Zu Beginn des Jahres habe ich mir Ziele und Schlüsselergebnisse (OKRs) gesetzt, um mein persönliches und berufliches Wachstum voranzutreiben. Ich habe auf meine OKRs hingearbeitet, indem ich an einem Forschungsprojekt mitgearbeitet, einen Praktikanten in Datenwissenschaft betreut und geschult, mein Wissen durch die Lektüre von 28 Büchern erweitert und mein EFSET-Prüfungsergebnis um 15 Punkte verbessert habe, um meine Englischkenntnisse zu qualifizieren. Darüber hinaus habe ich mein Fachwissen im Bereich Machine Learning for Production (MLOps) vertieft, indem ich eine Spezialisierung mit Bestnoten in mehreren Kursen abgeschlossen habe.
In Anerkennung dieser Erfolge ehrte mich Galaksiya mit der Möglichkeit, an der ECAI-Konferenz teilzunehmen, einer prestigeträchtigen Veranstaltung, die unschätzbare Einblicke in die neuesten Fortschritte im Bereich der künstlichen Intelligenz bot. Die Konferenz fand in der atemberaubenden Stadt Santiago de Compostela statt, einem Ort, an dem man sich fühlte, als würde man in die Vergangenheit reisen. Als ich durch die Kopfsteinpflasterstraßen und die mittelalterliche Architektur ging, fühlte es sich an, als wäre ich plötzlich ins 14. Jahrhundert teleportiert worden und würde durch die Seiten eines Geschichtsbuchs blättern. Die Schönheit und das reiche Erbe der Stadt machten dieses Erlebnis noch unvergesslicher. In diesem Blog teile ich meine Reise und die wichtigsten Erkenntnisse der Konferenz.
Die 27. Europäische Konferenz für Künstliche Intelligenz (ECAI)
Die ECAI fand vom 19. bis 24. Oktober 2024 statt und brachte über 1,600 Delegierte aus der globalen KI-Forschungsgemeinschaft zusammen.
Die Konferenz bot ein umfassendes Programm mit Fachvorträgen, Workshops, Tutorials, eingeladenen Vorträgen und Sondersitzungen. In diesem Blog fasse ich die Präsentationen und Tutorials zusammen, die ich während der Veranstaltung besucht habe. Alle Artikel sind in [1] veröffentlicht.
Schlüsselthemen
A. Ethik und Fairness
Verantwortlichkeit in KI-Systemen: Die Risiken im Zusammenhang mit allgemeiner KI angehen und Mechanismen schaffen, um einen sicheren und ethischen Einsatz zu gewährleisten.
KI-Missbrauch: Die Auseinandersetzung mit ethischen Dilemmata wie dem missbräuchlichen Einsatz von KI, insbesondere in sensiblen Bereichen wie sozialen Medien.
Fairness und Inklusivität: Wir setzen uns für eine gerechte und proportionale Repräsentation in KI-gestützten Entscheidungssystemen ein.
Erklärbarkeit in der KI: Sicherstellen, dass KI-Systeme transparent und interpretierbar sind, um Vertrauen und Verständnis zu fördern und den Beteiligten zu ermöglichen, nachzuvollziehen, wie Entscheidungen getroffen werden.
B. Nachhaltigkeit
Umweltauswirkungen von KI: Anerkennung des wachsenden CO2-Fußabdrucks von maschinellen Lernprozessen und Förderung nachhaltiger Praktiken.
Effiziente Ressourcennutzung: Fokus auf die Minimierung von Ressourcenverschwendung und die Verbesserung der Effizienz von KI-Systemen zur Reduzierung von Umweltschäden.
C. Aktives Lernen und Optimierung verbessern
Aktives Lernen: Entwicklung intelligenterer Algorithmen, die sich mithilfe gezielter Abfragen und Gegenbeispiele selbst verfeinern können, was zu einer besseren Modelleffizienz führt.
Optimierung: Durchführung von Studien zur Verbesserung der Leistungsfähigkeit klassischer KI-Planungssysteme, um diese effektiver und zuverlässiger zu machen.
D. KI-Anwendungen in Prozessen und Systemen
Deklarative Prozesse: Einsatz von KI zur Optimierung von Prozessanalyse, -darstellung und -synthese für eine bessere Workflow-Automatisierung.
