Ved starten av året satte jeg mål og nøkkelresultater (OKR) for å drive min personlige og profesjonelle vekst. Jeg jobbet mot OKR-ene mine ved å bidra til et forskningsprosjekt, veilede og trene en praktikant i datavitenskap, utvidet kunnskapen min ved å lese 28 bøker og forbedre EFSET-eksamenspoengsummen min med 15 poeng for å kvalifisere min engelskkunnskaper. I tillegg utdypet jeg ekspertisen min innen maskinlæring for produksjon (MLOps) ved å fullføre en spesialisering med toppscore på tvers av flere kurs.
Som en anerkjennelse for disse prestasjonene hedret Galaksiya meg med muligheten til å delta på ECAI-konferansen, en prestisjefylt begivenhet som ga uvurderlig innsikt i de siste fremskrittene innen kunstig intelligens. Konferansen ble holdt i den fantastiske byen Santiago de Compostela, et sted som føltes som å gå tilbake i tid. Når jeg gikk gjennom brosteinsgatene og middelalderarkitekturen, føltes det som om jeg plutselig hadde teleportert til 14-tallet, mens jeg gikk gjennom sidene i en historiebok. Byens skjønnhet og rike arv gjorde denne opplevelsen enda mer uforglemmelig. I denne bloggen vil jeg dele min reise og viktige ting fra konferansen.
Den 27. europeiske konferansen om kunstig intelligens (ECAI)
ECAI ble holdt fra 19. til 24. oktober 2024, og samlet over 1,600 delegater fra det globale AI-forskningsmiljøet.
Konferansen hadde et omfattende program, inkludert presentasjoner av tekniske artikler, workshops, veiledninger, inviterte foredrag og spesielle sesjoner. I denne bloggen vil jeg gi et sammendrag av presentasjonene og veiledningene jeg deltok på under arrangementet. Alle artiklene er publisert i [1].
Nøkkeltemaer
A. Etikk og rettferdighet
Ansvarlighet i AI-systemer: Håndtering av risikoene forbundet med generell AI og etablering av mekanismer for å sikre sikker og etisk utrulling.
Misbruk av AI: Håndtering av etiske dilemmaer som ondsinnet bruk av AI, spesielt på sensitive områder som sosiale medier.
Rettferdighet og inkludering: Arbeide for rettferdig og proporsjonal representasjon i AI-drevne beslutningssystemer.
Forklarbarhet i AI: Sikre at AI-systemer er transparente og tolkbare for å fremme tillit og forståelse, slik at interessenter kan forstå hvordan beslutninger tas.
B. Bærekraft
Miljøpåvirkningen av AI: Anerkjennelse av det økende karbonavtrykket fra maskinlæringsprosesser og fremme bærekraftig praksis.
Effektiv ressursutnyttelse: Fokusert på å minimere ressurssløsing og forbedre effektiviteten til AI-systemer for å redusere miljøskader.
C. Forbedre aktiv læring og optimalisering
Aktiv læring: Utvikling av smartere algoritmer som kan forbedre seg selv ved hjelp av målrettede spørringer og moteksempler, noe som fører til bedre modelleffektivitet.
Optimalisering: Gjennomføre studier for å forbedre ytelsen til klassiske AI-planleggingssystemer, slik at de blir mer effektive og pålitelige.
D. AI-applikasjoner i prosesser og systemer
Deklarative prosesser: Bruk av kunstig intelligens for å optimalisere prosessutvinning, representasjon og syntese for bedre automatisering av arbeidsflyt.
Samarbeid mellom flere agenter: Utforsking av utfordringene og mulighetene ved systemer med flere agenter, spesielt når det gjelder å håndtere komplekse scenarier med flere mål.
Avviksdeteksjon: Bruk av kunstig intelligens til å identifisere uvanlige mønstre eller avvik i data som kan indikere feil, svindel eller systemfeil. Dette inkluderer sanntidsovervåking og prediktiv analyse for å forbedre beslutningstaking og opprettholde systemintegritet.
E. Generell AI
Definere, evaluere og forbedre AGI: Økende fokus på å identifisere begrensninger og foreslå standardiserte løsninger for AI som kan fungere på tvers av ulike oppgaver.
Nøkkelmetoder
A. Store språkmodeller
B. Forsterkende læring
C. Multiagentsystemer
D. Datasyn
Høydepunkter fra konferansen
1. Etikk og rettferdighet
Workshopen «Implementering av AI-etikk gjennom et atferdsperspektiv » [2] utforsket hvordan man kan samkjøre AI-systemer med menneskelige verdier, med vekt på rettferdighet, reduksjon av skjevheter og åpenhet. Den fremhevet behovet for å bevege seg utover tradisjonelle nøyaktighetsmålinger og ta i bruk evalueringsmetoder som gjenspeiler utfordringer i den virkelige verden, som pasientsentrerte målinger i helsevesenet. Workshopen diskuterte også viktigheten av å forhindre datalekkasje og implementere robuste evalueringsprosesser på tvers av flere sentre for å sikre pålitelighet.
