Az év elején célokat és kulcsfontosságú eredményeket (OKR) tűztem ki személyes és szakmai fejlődésem előmozdítása érdekében. Az OKR-eim eléréséhez hozzájárultam egy kutatási projekthez, egy adattudományi gyakornok mentorálásával és képzésével, 28 könyv elolvasásával bővítettem tudásomat és 15 ponttal javítottam az EFSET vizsgapontszámomat, hogy minősítsem angol nyelvtudásomat. Emellett elmélyítettem a termelési gépi tanulás (MLOps) terén szerzett szakértelmemet egy szakirány elvégzésével, több kurzuson is legmagasabb pontszámokkal.
Ezen eredmények elismeréseként a Galaksiya megtisztelt azzal a lehetőséggel, hogy részt vehetek az ECAI konferencián, egy rangos eseményen, amely felbecsülhetetlen értékű betekintést nyújtott a mesterséges intelligencia legújabb vívmányaiba. A konferenciát Santiago de Compostela lélegzetelállító városában tartották, olyan helyen, ahol úgy érezték, mintha vissza kellene lépni az időben. A macskaköves utcákon és a középkori építészeten sétálva olyan érzésem volt, mintha egy történelemkönyv lapjain sétálva hirtelen a 14. századba teleportáltam volna. A város szépsége és gazdag öröksége ezt az élményt még felejthetetlenebbé tette. Ebben a blogban megosztom az utazásomat és a konferencia legfontosabb tudnivalókat.
A Mesterséges Intelligenciával foglalkozó 27. Európai Konferencia (ECAI)
Az ECAI-t 19. október 24. és 2024. között tartották, és a globális mesterségesintelligencia-kutatói közösség több mint 1,600 delegáltja jött össze.
A konferencia átfogó programot tartalmazott, beleértve a technikai papírok prezentációit, workshopokat, oktatóanyagokat, meghívott előadásokat és speciális üléseket. Ebben a blogban összefoglalom azokat a prezentációkat és oktatóanyagokat, amelyeken az esemény során részt vettem. Az összes cikk a következő nyelven jelent meg [1].
Kulcstémák
A. Etika és tisztesség
Elszámoltathatóság az AI-rendszerekben: Az általános célú mesterséges intelligenciával kapcsolatos kockázatok kezelése és mechanizmusok létrehozása a biztonságos és etikus telepítés biztosítására.
AI visszaélés: Az olyan etikai dilemmák kezelése, mint a mesterséges intelligencia rosszindulatú használata, különösen az olyan érzékeny területeken, mint a közösségi média.
Méltányosság és inkluzivitás: Támogatja a méltányos és arányos képviseletet az AI-vezérelt döntéshozatali rendszerekben.
Magyarázat az AI-ban: Az AI-rendszerek átláthatóságának és értelmezhetőségének biztosítása a bizalom és a megértés elősegítése érdekében, lehetővé téve az érdekelt felek számára, hogy megértsék a döntések meghozatalát.
B. Fenntarthatóság
Az AI környezeti hatásai: A gépi tanulási folyamatok növekvő szénlábnyomának elismerése és a fenntartható gyakorlatok előmozdítása.
Hatékony erőforrás-felhasználás: Az erőforrás-pazarlás minimalizálására és az AI-rendszerek hatékonyságának javítására összpontosít a környezeti ártalmak csökkentése érdekében.
C. Az aktív tanulás és optimalizálás javítása
Aktív tanulás: Intelligensebb algoritmusok fejlesztése, amelyek célzott lekérdezések és ellenpéldák segítségével finomíthatják magukat, ami jobb modellhatékonyságot eredményez.
Optimalizálás: Tanulmányok készítése a klasszikus mesterséges intelligencia tervezési rendszerek teljesítményének javítására, hatékonyabbá és megbízhatóbbá tételükre.
D. AI-alkalmazások folyamatokban és rendszerekben
Deklaratív eljárások: AI használata a folyamatbányászat, a reprezentáció és a szintézis optimalizálására a jobb munkafolyamat-automatizálás érdekében.