Multiagenten-Kollaboration: Erkundung der Herausforderungen und Chancen von Multiagentensystemen, insbesondere bei der Bewältigung komplexer Szenarien mit mehreren Zielen.
Anomalieerkennung: Mithilfe von KI werden ungewöhnliche Muster oder Abweichungen in Daten identifiziert, die auf Fehler, Betrug oder Systemausfälle hindeuten können. Dies umfasst Echtzeitüberwachung und prädiktive Analysen zur Verbesserung der Entscheidungsfindung und zur Aufrechterhaltung der Systemintegrität.
E. Universelle KI
Definition, Bewertung und Verbesserung von AGI: Zunehmender Fokus auf die Identifizierung von Grenzen und die Entwicklung standardisierter Lösungen für KI, die für verschiedene Aufgaben eingesetzt werden können.
Wichtige Methoden
A. Große Sprachmodelle
B. Bestärkendes Lernen
C. Multi-Agenten-Systeme
D. Computer Vision
Höhepunkte der Konferenz
1. Ethik und Fairness
Der Workshop „KI-Ethik aus verhaltenswissenschaftlicher Perspektive “ [2] untersuchte, wie KI-Systeme mit menschlichen Werten in Einklang gebracht werden können, wobei Fairness, die Reduzierung von Verzerrungen und Transparenz im Vordergrund standen. Er hob die Notwendigkeit hervor, über traditionelle Genauigkeitsmetriken hinauszugehen und Evaluierungsmethoden anzuwenden, die reale Herausforderungen widerspiegeln, wie beispielsweise patientenzentrierte Metriken im Gesundheitswesen. Der Workshop erörterte zudem die Bedeutung der Verhinderung von Datenlecks und der Implementierung robuster, multizentrischer Evaluierungsprozesse zur Gewährleistung der Zuverlässigkeit.
Ein weiterer wichtiger Beitrag war die Studie „Ethical AI Governance: Methods for Evaluating Trustworthy AI“ [3] , die KI-Evaluierungsmethoden in konzeptionelle, manuelle, halbautomatisierte und automatisierte Ansätze kategorisierte. Die Studie argumentierte, dass automatisierte Tools zwar Verzerrungen und Erklärbarkeitsprobleme effizient aufdecken können, die menschliche Aufsicht jedoch für differenzierte ethische Entscheidungen unerlässlich bleibt. Herausforderungen wie mangelnde Standardisierung und Inkonsistenzen bei Vertrauenswürdigkeitsbewertungen wurden ebenfalls thematisiert, wobei die Notwendigkeit einheitlicher Evaluierungsrahmen hervorgehoben wurde.
Darüber hinaus stellte die PEACE-Studie (Providing Explanations and Analysis for Combating Hate Expressions) [1] ein Webtool vor, das subtile und versteckte Hassrede erkennt, die von herkömmlichen Modellen oft übersehen wird. Durch die Integration von Visualisierungstools und erklärbaren KI-Techniken unterstützt PEACE Inhaltsmoderatoren dabei, explizite und implizite Hassrede auf Online-Plattformen besser zu verstehen und zu bekämpfen.
2. Nachhaltigkeit
Mehr (genug) ist besser: Die Studie „Towards Few-Shot Illegal Landfill Waste Segmentation“ [1] befasste sich mit der Herausforderung, illegale Abfalldeponien in Luftbildern mit minimalen annotierten Daten zu erkennen. Der vorgeschlagene Ansatz nutzte Few-Shot-Learning-Techniken und die Generierung synthetischer Daten, um die Erkennungsgenauigkeit zu verbessern und gleichzeitig den Bedarf an umfangreichen manuellen Annotationen zu minimieren. Diese Forschung verdeutlichte, wie KI effizient zur Bewältigung realer Umweltprobleme eingesetzt werden kann.
Eine weitere bedeutende Arbeit, Zero-Waste Machine Learning [1] , stellte einen nachhaltigkeitsorientierten Ansatz zur Optimierung von KI-Modellen vor. Die Autoren schlugen ein von den Prinzipien der Kreislaufwirtschaft inspiriertes Rahmenwerk vor, das die Wiederverwendung von Berechnungen und Wissen zur Steigerung der Modelleffizienz in den Mittelpunkt stellt. Zu den Schlüsseltechniken gehören bedingte Berechnungen, kontinuierliches Lernen und Ressourcenrecycling, wodurch sichergestellt wird, dass KI-Systeme ressourceneffizient bleiben, ohne Leistungseinbußen hinnehmen zu müssen.