Et annet bemerkelsesverdig bidrag var Ethical AI Governance: Methods for Evaluating Trustworthy AI [3] , som kategoriserte AI-evalueringsmetoder i konseptuelle, manuelle, semiautomatiserte og automatiserte tilnærminger. Artikkelen argumenterte for at selv om automatiserte verktøy effektivt kan oppdage skjevheter og problemer med forklaringsevne, er menneskelig tilsyn fortsatt avgjørende for nyansert etisk beslutningstaking. Utfordringer som mangel på standardisering og inkonsekvenser på tvers av pålitelighetsvurderinger ble også adressert, med vekt på behovet for enhetlige evalueringsrammeverk.
I tillegg introduserte PEACE-artikkelen (Providing Explanations and Analysis for Combating Hate Expressions) [1] et nettverktøy som er utviklet for å oppdage subtile og skjulte hatefulle ytringer som tradisjonelle modeller ofte overser. Ved å integrere visualiseringsverktøy og forklarbare AI-teknikker, hjelper PEACE innholdsmoderatorer med å bedre forstå og håndtere både eksplisitte og implisitte hatefulle ytringer på tvers av nettplattformer.
2. bærekraft
Mer (nok) er bedre: Mot segmentering av ulovlig deponi med få skudd [1] tok for seg utfordringen med å oppdage ulovlige avfallssteder i flybilder med minimale merkede data. Den foreslåtte tilnærmingen utnyttet læringsteknikker med få skudd og generering av syntetiske data for å forbedre deteksjonsnøyaktigheten samtidig som behovet for omfattende manuelle annoteringer minimeres. Denne forskningen understreket hvordan AI kan brukes til å håndtere miljøproblemer i den virkelige verden effektivt.
En annen viktig artikkel, Zero-Waste Machine Learning [1] , introduserte en bærekraftsdrevet tilnærming til optimalisering av AI-modeller. Forfatterne foreslo et rammeverk inspirert av prinsipper for sirkulærøkonomi, med fokus på gjenbruk av beregninger og kunnskap for å forbedre modelleffektiviteten. Viktige teknikker inkluderte betinget beregning, kontinuerlig læring og ressursgjenvinning, som sikrer at AI-systemer forblir ressurseffektive uten å ofre ytelse.
Den bredere utfordringen med å håndtere beslutningstaking med flere agenter og flere mål i bærekraftssammenhenger ble utforsket i The World is a Multi-Objective Multi-AgentSystem: Now What? [1] . Denne studien undersøkte hvordan AI kan håndtere motstridende prioriteringer, som å balansere miljømessig bærekraft med økonomiske mål. Ved å integrere forklarbarhet og åpenhet i AI-systemer, hadde forskningen som mål å forbedre tillit og adopsjon i storskala beslutningsapplikasjoner.
3. Forbedre aktiv læring og optimalisering
Veiledningen Beyond Trial & Error: A Tutorial on Automated Reinforcement Learning [4] ga innsikt i automatisering av reinforcement learning (RL)-prosesser. AutoRL-metoder tar sikte på å effektivisere tradisjonelt manuelle oppgaver, som hyperparameterjustering og algoritmevalg, noe som gjør RL mer tilgjengelig og tilpasningsdyktig til virkelige applikasjoner. Veiledningen dekket også effekten av hyperparametere på modellfølsomhet og ytelse, og forsterket viktigheten av automatiserte optimaliseringsteknikker.
En relatert studie, Hyperparameter Importance Analysis for Multi-Objective AutoML [1] , utforsket rollen til hyperparameterjustering i å balansere konkurrerende mål, som modellnøyaktighet kontra beregningskostnader. Forfatterne introduserte nye analyseteknikker for å identifisere hvilke hyperparametere som har størst innvirkning, noe som gir verdifull innsikt for optimalisering av flermålsbaserte AI-modeller.
I tillegg introduserte Survival of the Fittest: Evolutionary Adaptation of Policies for Environmental Shifts [1] en evolusjonsbasert tilnærming til forsterkningslæring. Studien foreslo Evolutionary Robust Policy Optimization (ERPO), en teknikk som gjør det mulig for AI-modeller å tilpasse seg skiftende miljøer uten å kreve omfattende omskolering. Denne forskningen har implikasjoner for applikasjoner der AI-systemer må fungere i dynamiske og uforutsigbare omgivelser, for eksempel robotikk og finansiell modellering.
