เมื่อต้นปี ฉันกำหนดเป้าหมายและผลลัพธ์หลัก (OKR) เพื่อขับเคลื่อนการเติบโตส่วนบุคคลและอาชีพของฉัน ฉันทำงานเพื่อให้บรรลุ OKR ของตัวเองโดยมีส่วนร่วมในโครงการวิจัย ให้คำปรึกษาและฝึกอบรมนักศึกษาฝึกงานด้านวิทยาศาสตร์ข้อมูล เพิ่มพูนความรู้ด้วยการอ่านหนังสือ 28 เล่ม และปรับปรุงคะแนนสอบ EFSET ของฉัน 15 คะแนนเพื่อให้ผ่านเกณฑ์ความสามารถทางภาษาอังกฤษ นอกจากนี้ ฉันยังได้เพิ่มพูนความเชี่ยวชาญของฉันในการเรียนรู้ของเครื่องจักรสำหรับการผลิต (MLOps) โดยการเรียนหลักสูตรเฉพาะทางที่มีคะแนนสูงสุดหลายหลักสูตร
เพื่อเป็นการยกย่องความสำเร็จเหล่านี้ Galaksiya ได้ให้เกียรติฉันด้วยโอกาสเข้าร่วมการประชุม ECAI ซึ่งเป็นงานอันทรงเกียรติที่ให้ข้อมูลเชิงลึกอันล้ำค่าเกี่ยวกับความก้าวหน้าล่าสุดในด้านปัญญาประดิษฐ์ การประชุมจัดขึ้นในเมืองซานติอาโกเดอคอมโปสเตลาที่สวยงามตระการตา เป็นสถานที่ที่ให้ความรู้สึกเหมือนย้อนเวลากลับไป ขณะเดินผ่านถนนที่ปูด้วยหินกรวดและสถาปัตยกรรมยุคกลาง ฉันรู้สึกเหมือนได้ย้อนเวลากลับไปยังศตวรรษที่ 14 และได้อ่านหนังสือประวัติศาสตร์ ความงดงามและมรดกอันล้ำค่าของเมืองทำให้ประสบการณ์นี้ยิ่งน่าจดจำยิ่งขึ้น ในบล็อกนี้ ฉันจะแบ่งปันการเดินทางและประเด็นสำคัญที่ได้จากการประชุม
การประชุมยุโรปครั้งที่ 27 เกี่ยวกับปัญญาประดิษฐ์ (ECAI)
ECAI จัดขึ้นระหว่างวันที่ 19 ถึง 24 ตุลาคม พ.ศ. 2024 และมีผู้เข้าร่วมกว่า 1,600 คนจากชุมชนวิจัย AI ทั่วโลก
การประชุมมีโปรแกรมที่ครอบคลุม รวมถึงการนำเสนอเอกสารทางเทคนิค การประชุมเชิงปฏิบัติการ บทเรียน การบรรยายรับเชิญ และช่วงการประชุมพิเศษ ในบล็อกนี้ ฉันจะสรุปการนำเสนอและบทเรียนที่ฉันเข้าร่วมในระหว่างงาน บทความทั้งหมดได้รับการตีพิมพ์ใน[1 ]
ธีมหลัก
ก. จริยธรรมและความยุติธรรม
ความรับผิดชอบในระบบ AI:การจัดการกับความเสี่ยงที่เกี่ยวข้องกับ AI ทั่วไป และการสร้างกลไกเพื่อให้มั่นใจได้ถึงการใช้งานที่ปลอดภัยและมีจริยธรรม
การใช้ AI ในทางที่ผิด:การจัดการกับประเด็นขัดแย้งทางจริยธรรม เช่น การใช้ AI ในทางที่มุ่งร้าย โดยเฉพาะในพื้นที่อ่อนไหว เช่น สื่อสังคมออนไลน์
ความเป็นธรรมและการไม่แบ่งแยก:สนับสนุนการเป็นตัวแทนที่เท่าเทียมและได้สัดส่วนในระบบการตัดสินใจที่ขับเคลื่อนด้วยปัญญาประดิษฐ์
ความสามารถในการอธิบายใน AI:การทำให้มั่นใจว่าระบบ AI มีความโปร่งใสและตีความได้ เพื่อส่งเสริมความไว้วางใจและความเข้าใจ ช่วยให้ผู้มีส่วนได้ส่วนเสียเข้าใจว่าการตัดสินใจเกิดขึ้นได้อย่างไร