Die umfassendere Herausforderung der Steuerung von Multiagenten- und Multi-Objektiv-Entscheidungsprozessen im Kontext der Nachhaltigkeit wurde in der Studie „Die Welt ist ein Multi-Objektiv-Multiagentensystem: Und jetzt?“ [1] untersucht . Diese Studie analysierte, wie KI widersprüchliche Prioritäten, wie beispielsweise den Ausgleich zwischen ökologischer Nachhaltigkeit und wirtschaftlichen Zielen, bewältigen kann. Durch die Integration von Erklärbarkeit und Transparenz in KI-Systeme zielte die Forschung darauf ab, das Vertrauen und die Akzeptanz in groß angelegten Entscheidungsanwendungen zu verbessern.
3. Aktives Lernen und Optimierung verbessern
Das Tutorial „Beyond Trial & Error: A Tutorial on Automated Reinforcement Learning“ [4] bot Einblicke in die Automatisierung von Reinforcement-Learning-Prozessen (RL). AutoRL-Methoden zielen darauf ab, traditionell manuelle Aufgaben wie die Hyperparameter-Optimierung und die Algorithmenauswahl zu vereinfachen und RL so zugänglicher und besser an reale Anwendungen anpassbar zu machen. Das Tutorial behandelte auch den Einfluss von Hyperparametern auf die Modellsensitivität und -leistung und unterstrich damit die Bedeutung automatisierter Optimierungstechniken.
Eine verwandte Studie, „Hyperparameter Importance Analysis for Multi-Objective AutoML“ [1] , untersuchte die Rolle der Hyperparameteroptimierung beim Ausgleich konkurrierender Ziele, wie z. B. Modellgenauigkeit und Rechenaufwand. Die Autoren stellten neuartige Analysetechniken vor, um die Hyperparameter mit dem größten Einfluss zu identifizieren und so wertvolle Erkenntnisse für die Optimierung multikriterieller KI-Modelle zu gewinnen.
Darüber hinaus führte die Studie „Survival of the Fittest: Evolutionary Adaptation of Policies for Environmental Shifts“ [1] einen evolutionären Ansatz für das Reinforcement Learning ein. Die Studie schlug die evolutionäre robuste Richtlinienoptimierung (ERPO) vor, eine Technik, die es KI-Modellen ermöglicht, sich an veränderliche Umgebungen anzupassen, ohne dass ein umfangreiches Nachtraining erforderlich ist. Diese Forschung ist relevant für Anwendungen, in denen KI-Systeme in dynamischen und unvorhersehbaren Umgebungen funktionieren müssen, wie beispielsweise in der Robotik und der Finanzmodellierung.
4. KI-Anwendungen in Prozessen und Systemen
Die Arbeit „Memory Adaptive and Spatially Specialized Model Ensembles for Industrial Anomaly Detection“ [1] stellte ein Framework vor, das mehrere spezialisierte Modelle dynamisch integriert, um Anomalien in industriellen Systemen zu erkennen. Durch die Kombination von Memory-Adaption und räumlicher Spezialisierung verbessert das Framework die Fähigkeit der KI, mit vielfältigen und sich verändernden Datenverteilungen umzugehen. Dieser Ansatz erwies sich in industriellen Anwendungen als äußerst effektiv, wo herkömmliche statische Modelle mit Konzeptdrift und sich ändernden Betriebsbedingungen zu kämpfen haben.
Eine weitere relevante Studie, Cascade Memory for Unsupervised Anomaly Detection [1] , befasste sich mit der Herausforderung der Übergeneralisierung in unüberwachten Modellen. Viele bestehende Anomalieerkennungsmethoden haben Schwierigkeiten, zwischen normalen und abnormalen Daten zu unterscheiden, was zu hohen Falsch-Positiv-Raten führt. Die vorgeschlagene Cascade-Memory-Architektur fokussiert sich stärker auf normale Muster und ermöglicht dem System gleichzeitig eine effektivere Isolierung von Anomalien. Die Methode erzielte auf verschiedenen Benchmark-Datensätzen, insbesondere in komplexen realen Szenarien, herausragende Ergebnisse.
