Na początku roku ustaliłem cele i kluczowe wyniki (OKR), aby napędzać mój rozwój osobisty i zawodowy. Pracowałem nad moimi OKR-ami, przyczyniając się do projektu badawczego, mentoringu i szkolenia stażysty w zakresie nauki o danych, poszerzając swoją wiedzę poprzez przeczytanie 28 książek i poprawiając swój wynik egzaminu EFSET o 15 punktów, aby zakwalifikować moją biegłość w języku angielskim. Ponadto pogłębiłem swoją wiedzę specjalistyczną w zakresie uczenia maszynowego dla produkcji (MLOps), kończąc specjalizację z najwyższymi wynikami w wielu kursach.
W uznaniu tych osiągnięć Galaksiya zaszczyciła mnie możliwością wzięcia udziału w konferencji ECAI, prestiżowym wydarzeniu, które dostarczyło bezcennych spostrzeżeń na temat najnowszych osiągnięć w dziedzinie sztucznej inteligencji. Konferencja odbyła się w zapierającym dech w piersiach mieście Santiago de Compostela, miejscu, które sprawiało wrażenie cofnięcia się w czasie. Spacerując po jego brukowanych uliczkach i średniowiecznej architekturze, miałem wrażenie, jakbym nagle teleportował się do XIV wieku, przechadzając się po stronach książki historycznej. Piękno i bogate dziedzictwo miasta uczyniły to doświadczenie jeszcze bardziej niezapomnianym. W tym blogu podzielę się swoją podróżą i najważniejszymi wnioskami z konferencji.
27. Europejska Konferencja na temat Sztucznej Inteligencji (ECAI)
Konferencja ECAI odbyła się w dniach 19–24 października 2024 r. i zgromadziła ponad 1,600 delegatów ze światowej społeczności badawczej zajmującej się sztuczną inteligencją.
Konferencja obejmowała obszerny program, obejmujący prezentacje artykułów technicznych, warsztaty, samouczki, wykłady zaproszonych gości i sesje specjalne. W tym wpisie na blogu przedstawię podsumowanie prezentacji i samouczków, w których uczestniczyłem podczas wydarzenia. Wszystkie artykuły opublikowano w [1].
Główne tematy
A. Etyka i uczciwość
Odpowiedzialność w systemach sztucznej inteligencji: rozwiązywanie problemów związanych ze sztuczną inteligencją ogólnego przeznaczenia i tworzenie mechanizmów zapewniających bezpieczne i etyczne wdrażanie.
Nadużycia sztucznej inteligencji: rozwiązywanie dylematów etycznych, takich jak złośliwe wykorzystanie sztucznej inteligencji, zwłaszcza w tak wrażliwych obszarach jak media społecznościowe.
Sprawiedliwość i integracja: wspieranie równej i proporcjonalnej reprezentacji w systemach podejmowania decyzji opartych na sztucznej inteligencji.
Wyjaśnialność w sztucznej inteligencji: zadbanie o to, aby systemy sztucznej inteligencji były przejrzyste i interpretowalne w celu budowania zaufania i zrozumienia, umożliwiając interesariuszom zrozumienie sposobu podejmowania decyzji.
B. Zrównoważony rozwój
Wpływ sztucznej inteligencji na środowisko: uznanie rosnącego śladu węglowego procesów uczenia maszynowego i promowanie zrównoważonych praktyk.
Efektywne wykorzystanie zasobów: Skupienie się na minimalizacji marnotrawstwa zasobów i zwiększeniu efektywności systemów AI w celu ograniczenia szkód dla środowiska.
C. Ulepszanie aktywnego uczenia się i optymalizacji
Aktywne uczenie: opracowywanie inteligentniejszych algorytmów, które mogą udoskonalać się same, wykorzystując ukierunkowane zapytania i kontrprzykłady, co prowadzi do lepszej wydajności modelu.
Optymalizacja: prowadzenie badań mających na celu poprawę wydajności klasycznych systemów planowania opartych na sztucznej inteligencji, czyniąc je skuteczniejszymi i bardziej niezawodnymi.
D. Zastosowania AI w procesach i systemach
Procesy deklaratywne: wykorzystanie sztucznej inteligencji do optymalizacji eksploracji procesów, ich reprezentacji i syntezy w celu lepszej automatyzacji przepływu pracy.