Több ügynök együttműködése: A többügynökös rendszerek kihívásainak és lehetőségeinek feltárása, különösen összetett, többcélú forgatókönyvek megoldása során.
Anomália észlelése: A mesterséges intelligencia kihasználása olyan szokatlan minták vagy eltérések azonosítására az adatokban, amelyek hibákra, csalásra vagy rendszerhibákra utalhatnak. Ez magában foglalja a valós idejű megfigyelést és a prediktív elemzést a döntéshozatal javítása és a rendszer integritásának megőrzése érdekében.
E. Általános célú mesterséges intelligencia
Az AGI meghatározása, értékelése és fejlesztése: Egyre nagyobb hangsúlyt kap a korlátok azonosítása és olyan szabványos megoldások javaslata az AI számára, amelyek különféle feladatokon keresztül működhetnek.
Kulcsmódszerek
A. Nagy nyelvi modellek
B. Megerősítő tanulás
C. Többügynök-rendszerek
D. Számítógépes látás
Fénypontok a konferenciáról
1. Etika és tisztesség
Az A mesterséges intelligencia etikájának megvalósítása viselkedési lencsén keresztül[2] A műhely azt vizsgálta, hogyan lehet összehangolni az AI-rendszereket az emberi értékekkel, hangsúlyozva a méltányosságot, az elfogultság csökkentését és az átláthatóságot. Kiemelte, hogy túl kell lépni a hagyományos pontossági mérőszámokon, és olyan értékelési módszereket kell alkalmazni, amelyek tükrözik a valós kihívásokat, például a betegközpontú mérőszámokat az egészségügyben. A munkaértekezleten megvitatták az adatszivárgás megelőzésének fontosságát és a megbízhatóság biztosítása érdekében robusztus, többközpontú értékelési folyamatok bevezetését.
Egy másik figyelemre méltó hozzájárulás volt Etikus mesterségesintelligencia-irányítás: Módszerek a megbízható mesterségesintelligencia értékelésére[3] , amely az AI-értékelési módszereket fogalmi, kézi, félautomata és automatizált megközelítésekre kategorizálta. A cikk azzal érvelt, hogy bár az automatizált eszközök hatékonyan képesek észlelni az elfogultságot és a magyarázhatósági problémákat, az emberi felügyelet továbbra is elengedhetetlen az árnyalt etikus döntéshozatalhoz. Az olyan kihívásokkal is foglalkoztak, mint a szabványosítás hiánya és a megbízhatósági értékelések közötti következetlenségek, hangsúlyozva az egységes értékelési keretek szükségességét.
Ezen túlmenően, a PEACE (magyarázat és elemzés a gyűlöletkifejezések elleni küzdelemhez)[1] A papír egy webes eszközt mutatott be, amely a finom és rejtett gyűlöletbeszéd kimutatására szolgál, amelyet a hagyományos modellek gyakran figyelmen kívül hagynak. A vizualizációs eszközök és a megmagyarázható mesterséges intelligencia technikák integrálásával a PEACE segít a tartalommoderátoroknak jobban megérteni és kezelni a nyílt és burkolt gyűlöletbeszédet az online platformokon.
2. Fenntarthatóság
A több (elég) jobb: a kevés lövésű illegális hulladéklerakó-hulladék-szegmentálás felé[1] foglalkozott az illegális hulladéklerakók légifelvételeken történő kimutatásának kihívásával, minimális címkézett adattal. A javasolt megközelítés néhány lépéses tanulási technikákat és szintetikus adatgenerálást használt az észlelési pontosság javítása érdekében, miközben minimálisra csökkentette a kiterjedt kézi megjegyzések szükségességét. Ez a kutatás rávilágított arra, hogy a mesterséges intelligencia hogyan használható a valós környezeti problémák hatékony kezelésére.
Egy másik jelentős lap, Zero-Waste Machine Learning[1] , fenntarthatóság-vezérelt megközelítést vezetett be az AI-modell-optimalizálásban. A szerzők egy olyan keretrendszert javasoltak, amelyet a körkörös gazdaság elvei inspiráltak, és a számítások és a tudás újrafelhasználására összpontosítanak a modell hatékonyságának növelésére. A kulcsfontosságú technikák közé tartozik a feltételes számítás, a folyamatos tanulás és az erőforrások újrahasznosítása, amelyek biztosítják, hogy az AI-rendszerek erőforrás-hatékonyak maradjanak a teljesítmény feláldozása nélkül.
