No início do ano, estabeleci Objetivos e Resultados-Chave (OKRs) para impulsionar meu crescimento pessoal e profissional. Trabalhei em direção aos meus OKRs contribuindo para um projeto de pesquisa, orientando e treinando um estagiário em ciência de dados, expandindo meu conhecimento lendo 28 livros e melhorando minha pontuação no exame EFSET em 15 pontos para qualificar minha proficiência em inglês. Além disso, aprofundei minha expertise em Aprendizado de Máquina para Produção (MLOps) concluindo uma especialização com as melhores pontuações em vários cursos.
Em reconhecimento a essas conquistas, a Galaksiya me honrou com a oportunidade de participar da conferência ECAI, um evento de prestígio que forneceu insights inestimáveis sobre os últimos avanços em inteligência artificial. A conferência foi realizada na cidade de tirar o fôlego de Santiago de Compostela, um lugar que parecia voltar no tempo. Caminhando por suas ruas de paralelepípedos e arquitetura medieval, senti como se tivesse me teletransportado de repente para o século XIV, caminhando pelas páginas de um livro de história. A beleza e a rica herança da cidade tornaram essa experiência ainda mais inesquecível. Neste blog, compartilharei minha jornada e as principais conclusões da conferência.
27ª Conferência Europeia sobre Inteligência Artificial (ECAI)
O ECAI foi realizado de 19 a 24 de outubro de 2024 e reuniu mais de 1,600 delegados da comunidade global de pesquisa em IA.
A conferência apresentou um programa abrangente, incluindo apresentações de artigos técnicos, workshops, tutoriais, palestras convidadas e sessões especiais. Neste blog, fornecerei um resumo das apresentações e tutoriais dos quais participei durante o evento. Todos os artigos são publicados em .
Temas chave
A. Ética e Justiça
Responsabilidade em sistemas de IA: Abordar os riscos associados à IA de uso geral e criar mecanismos para garantir uma implantação segura e ética.
Uso indevido de IA: Lidar com dilemas éticos, como usos maliciosos de IA, especialmente em áreas sensíveis como mídias sociais.
Justiça e inclusão: Defendendo a representação equitativa e proporcional em sistemas de tomada de decisão baseados em IA.
Explicabilidade em IA: Garantir que os sistemas de IA sejam transparentes e interpretáveis para promover confiança e compreensão, permitindo que as partes interessadas compreendam como as decisões são tomadas.
B. Sustentabilidade
Impacto ambiental da IA: Reconhecendo a crescente pegada de carbono dos processos de aprendizado de máquina e promovendo práticas sustentáveis.
Utilização Eficiente de Recursos: Focado em minimizar o desperdício de recursos e melhorar a eficiência dos sistemas de IA para reduzir os danos ambientais.
C. Melhorar a aprendizagem ativa e a otimização
Aprendizado ativo: Desenvolver algoritmos mais inteligentes que podem se refinar usando consultas direcionadas e contraexemplos, levando a uma melhor eficiência do modelo.
Optimization: Realizar estudos para melhorar o desempenho dos sistemas clássicos de planejamento de IA, tornando-os mais eficazes e confiáveis.
D. Aplicações de IA em Processos e Sistemas
Processos Declarativos: Usando IA para otimizar mineração de processos, representação e síntese para melhor automação do fluxo de trabalho.
Colaboração multiagente: Explorar os desafios e oportunidades dos sistemas multiagentes, particularmente na abordagem de cenários complexos e multiobjetivos.
Detecção de anomalia: Aproveitando a IA para identificar padrões ou desvios incomuns em dados que podem indicar erros, fraudes ou falhas no sistema. Isso inclui monitoramento em tempo real e análise preditiva para aprimorar a tomada de decisões e manter a integridade do sistema.
E. IA de uso geral
Definindo, avaliando e melhorando a AGI: Foco crescente na identificação de limitações e na proposição de soluções padronizadas para IA que possam operar em diversas tarefas.
Métodos-chave
A. Grandes modelos de linguagem
B. Aprendizagem por reforço
C. Sistemas multiagentes
D. Visão Computacional
Destaques da Conferência
1. Ética e Justiça
O Implementando a ética da IA por meio de uma lente comportamental O workshop explorou como alinhar sistemas de IA com valores humanos, enfatizando justiça, redução de viés e transparência. Ele destacou a necessidade de ir além das métricas de precisão tradicionais e adotar métodos de avaliação que reflitam desafios do mundo real, como métricas centradas no paciente na área da saúde. O workshop também discutiu a importância de prevenir vazamento de dados e implementar processos robustos de avaliação multicêntricos para garantir confiabilidade.