Współpraca wieloagentowa: badanie wyzwań i możliwości systemów wieloagentowych, szczególnie w kontekście radzenia sobie ze złożonymi scenariuszami obejmującymi wiele celów.
Wykrywanie anomalii: Wykorzystanie sztucznej inteligencji do identyfikacji nietypowych wzorców lub odchyleń w danych, które mogą wskazywać na błędy, oszustwa lub awarie systemu. Obejmuje to monitorowanie w czasie rzeczywistym i analitykę predykcyjną w celu usprawnienia procesu decyzyjnego i utrzymania integralności systemu.
E. Sztuczna inteligencja ogólnego przeznaczenia
Definicja, ocena i udoskonalanie AGI: Coraz większy nacisk kładzie się na identyfikację ograniczeń i proponowanie standardowych rozwiązań dla sztucznej inteligencji, które mogą obsługiwać różne zadania.
Kluczowe metody
A. Duże modele językowe
B. Uczenie się przez wzmacnianie
C. Systemy wieloagentowe
D. Widzenie komputerowe
Najważniejsze wydarzenia z konferencji
1. Etyka i uczciwość
Warsztaty „Implementing AI Ethics Through a Behavioral Lens ” [2] omawiały, jak dostosować systemy AI do wartości ludzkich, kładąc nacisk na uczciwość, redukcję uprzedzeń i przejrzystość. Podkreślono potrzebę wyjścia poza tradycyjne wskaźniki dokładności i przyjęcia metod oceny odzwierciedlających rzeczywiste wyzwania, takie jak wskaźniki zorientowane na pacjenta w opiece zdrowotnej. Podczas warsztatów omówiono również znaczenie zapobiegania wyciekom danych i wdrażania solidnych, wieloośrodkowych procesów oceny w celu zapewnienia niezawodności.
Kolejnym godnym uwagi wkładem była publikacja „Ethical AI Governance: Methods for Evaluating Trustworthy AI” [3] , w której metody oceny AI podzielono na podejścia koncepcyjne, manualne, półautomatyczne i zautomatyzowane. W artykule argumentowano, że chociaż narzędzia automatyczne mogą skutecznie wykrywać błędy i problemy z wyjaśnialnością, nadzór ludzki pozostaje niezbędny dla niuansowego podejmowania decyzji etycznych. Poruszono również takie wyzwania, jak brak standaryzacji i niespójności w ocenach wiarygodności, podkreślając potrzebę ujednoliconych ram oceny.
Ponadto w dokumencie PEACE (Providing Explanations and Analysis for Combating Hate Expressions) [1] przedstawiono narzędzie internetowe przeznaczone do wykrywania subtelnej i ukrytej mowy nienawiści, którą tradycyjne modele często pomijają. Dzięki integracji narzędzi wizualizacyjnych i wyjaśnialnych technik sztucznej inteligencji, PEACE pomaga moderatorom treści lepiej rozumieć i reagować na jawną i ukrytą mowę nienawiści na platformach internetowych.
2. Zrównoważony rozwój
Więcej (wystarczająco) znaczy lepiej: W kierunku segmentacji odpadów z nielegalnych składowisk w oparciu o niewielką liczbę zdjęć [1] podjęto wyzwanie wykrywania nielegalnych składowisk odpadów na zdjęciach lotniczych z minimalną ilością oznaczonych danych. Proponowane podejście wykorzystało techniki uczenia się w oparciu o niewielką liczbę zdjęć i generowanie danych syntetycznych, aby poprawić dokładność wykrywania, minimalizując jednocześnie potrzebę stosowania obszernych adnotacji ręcznych. Badania te podkreśliły, jak sztuczna inteligencja może być wykorzystywana do efektywnego rozwiązywania rzeczywistych problemów środowiskowych.
Inny znaczący artykuł, Zero-Waste Machine Learning [1] , przedstawił podejście do optymalizacji modeli AI zorientowane na zrównoważony rozwój. Autorzy zaproponowali ramy inspirowane zasadami gospodarki o obiegu zamkniętym, koncentrując się na ponownym wykorzystaniu obliczeń i wiedzy w celu zwiększenia efektywności modelu. Kluczowe techniki obejmowały obliczenia warunkowe, ciągłe uczenie się i recykling zasobów, zapewniając, że systemy AI pozostają efektywne pod względem zasobów bez utraty wydajności.
