Жылдың басында мен өзімнің жеке және кәсіби өсуім үшін мақсаттар мен негізгі нәтижелерді (OKR) қойдым. Мен өзімнің OKR-де ғылыми жобаға үлес қосып, интернге тәлімгерлік және деректер ғылымы бойынша оқыту, 28 кітап оқу арқылы білімімді кеңейту және ағылшын тілін білу деңгейін анықтау үшін EFSET емтиханындағы ұпайымды 15 ұпайға жақсарту арқылы жұмыс істедім. Сонымен қатар, мен бірнеше курстар бойынша ең жоғары ұпай жинаған мамандандыруды аяқтау арқылы өндіріске арналған машиналық оқыту (MLOps) бойынша тәжірибемді тереңдетдім.
Осы жетістіктерді мойындай отырып, Галаксия мені жасанды интеллекттің соңғы жетістіктері туралы баға жетпес түсініктер беретін беделді іс-шара ECAI конференциясына қатысу мүмкіндігімен марапаттады. Конференция Сантьяго-де-Компостела қаласында өтті. Оның тас көшелері мен ортағасырлық сәулет өнерімен серуендеп отырып, тарих кітабының беттерін аралай отырып, мен кенеттен 14 ғасырға телепортацияланғандай болдым. Қаланың сұлулығы мен бай мұрасы бұл әсерді одан да ұмытылмастай етті. Бұл блогта мен өз сапарыммен және конференцияның негізгі қорытындыларымен бөлісемін.
Жасанды интеллект бойынша 27-ші Еуропалық конференция (ECAI)
ECAI 19 жылғы 24-2024 қазан аралығында өтті және жаһандық AI зерттеу қауымдастығының 1,600-ден астам делегаттарын біріктірді.
Конференцияда техникалық баяндамалар, шеберлік сабақтары, оқулықтар, шақырылған баяндамалар және арнайы сессиялар сияқты кешенді бағдарлама ұсынылды. Бұл блогта мен іс-шара барысында қатысқан презентациялар мен оқулықтардың қысқаша мазмұнын ұсынамын. Барлық мақалалар [1] сайтында жарияланған.
Негізгі тақырыптар
A. Этика және әділдік
Жасанды интеллект жүйелеріндегі есеп беру: Жалпы мақсаттағы жасанды интеллектпен байланысты тәуекелдерді жою және қауіпсіз және этикалық орналастыруды қамтамасыз ету тетіктерін жасау.
Жасанды интеллектті дұрыс пайдаланбау: Әсіресе әлеуметтік желілер сияқты сезімтал салаларда жасанды интеллектті зиянды пайдалану сияқты этикалық дилеммаларды шешу.
Әділдік және инклюзивтілік: Жасанды интеллектке негізделген шешім қабылдау жүйелерінде әділ және пропорционалды өкілдікті жақтау.
Жасанды интеллекттегі түсіндірмелілік: Жасанды интеллект жүйелерінің ашық және түсіндірілетін болуын қамтамасыз ету, сенім мен түсіністікті нығайту, мүдделі тараптарға шешімдердің қалай қабылданатынын түсінуге мүмкіндік беру.
B. Тұрақтылық
Жасанды интеллекттің қоршаған ортаға әсері: Машиналық оқыту процестерінің көміртегі ізінің артуын мойындау және тұрақты тәжірибелерді ілгерілету.
Ресурстарды тиімді пайдалану: Қоршаған ортаға келтіретін зиянды азайту үшін ресурстарды үнемдеуге және жасанды интеллект жүйелерінің тиімділігін арттыруға бағытталған.
C. Белсенді оқыту мен оңтайландыруды арттыру
Белсенді оқыту: Мақсатты сұраныстар мен қарсы мысалдарды қолдана отырып, өздерін жетілдіре алатын ақылды алгоритмдерді әзірлеу, бұл модель тиімділігін арттыруға әкеледі.
Оңтайландыру: Классикалық жасанды интеллект жоспарлау жүйелерінің жұмысын жақсарту, оларды тиімдірек және сенімді ету үшін зерттеулер жүргізу.
D. Процестер мен жүйелердегі AI қолданбалары
Декларативті процестер: жұмыс процесін жақсы автоматтандыру үшін процестерді өндіруді, көрсетуді және синтездеуді оңтайландыру үшін жасанды интеллектті пайдалану.
Көп агентті ынтымақтастық: Көп агентті жүйелердің қиындықтары мен мүмкіндіктерін, әсіресе күрделі, көп мақсатты сценарийлерді шешуде зерттеу.