ข. ความยั่งยืน
ผลกระทบต่อสิ่งแวดล้อมของ AI:การตระหนักถึงปริมาณการปล่อยก๊าซคาร์บอนที่เพิ่มขึ้นของกระบวนการเรียนรู้ของเครื่องจักร และการส่งเสริมแนวปฏิบัติที่ยั่งยืน
การใช้ทรัพยากรอย่างมีประสิทธิภาพ:มุ่งเน้นการลดการสิ้นเปลืองทรัพยากรและปรับปรุงประสิทธิภาพของระบบ AI เพื่อลดผลกระทบต่อสิ่งแวดล้อม
C. การปรับปรุงการเรียนรู้เชิงรุกและการเพิ่มประสิทธิภาพ
การเรียนรู้เชิงรุก:การพัฒนาอัลกอริทึมที่ชาญฉลาดขึ้น ซึ่งสามารถปรับปรุงตัวเองได้โดยใช้คำถามที่กำหนดเป้าหมายและตัวอย่างค้าน ส่งผลให้ประสิทธิภาพของโมเดลดีขึ้น
การเพิ่มประสิทธิภาพ:ดำเนินการศึกษาเพื่อปรับปรุงประสิทธิภาพของระบบวางแผน AI แบบดั้งเดิม ทำให้ระบบเหล่านั้นมีประสิทธิผลและน่าเชื่อถือมากยิ่งขึ้น
D. การประยุกต์ใช้ AI ในกระบวนการและระบบ
กระบวนการเชิงประกาศ:การใช้ AI เพื่อเพิ่มประสิทธิภาพในการวิเคราะห์ การนำเสนอ และการสังเคราะห์กระบวนการ เพื่อให้การทำงานอัตโนมัติของเวิร์กโฟลว์ดียิ่งขึ้น
การทำงานร่วมกันของระบบหลายเอเจนต์:การสำรวจความท้าทายและโอกาสของระบบหลายเอเจนต์ โดยเฉพาะอย่างยิ่งในการจัดการกับสถานการณ์ที่ซับซ้อนและมีเป้าหมายหลายประการ
การตรวจจับความผิดปกติ:การใช้ AI เพื่อระบุรูปแบบหรือความเบี่ยงเบนที่ผิดปกติในข้อมูล ซึ่งอาจบ่งชี้ถึงข้อผิดพลาด การฉ้อโกง หรือความล้มเหลวของระบบ ซึ่งรวมถึงการตรวจสอบแบบเรียลไทม์และการวิเคราะห์เชิงคาดการณ์เพื่อเพิ่มประสิทธิภาพในการตัดสินใจและรักษาความสมบูรณ์ของระบบ
E. AI เอนกประสงค์
การกำหนด การประเมิน และการปรับปรุงปัญญาประดิษฐ์ทั่วไป (AGI):มีการให้ความสำคัญมากขึ้นกับการระบุข้อจำกัดและเสนอแนวทางแก้ไขที่เป็นมาตรฐานสำหรับ AI ที่สามารถทำงานได้หลากหลายประเภท
วิธีการที่สำคัญ
ก. แบบจำลองภาษาขนาดใหญ่
ข. การเรียนรู้แบบเสริมแรง
C. ระบบมัลติเอเจนต์
ง. คอมพิวเตอร์วิทัศน์
ไฮไลท์จากการประชุม
1. จริยธรรมและความยุติธรรม
การ ประชุมเชิง ปฏิบัติการการนำจริยธรรม AI ไปใช้ผ่านมุมมองเชิงพฤติกรรม[2]ได้สำรวจวิธีการปรับระบบ AI ให้สอดคล้องกับคุณค่าของมนุษย์ โดยเน้นความยุติธรรม การลดอคติ และความโปร่งใส การประชุมเชิงปฏิบัติการนี้ได้เน้นย้ำถึงความจำเป็นในการก้าวข้ามตัวชี้วัดความแม่นยำแบบดั้งเดิมและนำวิธีการประเมินที่สะท้อนถึงความท้าทายในโลกแห่งความเป็นจริงมาใช้ เช่น ตัวชี้วัดที่เน้นผู้ป่วยเป็นศูนย์กลางในด้านการดูแลสุขภาพ นอกจากนี้ การประชุมเชิงปฏิบัติการยังได้หารือถึงความสำคัญของการป้องกันการรั่วไหลของข้อมูลและการนำกระบวนการประเมินแบบหลายศูนย์ที่แข็งแกร่งมาใช้เพื่อให้มั่นใจในความน่าเชื่อถือ