Szersze wyzwanie związane z zarządzaniem wieloagentowym i wielocelowym procesem decyzyjnym w kontekście zrównoważonego rozwoju zostało zbadane w artykule „Świat to wielocelowy, wieloagentowy system: co teraz?” [1] . W badaniu tym zbadano, w jaki sposób sztuczna inteligencja może rozwiązywać konflikty priorytetów, takie jak równoważenie zrównoważonego rozwoju środowiska z celami ekonomicznymi. Poprzez integrację wyjaśnialności i przejrzystości w systemach sztucznej inteligencji, badania miały na celu zwiększenie zaufania i adopcji w aplikacjach do podejmowania decyzji na dużą skalę.
3. Ulepszanie aktywnego uczenia się i optymalizacji
W samouczku „Beyond Trial & Error: A Tutorial on Automated Reinforcement Learning” [4] przedstawiono informacje na temat automatyzacji procesów uczenia się przez wzmacnianie (RL). Metody AutoRL mają na celu usprawnienie tradycyjnie wykonywanych ręcznie zadań, takich jak dostrajanie hiperparametrów i wybór algorytmów, czyniąc RL bardziej przystępnym i adaptowalnym do rzeczywistych zastosowań. W samouczku omówiono również wpływ hiperparametrów na czułość i wydajność modelu, podkreślając znaczenie zautomatyzowanych technik optymalizacji.
Powiązane badanie, zatytułowane „Analiza znaczenia hiperparametrów dla wielokryterialnego AutoML ” [1] , zbadało rolę dostrajania hiperparametrów w równoważeniu konkurujących ze sobą celów, takich jak dokładność modelu i koszt obliczeniowy. Autorzy przedstawili nowe techniki analizy, aby zidentyfikować hiperparametry o największym wpływie, dostarczając cennych informacji na temat optymalizacji wielokryterialnych modeli sztucznej inteligencji.
Ponadto w publikacji Survival of the Fittest: Evolutionary Adaptation of Policies for Environmental Shifts [1] przedstawiono ewolucyjne podejście do uczenia się przez wzmacnianie. W badaniu zaproponowano ewolucyjną, odporną optymalizację polityki (ERPO), technikę umożliwiającą modelom AI adaptację do zmieniającego się otoczenia bez konieczności intensywnego przeszkolenia. Badania te mają implikacje dla zastosowań, w których systemy AI muszą funkcjonować w dynamicznych i nieprzewidywalnych warunkach, takich jak robotyka i modelowanie finansowe.
4. Zastosowania AI w procesach i systemach
W artykule „Memory Adaptive and Spatially Specialized Model Ensembles for Industrial Anomaly Detection ” [1] przedstawiono ramy dynamicznie integrujące wiele wyspecjalizowanych modeli do wykrywania anomalii w systemach przemysłowych. Łącząc adaptację pamięci ze specjalizacją przestrzenną, ramy te zwiększają zdolność sztucznej inteligencji do obsługi zróżnicowanych i ewoluujących dystrybucji danych. To podejście okazało się wysoce skuteczne w zastosowaniach przemysłowych, w których tradycyjne modele statyczne zmagają się z dryfem koncepcji i zmieniającymi się warunkami operacyjnymi.
Inne istotne badanie, Cascade Memory for Unsupervised Anomaly Detection [1] , podjęło wyzwanie nadmiernej generalizacji w modelach nienadzorowanych. Wiele istniejących metod wykrywania anomalii ma trudności z rozróżnianiem danych normalnych od nieprawidłowych, co prowadzi do wysokiego wskaźnika wyników fałszywie dodatnich. Proponowana architektura pamięci kaskadowej usprawnia koncentrację na wzorcach normalnych, jednocześnie umożliwiając systemowi skuteczniejsze izolowanie anomalii. Metoda wykazała najnowocześniejszą wydajność w różnych zestawach danych testowych, szczególnie w złożonych scenariuszach rzeczywistych.