Аномалияны анықтау: Қателерді, алаяқтықты немесе жүйенің істен шығуын көрсетуі мүмкін деректердегі ерекше үлгілерді немесе ауытқуларды анықтау үшін жасанды интеллектті пайдалану. Бұған шешім қабылдауды жақсарту және жүйенің тұтастығын сақтау үшін нақты уақыт режиміндегі мониторинг және болжамды аналитика кіреді.
E. Жалпы мақсаттағы АИ
AGI анықтау, бағалау және жетілдіру: Әртүрлі тапсырмаларды орындай алатын жасанды интеллект үшін шектеулерді анықтауға және стандартталған шешімдерді ұсынуға көбірек көңіл бөлу.
Негізгі әдістер
A. Үлкен тілдік модельдер
B. Оқытуды күшейту
C. Көп агенттік жүйелер
D. Компьютерлік көру
Конференцияның маңызды сәттері
1. Этика және әділдік
«Жасанды интеллект этикасын мінез-құлық линзасы арқылы енгізу» [ 2] семинарында жасанды интеллект жүйелерін адами құндылықтармен қалай үйлестіру керектігі қарастырылды, әділдікке, бейімділікті азайтуға және ашықтыққа баса назар аударылды. Онда дәстүрлі дәлдік көрсеткіштерінен тыс шығып, денсаулық сақтау саласындағы пациентке бағытталған көрсеткіштер сияқты нақты әлемдегі қиындықтарды көрсететін бағалау әдістерін қабылдау қажеттілігі атап өтілді. Семинарда сонымен қатар деректердің ағып кетуіне жол бермеу және сенімділікті қамтамасыз ету үшін сенімді көп орталықты бағалау процестерін енгізудің маңыздылығы талқыланды.
Тағы бір маңызды үлес «Этикалық жасанды интеллектті басқару: сенімді жасанды интеллектті бағалау әдістері» [3] болды , онда жасанды интеллектті бағалау әдістері тұжырымдамалық, қолмен басқарылатын, жартылай автоматтандырылған және автоматтандырылған тәсілдерге жіктелген. Мақалада автоматтандырылған құралдар бейтараптық пен түсіндірмелілік мәселелерін тиімді анықтай алатыны айтылғанымен, этикалық шешімдер қабылдаудың нәзіктігі үшін адамның бақылауы маңызды болып қала беретіні айтылған. Стандарттаудың болмауы және сенімділікті бағалаудағы сәйкессіздіктер сияқты қиындықтар да қарастырылып, бірыңғай бағалау шеңберлерінің қажеттілігі атап өтілді.
Сонымен қатар, PEACE (Жеккөрушілік көріністерімен күресу үшін түсіндірмелер мен талдаулар беру) [1] мақаласында дәстүрлі модельдер жиі назардан тыс қалдыратын жасырын және жасырын жеккөрушілік сөздерді анықтауға арналған веб-құрал ұсынылды. Визуализация құралдары мен түсіндірілетін жасанды интеллект әдістерін біріктіру арқылы PEACE контент модераторларына онлайн платформалардағы ашық және жасырын жеккөрушілік сөздерді жақсы түсінуге және шешуге көмектеседі.
2. Тұрақтылық
«Көбірек (жеткілікті) жақсырақ: аз кадрлы заңсыз қоқыс полигонының қалдықтарын сегменттеуге қарай» [1] зерттеуі әуеден түсірілген суреттерде заңсыз қалдықтар орындарын минималды белгіленген деректермен анықтау мәселесін шешті. Ұсынылған тәсілде аз кадрлы оқыту әдістері мен синтетикалық деректерді жасау пайдаланылды, бұл анықтау дәлдігін жақсартуға мүмкіндік берді, сонымен бірге кең ауқымды қолмен аннотациялау қажеттілігін азайтты. Бұл зерттеу нақты әлемдегі экологиялық мәселелерді тиімді шешу үшін жасанды интеллектті қалай пайдалануға болатынын көрсетті.
Тағы бір маңызды мақала, «Қалдықсыз машиналық оқыту» [1] , жасанды интеллект моделін оңтайландыруға тұрақтылыққа бағытталған тәсілді ұсынды. Авторлар модель тиімділігін арттыру үшін есептеулер мен білімді қайта пайдалануға бағытталған айналмалы экономика қағидаттарынан шабыттанған құрылымды ұсынды. Негізгі әдістерге шартты есептеу, үздіксіз оқыту және ресурстарды қайта өңдеу кірді, бұл жасанды интеллект жүйелерінің өнімділігін төмендетпей ресурстарды тиімді пайдалануын қамтамасыз етеді.