Outra contribuição notável foi Governança ética da IA: métodos para avaliar IA confiável , que categorizou os métodos de avaliação de IA em abordagens conceituais, manuais, semiautomatizadas e automatizadas. O artigo argumentou que, embora as ferramentas automatizadas possam detectar com eficiência questões de viés e explicabilidade, a supervisão humana continua sendo essencial para a tomada de decisões éticas diferenciadas. Desafios como a falta de padronização e inconsistências nas avaliações de confiabilidade também foram abordados, enfatizando a necessidade de estruturas de avaliação unificadas.
Além disso, o PAZ (Fornecendo Explicações e Análises para Combater Expressões de Ódio) paper apresentou uma ferramenta da web projetada para detectar discurso de ódio sutil e oculto que os modelos tradicionais geralmente ignoram. Ao integrar ferramentas de visualização e técnicas de IA explicáveis, o PEACE ajuda moderadores de conteúdo a entender e abordar melhor o discurso de ódio explícito e implícito em plataformas online.
2. Sustentabilidade
Mais (o suficiente) é melhor: rumo à segmentação de resíduos ilegais em aterros sanitários com poucos lançamentos abordou o desafio de detectar locais de resíduos ilegais em imagens aéreas com dados rotulados mínimos. A abordagem proposta alavancou técnicas de aprendizado de poucos disparos e geração de dados sintéticos para melhorar a precisão da detecção, minimizando a necessidade de anotações manuais extensas. Esta pesquisa destacou como a IA pode ser usada para lidar com problemas ambientais do mundo real de forma eficiente.
Outro artigo significativo, Aprendizado de máquina com desperdício zero , introduziu uma abordagem orientada à sustentabilidade para otimização de modelos de IA. Os autores propuseram uma estrutura inspirada em princípios de economia circular, com foco na reutilização de computações e conhecimento para aumentar a eficiência do modelo. As principais técnicas incluíam computação condicional, aprendizado contínuo e reciclagem de recursos, garantindo que os sistemas de IA permaneçam eficientes em termos de recursos sem sacrificar o desempenho.
O desafio mais amplo de gerir a tomada de decisões multiagentes e multiobjetivos em contextos de sustentabilidade foi explorado em O mundo é um sistema multi-objetivo e multi-agente: e agora? . Este estudo examinou como a IA pode abordar prioridades conflitantes, como equilibrar a sustentabilidade ambiental com objetivos econômicos. Ao integrar explicabilidade e transparência em sistemas de IA, a pesquisa visou melhorar a confiança e a adoção em aplicações de tomada de decisão em larga escala.
3. Melhorar a aprendizagem ativa e a otimização
O tutorial Além da tentativa e erro: Um tutorial sobre aprendizagem de reforço automatizada forneceu insights sobre a automação de processos de aprendizado por reforço (RL). Os métodos AutoRL visam agilizar tarefas tradicionalmente manuais, como ajuste de hiperparâmetros e seleção de algoritmos, tornando o RL mais acessível e adaptável a aplicações do mundo real. O tutorial também abordou o impacto dos hiperparâmetros na sensibilidade e desempenho do modelo, reforçando a importância das técnicas de otimização automatizadas.
Um estudo relacionado, Análise de importância de hiperparâmetros para AutoML multiobjetivo , explorou o papel do ajuste de hiperparâmetros no equilíbrio de objetivos concorrentes, como precisão do modelo versus custo computacional. Os autores introduziram novas técnicas de análise para identificar quais hiperparâmetros têm o impacto mais significativo, fornecendo insights valiosos para otimizar modelos de IA multiobjetivos.
Além disso, Sobrevivência do mais apto: adaptação evolutiva de políticas para mudanças ambientais introduziu uma abordagem baseada na evolução para o aprendizado por reforço. O estudo propôs a Evolutionary Robust Policy Optimization (ERPO), uma técnica que permite que modelos de IA se adaptem a ambientes em mudança sem exigir um retreinamento extensivo. Esta pesquisa tem implicações para aplicações em que sistemas de IA devem funcionar em cenários dinâmicos e imprevisíveis, como robótica e modelagem financeira.