A többszereplős és többcélú döntéshozatal fenntarthatósági kontextusban történő menedzselésének tágabb kihívását tárták fel. A világ egy többcélú többügynökrendszer: most mi van?[1] . Ez a tanulmány azt vizsgálta, hogy a mesterséges intelligencia hogyan kezelheti az egymásnak ellentmondó prioritásokat, például a környezeti fenntarthatóság és a gazdasági célok közötti egyensúlyt. A magyarázhatóság és az átláthatóság AI-rendszerekbe való integrálásával a kutatás célja a bizalom és az elfogadottság javítása volt a nagyszabású döntéshozó alkalmazásokban.
3. Az aktív tanulás és optimalizálás javítása
Az oktatóanyag a próbán és hibán túl: Oktatóanyag az automatizált megerősítéses tanulásról[4] betekintést nyújtott a megerősítési tanulási (RL) folyamatok automatizálásába. Az AutoRL metódusok célja a hagyományosan manuális feladatok egyszerűsítése, mint például a hiperparaméter-hangolás és az algoritmusok kiválasztása, ezáltal az RL-t elérhetőbbé és a valós alkalmazásokhoz adaptálhatóbbá teszik. Az oktatóanyag kitért a hiperparamétereknek a modell érzékenységére és teljesítményére gyakorolt hatására is, megerősítve az automatizált optimalizálási technikák fontosságát.
Egy kapcsolódó tanulmány, Hiperparaméterek fontosságának elemzése többcélú AutoML-hez[1], feltárta a hiperparaméter-hangolás szerepét a versengő célok, például a modell pontossága és a számítási költség egyensúlyában. A szerzők új elemzési technikákat vezettek be annak meghatározására, hogy mely hiperparamétereknek van a legjelentősebb hatása, értékes betekintést nyújtva a többcélú AI-modellek optimalizálásához.
Ezen kívül, A legalkalmasabbak túlélése: A politikák evolúciós adaptációja a környezeti változásokhoz[1] evolúciós alapú megközelítést vezetett be a megerősítő tanulásban. A tanulmány az Evolutionary Robust Policy Optimization (ERPO) technikát javasolta, amely lehetővé teszi, hogy az AI modellek alkalmazkodjanak a változó környezetekhez anélkül, hogy kiterjedt átképzésre lenne szükség. Ez a kutatás hatással van az olyan alkalmazásokra, ahol az AI-rendszereknek dinamikus és előre nem látható körülmények között kell működniük, mint például a robotika és a pénzügyi modellezés.
4. AI-alkalmazások folyamatokban és rendszerekben
A papír Memóriaadaptív és térben speciális modellegyüttesek az ipari anomáliák észleléséhez[1] olyan keretrendszert vezetett be, amely dinamikusan integrál több speciális modellt az ipari rendszerek anomáliáinak észlelésére. A memória-adaptáció és a térbeli specializáció kombinálásával a keretrendszer javítja az AI azon képességét, hogy képes kezelni a változatos és fejlődő adatelosztásokat. Ez a megközelítés rendkívül hatékonynak bizonyult az ipari alkalmazásokban, ahol a hagyományos statikus modellek koncepciósodródással és változó működési feltételekkel küszködnek.
Egy másik releváns tanulmány, Kaszkád memória a felügyelet nélküli anomáliák észleléséhez[1], megbirkózott a túlzott általánosítás kihívásával a nem felügyelt modellekben. Számos létező anomália-észlelési módszer nehezen tud különbséget tenni a normál és a kóros adatok között, ami magas téves pozitív arányhoz vezet. A javasolt kaszkád memória architektúra finomítja a normál mintákra való összpontosítást, miközben lehetővé teszi a rendszer számára az anomáliák hatékonyabb elkülönítését. A módszer a legkorszerűbb teljesítményt mutatta be különböző benchmark adatkészletekben, különösen összetett valós forgatókönyvek esetén.