Тұрақтылық контекстінде көп агентті және көп мақсатты шешім қабылдауды басқарудың кең ауқымды мәселесі « Әлем – көп мақсатты көп агентті жүйе: енді не болады?» [1] кітабында қарастырылды. Бұл зерттеуде жасанды интеллекттің қоршаған ортаның тұрақтылығын экономикалық мақсаттармен теңестіру сияқты қарама-қайшы басымдықтарды қалай шеше алатыны қарастырылды. Жасанды интеллект жүйелеріне түсіндірмелілік пен ашықтықты біріктіру арқылы зерттеу ауқымды шешім қабылдау қолданбаларында сенімділік пен қабылдауды жақсартуға бағытталған.
3. Белсенді оқыту мен оңтайландыруды арттыру
«Сынақ пен қателіктен тыс: Автоматтандырылған күшейту бойынша оқыту» [4] оқулығында күшейту бойынша оқыту (RL) процестерін автоматтандыру туралы түсініктер берілген. AutoRL әдістері гиперпараметрді баптау және алгоритмді таңдау сияқты дәстүрлі қолмен орындалатын тапсырмаларды жеңілдетуге бағытталған, бұл RL-ді нақты әлемдегі қолданбаларға қолжетімді және бейімделгіш етеді. Оқулықта сонымен қатар гиперпараметрлердің модель сезімталдығы мен өнімділігіне әсері қарастырылып, автоматтандырылған оңтайландыру әдістерінің маңыздылығын атап өтті.
«Көп мақсатты автомультимедиалық ML үшін гиперпараметрдің маңыздылығын талдау» [1] атты зерттеуде модельдің дәлдігі мен есептеу құны сияқты бәсекелес мақсаттарды теңестірудегі гиперпараметрді баптаудың рөлі зерттелді. Авторлар қай гиперпараметрлердің ең маңызды әсер ететінін анықтау үшін жаңа талдау әдістерін енгізді, бұл көп мақсатты жасанды интеллект модельдерін оңтайландыру үшін құнды түсініктер берді.
Сонымен қатар, «Қажеттілердің өмір сүруі: қоршаған ортаның өзгеруіне арналған саясаттың эволюциялық бейімделуі» [1] эволюциялық негізделген оқыту тәсілін енгізді. Зерттеуде жасанды интеллект модельдеріне кең көлемді қайта даярлауды қажет етпей, өзгермелі ортаға бейімделуге мүмкіндік беретін эволюциялық сенімді саясатты оңтайландыру (ERPO) әдісі ұсынылды. Бұл зерттеу жасанды интеллект жүйелері робототехника және қаржылық модельдеу сияқты динамикалық және болжанбайтын жағдайларда жұмыс істеуі керек қолданбаларға әсер етеді.
4. Процестер мен жүйелердегі AI қолданбалары
«Өнеркәсіптік аномалияларды анықтауға арналған жадқа бейімделгіш және кеңістіктік мамандандырылған модельдер жиынтығы» [1] атты мақалада өнеркәсіптік жүйелердегі ауытқуларды анықтауға арналған бірнеше мамандандырылған модельдерді динамикалық түрде біріктіретін құрылым енгізілді. Жадқа бейімделуді кеңістіктік мамандандырумен біріктіру арқылы құрылым жасанды интеллекттің әртүрлі және дамып келе жатқан деректерді таратуды өңдеу мүмкіндігін арттырады. Бұл тәсіл дәстүрлі статикалық модельдер тұжырымдамалардың ауытқуымен және жұмыс жағдайларының өзгеруімен күресетін өнеркәсіптік қолданбаларда өте тиімді болып шықты.
Тағы бір өзекті зерттеу, Бақыланбайтын аномалияны анықтауға арналған каскадты жад [1] , бақылаусыз модельдердегі шамадан тыс жалпылау мәселесін шешті. Көптеген қолданыстағы аномалияны анықтау әдістері қалыпты және қалыптан тыс деректерді ажыратуда қиындықтарға тап болады, бұл жоғары жалған оң нәтижелерге әкеледі. Ұсынылған каскадты жад архитектурасы жүйеге аномалияларды тиімдірек оқшаулауға мүмкіндік бере отырып, қалыпты үлгілерге назар аударуды нақтылайды. Әдіс әртүрлі эталондық деректер жиынтықтарында, әсіресе күрделі нақты әлемдегі сценарийлерде заманауи өнімділікті көрсетті.