4. AI-applikasjoner i prosesser og systemer
Artikkelen Memory Adaptive and Spatally Specialized Model Ensembles for Industrial Anomaly Detection [1] introduserte et rammeverk som dynamisk integrerer flere spesialiserte modeller for å oppdage anomalier i industrielle systemer. Ved å kombinere minnetilpasning med romlig spesialisering forbedrer rammeverket AIs evne til å håndtere mangfoldige og utviklende datadistribusjoner. Denne tilnærmingen viste seg å være svært effektiv i industrielle applikasjoner der tradisjonelle statiske modeller sliter med konseptdrift og skiftende driftsforhold.
En annen relevant studie, Cascade Memory for Unsupervised Anomaly Detection [1] , tok for seg utfordringen med overgeneralisering i uovervåkede modeller. Mange eksisterende metoder for anomalideteksjon sliter med å skille mellom normale og unormale data, noe som fører til høye falsk-positive rater. Den foreslåtte kaskademinnearkitekturen forbedrer fokuset på normale mønstre samtidig som systemet lar systemet isolere anomalier mer effektivt. Metoden demonstrerte toppmoderne ytelse på tvers av ulike referansedatasett, spesielt i komplekse virkelige scenarier.
Validering av anomalideteksjonsmodeller uten merkede data ble behandlet i Towards Unsupervised Model Validation [1] . Denne studien foreslo bruk av et "nøyaktig mangfoldig" ensemble av modeller for å evaluere anomalideteksjonssystemer, ved å utnytte korrelasjonsbaserte rangeringsteknikker for å vurdere modellens pålitelighet. Ved å tilby en strukturert tilnærming til uovervåket validering bidro forskningen til å gjøre AI-drevet anomalideteksjon mer robust og skalerbar.
5. Generell AI
Workshopen Språkforståelse i menneske-maskin-æraen [5] utforsket den utviklende rollen til store språkmodeller (LLM-er) i applikasjoner som konversasjonsbasert AI og maskinoversettelse. Selv om LLM-er har vist imponerende evner, understreket workshopen deres begrensninger i å virkelig forstå menneskelig språk, spesielt i kontekster som krever dyp resonnering og kontekstuell bevissthet.
Til slutt tok artikkelen Caveats and Solutions for Characterizing General-Purpose AI [1] opp den bredere utfordringen med å måle GPAIs generalitet og kapasitet. Forfatterne foreslo nye benchmarkingstrategier, inkludert tilpasningstester som vurderer AI-ytelse på tvers av ulike og skiftende oppgaver. De tok også til orde for tverrfaglig innsikt fra filosofi og kognitiv vitenskap for å forbedre konseptualiseringen av GPAI, og forsterke viktigheten av åpenhet og forklarbarhet i AI-evaluering.
Sammendrag
ECAI utforsket nøkkeltemaer som former fremtiden til kunstig intelligens, inkludert etikk, bærekraft, optimalisering og applikasjoner i den virkelige verden. Diskusjoner om etikk og rettferdighet understreket viktigheten av transparente, objektive AI-systemer som stemmer overens med menneskelige verdier.
Bærekraftsinnsatsen fokuserte på å redusere AIs miljøpåvirkning gjennom energieffektive metoder og ansvarlig ressursbruk. Fremskritt innen aktiv læring og optimalisering fremhevet teknikker for å automatisere og tilpasse AI-systemer til dynamiske miljøer. Innen anvendt AI viste prosessoptimalisering og beslutningstaking innovasjoner praktiske løsninger for industrielle og samfunnsmessige utfordringer. Konferansen undersøkte også kompleksiteten til generell AI, og understreket behovet for tilpasningsevne, åpenhet og tverrfaglig samarbeid. Totalt sett understreket ECAI utviklingen av etiske, effektive og tilpasningsdyktige AI-systemer for å møte presserende globale utfordringer.
Referanser
[1] ECAI 2024-forhandlinger – 27. europeiske konferanse om kunstig intelligens (ECAI), 19.–24. oktober 2024, Santiago de Compostela, Spania. IOS Press. Tilgjengelig 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 av AI-etikk gjennom et atferdsperspektiv. ECAI 2024. Tilgjengelig på: https://aieb-ecai2024.framer.ai/
[3] McCormack, L., og Bendechache, M. (2024) . Etisk styring av kunstig intelligens: Metoder for å evaluere pålitelig kunstig intelligens. arXiv. Tilgjengelig på: https://arxiv.org/abs/2409.07473
[4] ECAI 2024 AutoRL-opplæring – Utover prøving og feiling: En veiledning om automatisert forsterkningslæring. Tilgjengelig på: Lenke
[5] LUHME-workshop, ECAI 2024 – Språkforståelse i menneske-maskin-æraen. Tilgjengelig på: https://luhme.web.uah.es/