A címkézett adatok nélküli anomália-észlelési modellek validálásával foglalkoztunk A felügyelet nélküli modellellenőrzés felé[1] . Ez a tanulmány egy "pontosan sokrétű" modell-együttes alkalmazását javasolta az anomália-észlelő rendszerek értékelésére, korrelációs alapú rangsorolási technikákat alkalmazva a modell megbízhatóságának értékelésére. A felügyelet nélküli validálás strukturált megközelítésével a kutatás hozzájárult a mesterséges intelligencia által vezérelt anomália-észlelés robusztusabbá és skálázhatóbbá tételéhez.
5. Általános célú mesterséges intelligencia
A műhely Nyelvértés az ember-gép korszakban[5] feltárta a nagy nyelvi modellek (LLM) fejlődő szerepét olyan alkalmazásokban, mint a társalgási AI és a gépi fordítás. Míg az LLM-ek lenyűgöző képességekről tettek tanúbizonyságot, a workshop hangsúlyozta korlátaikat az emberi nyelv valódi megértésében, különösen olyan összefüggésekben, amelyek mély érvelést és kontextuális tudatosságot igényelnek.
Végül a papír Figyelmeztetések és megoldások az általános célú mesterséges intelligencia jellemzésére[1] megbirkózott a GPAI általánosságának és képességének mérésével kapcsolatos tágabb kihívással. A szerzők új benchmarking stratégiákat javasoltak, köztük olyan alkalmazkodóképességi teszteket, amelyek értékelik a mesterséges intelligencia teljesítményét különböző és változó feladatokban. A filozófia és a kognitív tudomány interdiszciplináris meglátásait is támogatták a GPAI fogalmának finomítása érdekében, megerősítve az átláthatóság és a megmagyarázhatóság fontosságát az AI értékelésében.
Összegzésként
Az ECAI olyan kulcsfontosságú témákat tárt fel, amelyek az AI jövőjét alakítják, beleértve az etikát, a fenntarthatóságot, az optimalizálást és a valós alkalmazásokat. Az etikáról és a méltányosságról szóló megbeszélések hangsúlyozták az átlátható, elfogulatlan AI-rendszerek fontosságát, amelyek összhangban vannak az emberi értékekkel.
A fenntarthatósági erőfeszítések a mesterséges intelligencia környezeti hatásainak csökkentésére összpontosítottak energiahatékony módszerek és felelős erőforrás-használat révén. Az aktív tanulás és optimalizálás terén elért előrelépések rávilágítottak az AI-rendszerek automatizálására és dinamikus környezetekhez való adaptálására szolgáló technikákra. Az alkalmazott mesterséges intelligencia területén a folyamatoptimalizálás és a döntéshozatali innovációk gyakorlati megoldásokat mutattak be az ipari és társadalmi kihívásokra. A konferencia megvizsgálta az általános célú mesterséges intelligencia összetettségeit is, hangsúlyozva az alkalmazkodóképesség, az átláthatóság és az interdiszciplináris együttműködés szükségességét. Összességében az ECAI hangsúlyozta az etikus, hatékony és alkalmazkodó AI-rendszerek fejlesztését a sürgető globális kihívások kezelésére.
Referenciák
[1] ECAI 2024 Proceedings - 27. Európai Mesterséges Intelligencia Konferencia (ECAI), 19. október 24-2024., Santiago de Compostela, Spanyolország. IOS Press. Elérhető: 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 - A mesterséges intelligencia etikájának megvalósítása viselkedési lencsén keresztül. ECAI 2024. Elérhető: https://aieb-ecai2024.framer.ai/
[3] McCormack, L. és Bendechache, M. (2024). Etikus mesterségesintelligencia-irányítás: Módszerek a megbízható mesterségesintelligencia értékelésére. arXiv. Elérhető: https://arxiv.org/abs/2409.07473
[4] ECAI 2024 AutoRL oktatóanyag - Beyond Trial & Error: oktatóanyag az automatizált megerősítéses tanulásról. Elérhető: Link
[5] LUHME Workshop, ECAI 2024 - Nyelvértés az ember-gép korszakban. Elérhető: https://luhme.web.uah.es/