Walidacja modeli wykrywania anomalii bez danych oznaczonych została omówiona w artykule „Towards Unsupervised Model Validation” [1] . W badaniu tym zaproponowano zastosowanie „dokładnie zróżnicowanego” zespołu modeli do oceny systemów wykrywania anomalii, wykorzystując techniki rankingowe oparte na korelacji do oceny niezawodności modelu. Zapewniając ustrukturyzowane podejście do walidacji bez nadzoru, badania przyczyniły się do zwiększenia niezawodności i skalowalności detekcji anomalii opartej na sztucznej inteligencji.
5. Sztuczna inteligencja ogólnego przeznaczenia
Warsztat „Rozumienie języka w erze człowiek-maszyna ” [5] zgłębiał ewoluującą rolę dużych modeli językowych (LLM) w zastosowaniach takich jak sztuczna inteligencja konwersacyjna i tłumaczenie maszynowe. Chociaż LLM-y wykazały się imponującymi możliwościami, warsztaty podkreśliły ich ograniczenia w zakresie prawdziwego rozumienia języka ludzkiego, szczególnie w kontekstach wymagających głębokiego rozumowania i świadomości kontekstowej.
Wreszcie, artykuł „Caveats and Solutions for Characterizing General-Purpose AI” [1] podjął szersze wyzwanie, jakim jest pomiar ogólności i możliwości sztucznej inteligencji ogólnego przeznaczenia (GPAI). Autorzy zaproponowali nowe strategie benchmarkingu, w tym testy adaptacyjności, które oceniają wydajność sztucznej inteligencji w zróżnicowanych i zmiennych zadaniach. Zaapelowali również o interdyscyplinarne spostrzeżenia z zakresu filozofii i kognitywistyki, aby dopracować konceptualizację GPAI, podkreślając znaczenie przejrzystości i wyjaśnialności w ocenie sztucznej inteligencji.
Podsumowanie
ECAI zbadało kluczowe tematy kształtujące przyszłość AI, w tym etykę, zrównoważony rozwój, optymalizację i zastosowania w świecie rzeczywistym. Dyskusje na temat etyki i uczciwości podkreślały znaczenie przejrzystych, bezstronnych systemów AI, które są zgodne z ludzkimi wartościami.
Działania na rzecz zrównoważonego rozwoju skupiły się na zmniejszeniu wpływu AI na środowisko poprzez energooszczędne metody i odpowiedzialne wykorzystanie zasobów. Postępy w aktywnym uczeniu się i optymalizacji podkreśliły techniki automatyzacji i adaptacji systemów AI do dynamicznych środowisk. W stosowanej AI, optymalizacja procesów i innowacje w podejmowaniu decyzji zaprezentowały praktyczne rozwiązania wyzwań przemysłowych i społecznych. Konferencja zbadała również złożoność ogólnego przeznaczenia AI, podkreślając potrzebę adaptacyjności, przejrzystości i interdyscyplinarnej współpracy. Ogólnie rzecz biorąc, ECAI podkreśliło rozwój etycznych, wydajnych i adaptowalnych systemów AI w celu rozwiązania pilnych globalnych wyzwań.
Referencje
[1] Materiały z konferencji ECAI 2024 – 27. Europejska Konferencja na temat Sztucznej Inteligencji (ECAI), 19–24 października 2024 r., Santiago de Compostela, Hiszpania. Wydawnictwo IOS Press. Dostępne na stronie: https://ebooks.iospress.nl/volume/ecai-2024-27theuropean-conference-on-artificial-intelligence-1924-october-2024santiago-de-compostela-spain-inclusive-pais-2024
[2] Warsztaty AIEB-ECAI 2024 – Wdrażanie etyki AI przez pryzmat zachowań. ECAI 2024. Dostępne na stronie: https://aieb-ecai2024.framer.ai/
[3] McCormack, L. i Bendechache, M. (2024) . Etyczne zarządzanie sztuczną inteligencją: metody oceny godnej zaufania sztucznej inteligencji. arXiv. Dostępne na: https://arxiv.org/abs/2409.07473
[4] Samouczek ECAI 2024 AutoRL – Beyond Trial & Error: A Tutorial on Automated Reinforcement Learning. Dostępny pod adresem: Link
[5] Warsztat LUHME, ECAI 2024 – Rozumienie języka w erze człowiek-maszyna. Dostępne na: https://luhme.web.uah.es/