4. Aplicações de IA em Processos e Sistemas
O papel Conjuntos de modelos de memória adaptável e espacialmente especializados para detecção de anomalias industriais introduziu uma estrutura que integra dinamicamente vários modelos especializados para detectar anomalias em sistemas industriais. Ao combinar adaptação de memória com especialização espacial, a estrutura aprimora a capacidade da IA de lidar com distribuições de dados diversas e em evolução. Essa abordagem provou ser altamente eficaz em aplicações industriais onde modelos estáticos tradicionais lutam com desvio de conceito e condições operacionais em mudança.
Outro estudo relevante, Memória em cascata para detecção de anomalias não supervisionadas , enfrentou o desafio da supergeneralização em modelos não supervisionados. Muitos métodos de detecção de anomalias existentes têm dificuldade para distinguir entre dados normais e anormais, levando a altas taxas de falsos positivos. A arquitetura de memória em cascata proposta refina o foco em padrões normais, ao mesmo tempo em que permite que o sistema isole anomalias de forma mais eficaz. O método demonstrou desempenho de última geração em vários conjuntos de dados de referência, particularmente em cenários complexos do mundo real.
A validação de modelos de detecção de anomalias sem dados rotulados foi abordada em Em direção à validação de modelos não supervisionados . Este estudo propôs o uso de um conjunto "precisamente diverso" de modelos para avaliar sistemas de detecção de anomalias, alavancando técnicas de classificação baseadas em correlação para avaliar a confiabilidade do modelo. Ao fornecer uma abordagem estruturada para validação não supervisionada, a pesquisa contribuiu para tornar a detecção de anomalias orientada por IA mais robusta e escalável.
5. IA de uso geral
A oficina Compreensão da linguagem na era homem-máquina explorou o papel evolutivo de grandes modelos de linguagem (LLMs) em aplicações como IA conversacional e tradução automática. Embora os LLMs tenham demonstrado capacidades impressionantes, o workshop enfatizou suas limitações em realmente entender a linguagem humana, particularmente em contextos que exigem raciocínio profundo e consciência contextual.
Por fim, o artigo Advertências e soluções para caracterizar IA de uso geral abordou o desafio mais amplo de medir a generalidade e a capacidade do GPAI. Os autores propuseram novas estratégias de benchmarking, incluindo testes de adaptabilidade que avaliam o desempenho da IA em tarefas diversas e mutáveis. Eles também defenderam insights interdisciplinares da filosofia e da ciência cognitiva para refinar a conceituação do GPAI, reforçando a importância da transparência e da explicabilidade na avaliação da IA.
Resumo
O ECAI explorou temas-chave que moldam o futuro da IA, incluindo ética, sustentabilidade, otimização e aplicações no mundo real. Discussões sobre ética e justiça enfatizaram a importância de sistemas de IA transparentes e imparciais que se alinham com valores humanos.
Os esforços de sustentabilidade se concentraram na redução do impacto ambiental da IA por meio de métodos de eficiência energética e uso responsável de recursos. Os avanços no aprendizado ativo e na otimização destacaram técnicas para automatizar e adaptar sistemas de IA a ambientes dinâmicos. Na IA aplicada, a otimização de processos e as inovações na tomada de decisões apresentaram soluções práticas para desafios industriais e sociais. A conferência também examinou as complexidades da IA de propósito geral, enfatizando a necessidade de adaptabilidade, transparência e colaboração interdisciplinar. No geral, a ECAI destacou o desenvolvimento de sistemas de IA éticos, eficientes e adaptáveis para enfrentar desafios globais urgentes.
Referências
Anais do ECAI 2024 - 27th European Conference on Artificial Intelligence (ECAI), 19-24 de outubro de 2024, Santiago de Compostela, Espanha. IOS Press. Disponível em: https://ebooks.iospress.nl/volume/ecai-2024-27theuropean-conference-on-artificial-intelligence-1924-october-2024santiago-de-compostela-spain-including-pais-2024
Workshop AIEB-ECAI 2024 - Implementando a ética da IA por meio de uma lente comportamental. ECAI 2024. Disponível em: https://aieb-ecai2024.framer.ai/
McCormack, L., e Bendechache, M. (2024). Governança ética de IA: métodos para avaliar IA confiável. arXiv. Disponível em: https://arxiv.org/abs/2409.07473
Tutorial ECAI 2024 AutoRL - Além de tentativa e erro: um tutorial sobre aprendizado de reforço automatizado. Disponível em: de vidrio
Workshop LUHME, ECAI 2024 - Compreensão da Linguagem na Era Homem-Máquina. Disponível em: https://luhme.web.uah.es/