Die Validierung von Anomalieerkennungsmodellen ohne gelabelte Daten wurde in „Towards Unsupervised Model Validation“ [1] behandelt . Diese Studie schlug die Verwendung eines möglichst diversen Modellensembles zur Evaluierung von Anomalieerkennungssystemen vor und nutzte korrelationsbasierte Ranking-Verfahren zur Beurteilung der Modellzuverlässigkeit. Durch die Bereitstellung eines strukturierten Ansatzes für die unüberwachte Validierung trug die Forschung dazu bei, die KI-gestützte Anomalieerkennung robuster und skalierbarer zu gestalten.
5. Universelle KI
Der Workshop „Sprachverständnis im Zeitalter der Mensch-Maschine “ [5] untersuchte die sich wandelnde Rolle großer Sprachmodelle (LLMs) in Anwendungen wie dialogorientierter KI und maschineller Übersetzung. Obwohl LLMs beeindruckende Fähigkeiten gezeigt haben, betonte der Workshop ihre Grenzen beim wirklichen Verständnis menschlicher Sprache, insbesondere in Kontexten, die tiefgreifendes Denken und Kontextbewusstsein erfordern.
Schließlich befasste sich die Arbeit „Caveats and Solutions for Characterizing General-Purpose AI“ [1] mit der umfassenderen Herausforderung, die Allgemeingültigkeit und Leistungsfähigkeit von allgemeiner KI zu messen. Die Autoren schlugen neue Benchmarking-Strategien vor, darunter Anpassungsfähigkeitstests, die die KI-Leistung bei vielfältigen und sich verändernden Aufgaben bewerten. Sie plädierten außerdem für interdisziplinäre Erkenntnisse aus Philosophie und Kognitionswissenschaft, um die Konzeption von allgemeiner KI zu verfeinern, und unterstrichen die Bedeutung von Transparenz und Erklärbarkeit bei der KI-Evaluierung.
Zusammenfassung
Die ECAI untersuchte Schlüsselthemen, die die Zukunft der KI prägen, darunter Ethik, Nachhaltigkeit, Optimierung und reale Anwendungen. Diskussionen über Ethik und Fairness betonten die Bedeutung transparenter, unvoreingenommener KI-Systeme, die mit menschlichen Werten im Einklang stehen.
Die Nachhaltigkeitsbemühungen konzentrierten sich auf die Reduzierung der Umweltauswirkungen von KI durch energieeffiziente Methoden und verantwortungsvolle Ressourcennutzung. Fortschritte im aktiven Lernen und in der Optimierung zeigten Techniken zur Automatisierung und Anpassung von KI-Systemen an dynamische Umgebungen. Im Bereich der angewandten KI wurden durch Prozessoptimierung und Innovationen bei der Entscheidungsfindung praktische Lösungen für industrielle und gesellschaftliche Herausforderungen präsentiert. Die Konferenz untersuchte auch die Komplexität der Allzweck-KI und betonte die Notwendigkeit von Anpassungsfähigkeit, Transparenz und interdisziplinärer Zusammenarbeit. Insgesamt unterstrich die ECAI die Entwicklung ethischer, effizienter und anpassungsfähiger KI-Systeme zur Bewältigung dringender globaler Herausforderungen.
Referenzen
[1] ECAI 2024 Proceedings – 27. Europäische Konferenz für Künstliche Intelligenz (ECAI), 19.–24. Oktober 2024, Santiago de Compostela, Spanien. IOS Press. Verfügbar unter: 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 – Implementierung von KI-Ethik aus verhaltenswissenschaftlicher Perspektive. ECAI 2024. Verfügbar unter: https://aieb-ecai2024.framer.ai/
[3] McCormack, L., & Bendechache, M. (2024) . Ethische KI-Governance: Methoden zur Bewertung vertrauenswürdiger KI. arXiv. Verfügbar unter: https://arxiv.org/abs/2409.07473
[4] ECAI 2024 AutoRL-Tutorial – Jenseits von Versuch und Irrtum: Ein Tutorial zum automatisierten Reinforcement Learning. Verfügbar unter: Link
[5] LUHME-Workshop, ECAI 2024 – Sprachverständnis im Zeitalter der Mensch-Maschine. Verfügbar unter: https://luhme.web.uah.es/