Белгіленген деректерсіз аномалияны анықтау модельдерін валидациялау « Бақыланбайтын модельді валидациялауға қарай» [1] мақаласында қарастырылды . Бұл зерттеу модельдің сенімділігін бағалау үшін корреляцияға негізделген рейтинг әдістерін пайдалана отырып, аномалияны анықтау жүйелерін бағалау үшін «дәл әртүрлі» модельдер ансамблін пайдалануды ұсынды. Бақыланбайтын валидацияға құрылымдық тәсілді ұсыну арқылы зерттеу жасанды интеллект басқаратын аномалияны анықтауды сенімдірек және масштабталатын етуге ықпал етті.
5. Жалпы мақсаттағы АИ
«Адам-машиналық дәуірдегі тілді түсіну» [5] семинарында үлкен тілдік модельдердің (LLM) сөйлесу жасанды интеллекті және машиналық аударма сияқты қолданбалардағы дамып келе жатқан рөлі зерттелді. LLM-дер таңғажайып мүмкіндіктерді көрсеткенімен, семинарда адам тілін шынымен түсінудегі, әсіресе терең ойлау мен контексттік хабардарлықты қажет ететін контексттерде олардың шектеулері атап өтілді.
Соңында, «Жалпы мақсаттағы жасанды интеллектті сипаттауға арналған ескертулер мен шешімдер» [1] атты мақалада GPAI-дің жалпылығы мен мүмкіндігін өлшеудің кең ауқымды мәселесі қарастырылды. Авторлар әртүрлі және өзгермелі тапсырмалар бойынша жасанды интеллекттің өнімділігін бағалайтын бейімделу тесттерін қоса алғанда, жаңа бенчмаркинг стратегияларын ұсынды. Олар сондай-ақ GPAI тұжырымдамасын жетілдіру үшін философия мен когнитивтік ғылымнан пәнаралық түсініктерді қолдауды, жасанды интеллектті бағалаудағы ашықтық пен түсіндірмеліктің маңыздылығын күшейтуді жақтады.
қысқаша мазмұндама
ECAI AI болашағын қалыптастыратын негізгі тақырыптарды, соның ішінде этиканы, тұрақтылықты, оңтайландыруды және нақты әлемдегі қолданбаларды зерттеді. Этика және әділеттілік туралы талқылаулар адами құндылықтарға сәйкес келетін мөлдір, бейтарап AI жүйелерінің маңыздылығын атап өтті.
Тұрақты даму күш-жігері энергияны үнемдейтін әдістер мен ресурстарды жауапты пайдалану арқылы AI-ның қоршаған ортаға әсерін азайтуға бағытталған. Белсенді оқыту мен оңтайландырудағы жетістіктер AI жүйелерін динамикалық орталарға автоматтандыру және бейімдеу әдістерін атап өтті. Қолданбалы AI-да процесті оңтайландыру және шешім қабылдау инновациялары өндірістік және әлеуметтік мәселелерге арналған практикалық шешімдерді көрсетті. Конференция сондай-ақ бейімділік, ашықтық және пәнаралық ынтымақтастық қажеттілігін атап өтіп, жалпы мақсаттағы AI-ның күрделі мәселелерін қарастырды. Жалпы, ECAI өзекті жаһандық мәселелерді шешу үшін этикалық, тиімді және бейімделетін AI жүйелерінің дамуын атап өтті.
Әдебиеттер тізімі
[1] ECAI 2024 материалдары – Жасанды интеллект бойынша 27-ші Еуропалық конференция (ECAI), 2024 жылғы 19-24 қазан, Сантьяго-де-Компостела, Испания. IOS Press. Қолжетімді мекенжайы: 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 семинары – Жасанды интеллект этикасын мінез-құлық тұрғысынан енгізу. ECAI 2024. Қолжетімді сілтеме: https://aieb-ecai2024.framer.ai/
[3] МакКормак, Л., және Бендечаче, М. (2024) . Этикалық жасанды интеллектті басқару: сенімді жасанды интеллектті бағалау әдістері. arXiv. Қолжетімді жерде: https://arxiv.org/abs/2409.07473
[4] ECAI 2024 AutoRL оқулығы – Сынақ және қателіктен тыс: Автоматтандырылған күшейту бойынша оқыту бойынша оқулық. Қолжетімді сілтеме :
[5] LUHME шеберханасы, ECAI 2024 – Адам-машиналық дәуірдегі тілді түсіну. Қолжетімді: https://luhme.web.uah.es/
