, såsom modelnøjagtighed versus beregningsomkostninger. Forfatterne introducerede nye analyseteknikker til at identificere, hvilke hyperparametre der har den største effekt, hvilket giver værdifuld indsigt i optimering af multi-objektive AI-modeller.
Derudover introducerede Survival of the Fittest: Evolutionary Adaptation of Policies for Environmental Shifts [1] en evolutionsbaseret tilgang til forstærkningslæring. Undersøgelsen foreslog Evolutionary Robust Policy Optimization (ERPO), en teknik, der gør det muligt for AI-modeller at tilpasse sig skiftende miljøer uden at kræve omfattende omskoling. Denne forskning har implikationer for applikationer, hvor AI-systemer skal fungere i dynamiske og uforudsigelige omgivelser, såsom robotteknologi og finansiel modellering.
4. AI-applikationer i processer og systemer
Artiklen "Memory Adaptive and Spatally Specialized Model Ensembles for Industrial Anomaly Detection " [1] introducerede et framework, der dynamisk integrerer flere specialiserede modeller til at detektere anomalier i industrielle systemer. Ved at kombinere hukommelsestilpasning med spatial specialisering forbedrer frameworket AI's evne til at håndtere forskellige og udviklende datadistributioner. Denne tilgang viste sig at være yderst effektiv i industrielle applikationer, hvor traditionelle statiske modeller kæmper med konceptuel drift og skiftende driftsforhold.
Et andet relevant studie, Cascade Memory for Unsupervised Anomaly Detection [1] , tacklede udfordringen med overgeneralisering i ikke-superviserede modeller. Mange eksisterende metoder til anomalidetektion har svært ved at skelne mellem normale og unormale data, hvilket fører til høje falsk-positive rater. Den foreslåede kaskadehukommelsesarkitektur forfiner fokus på normale mønstre, samtidig med at systemet kan isolere anomalier mere effektivt. Metoden demonstrerede state-of-the-art ydeevne på tværs af forskellige benchmarkdatasæt, især i komplekse virkelige scenarier.
Valideringen af anomalidetekteringsmodeller uden mærkede data blev behandlet i Towards Unsupervised Model Validation [1] . Denne undersøgelse foreslog brugen af et "nøjagtigt forskelligartet" ensemble af modeller til at evaluere anomalidetekteringssystemer ved at udnytte korrelationsbaserede rangeringsteknikker til at vurdere modelpålidelighed. Ved at tilbyde en struktureret tilgang til uovervåget validering bidrog forskningen til at gøre AI-drevet anomalidetektering mere robust og skalerbar.
5. Generel AI
Workshoppen Sprogforståelse i menneske-maskine-æraen [5] udforskede den udviklende rolle, som store sprogmodeller (LLM'er) spiller i applikationer som konversationsbaseret AI og maskinoversættelse. Selvom LLM'er har vist imponerende evner, understregede workshoppen deres begrænsninger i forhold til reelt at forstå menneskeligt sprog, især i sammenhænge, der kræver dyb ræsonnement og kontekstuel bevidsthed.
Endelig behandlede artiklen "Caveats and Solutions for Characterizing General-Purpose AI" [1] den bredere udfordring med at måle GPAI's generalitet og kapacitet. Forfatterne foreslog nye benchmarkingstrategier, herunder tilpasningsevnetests, der vurderer AI's ydeevne på tværs af forskellige og skiftende opgaver. De argumenterede også for tværfaglige indsigter fra filosofi og kognitiv videnskab for at forfine konceptualiseringen af GPAI og dermed understrege vigtigheden af gennemsigtighed og forklarlighed i AI-evaluering.
Resumé
ECAI udforskede nøgletemaer, der former fremtiden for kunstig intelligens, herunder etik, bæredygtighed, optimering og applikationer i den virkelige verden. Diskussioner om etik og retfærdighed understregede vigtigheden af gennemsigtige, upartiske AI-systemer, der stemmer overens med menneskelige værdier.
Bæredygtighedsindsatsen fokuserede på at reducere AI's miljøpåvirkning gennem energieffektive metoder og ansvarlig ressourceanvendelse. Fremskridt inden for aktiv læring og optimering fremhævede teknikker til automatisering og tilpasning af AI-systemer til dynamiske miljøer. Inden for anvendt AI viste procesoptimering og beslutningstagningsinnovationer praktiske løsninger til industrielle og samfundsmæssige udfordringer. Konferencen undersøgte også kompleksiteten af AI til generelle formål og understregede behovet for tilpasningsevne, gennemsigtighed og tværfagligt samarbejde. Overordnet set understregede ECAI udviklingen af etiske, effektive og tilpasningsdygtige AI-systemer til at løse presserende globale udfordringer.
Referencer
[1] ECAI 2024 Proceedings – 27. europæiske konference om kunstig intelligens (ECAI), 19.-24. oktober 2024, Santiago de Compostela, Spanien. IOS Press. Tilgængelig på: https://ebooks.iospress.nl/volume/ecai-2024-27theuropean-conference-on-artificial-intelligence-1924-october-2024santiago-de-compostela-spain-including-pais-2024
[2] AIEB-ECAI 2024 Workshop – Implementering af AI-etik gennem et adfærdsperspektiv. ECAI 2024. Tilgængelig på: https://aieb-ecai2024.framer.ai/
[3] McCormack, L., & Bendechache, M. (2024) . Etisk AI-styring: Metoder til evaluering af pålidelig AI. arXiv. Tilgængelig på: https://arxiv.org/abs/2409.07473
[4] ECAI 2024 AutoRL-vejledning – Mere end bare prøve og fejle: En vejledning i automatiseret forstærkningslæring. Tilgængelig på: Link
[5] LUHME Workshop, ECAI 2024 – Sprogforståelse i menneske-maskine-æraen. Tilgængelig på: https://luhme.web.uah.es/