ผลงานที่โดดเด่นอีกชิ้นหนึ่งคือการกำกับดูแล AI เชิงจริยธรรม: วิธีการประเมิน AI ที่น่าเชื่อถือ[3]ซึ่งจำแนกวิธีการประเมิน AI ออกเป็นแนวทางเชิงแนวคิด แนวทางแบบแมนนวล แนวทางกึ่งอัตโนมัติ และแนวทางอัตโนมัติ บทความนี้โต้แย้งว่า แม้ว่าเครื่องมืออัตโนมัติจะสามารถตรวจจับอคติและปัญหาการอธิบายได้อย่างมีประสิทธิภาพ แต่การกำกับดูแลโดยมนุษย์ยังคงเป็นสิ่งจำเป็นสำหรับการตัดสินใจเชิงจริยธรรมที่ละเอียดอ่อน ความท้าทายต่างๆ เช่น การขาดมาตรฐานและความไม่สอดคล้องกันในการประเมินความน่าเชื่อถือก็ได้รับการกล่าวถึงเช่นกัน โดยเน้นย้ำถึงความจำเป็นสำหรับกรอบการประเมินที่เป็นหนึ่งเดียว
นอกจากนี้ เอกสาร PEACE (Providing Explanations and Analysis for Combating Hate Expressions) [1]ยังได้แนะนำเครื่องมือบนเว็บที่ออกแบบมาเพื่อตรวจจับคำพูดแสดงความเกลียดชังที่แฝงเร้นและซ่อนเร้น ซึ่งโมเดลแบบดั้งเดิมมักมองข้ามไป ด้วยการบูรณาการเครื่องมือสร้างภาพและเทคนิค AI ที่อธิบายได้ PEACE ช่วยให้ผู้ดูแลเนื้อหาเข้าใจและจัดการกับคำพูดแสดงความเกลียดชังทั้งแบบชัดเจนและแฝงเร้นในแพลตฟอร์มออนไลน์ได้ดียิ่งขึ้น
2 การพัฒนาอย่างยั่งยืน
ยิ่งมาก (พอแล้ว) ยิ่งดี: มุ่งสู่การแบ่งส่วนขยะฝังกลบผิดกฎหมายด้วยภาพถ่ายน้อย[1]กล่าวถึงความท้าทายในการตรวจจับแหล่งทิ้งขยะผิดกฎหมายในภาพถ่ายทางอากาศที่มีข้อมูลติดป้ายกำกับน้อย แนวทางที่เสนอใช้ประโยชน์จากเทคนิคการเรียนรู้แบบภาพถ่ายน้อยและการสร้างข้อมูลสังเคราะห์เพื่อปรับปรุงความแม่นยำในการตรวจจับในขณะที่ลดความจำเป็นในการติดป้ายกำกับด้วยตนเองอย่างกว้างขวาง งานวิจัยนี้เน้นย้ำถึงวิธีการใช้ AI เพื่อแก้ไขปัญหาสิ่งแวดล้อมในโลกแห่งความเป็นจริงได้อย่างมีประสิทธิภาพ
เอกสารสำคัญอีกฉบับหนึ่งคือZero-Waste Machine Learning [1]ได้นำเสนอแนวทางที่ขับเคลื่อนด้วยความยั่งยืนในการเพิ่มประสิทธิภาพโมเดล AI ผู้เขียนได้เสนอเฟรมเวิร์กที่ได้รับแรงบันดาลใจจากหลักการเศรษฐกิจหมุนเวียน โดยมุ่งเน้นที่การนำการคำนวณและความรู้กลับมาใช้ใหม่เพื่อเพิ่มประสิทธิภาพของโมเดล เทคนิคสำคัญ ได้แก่ การคำนวณแบบมีเงื่อนไข การเรียนรู้อย่างต่อเนื่อง และการรีไซเคิลทรัพยากร เพื่อให้มั่นใจว่าระบบ AI ยังคงมีประสิทธิภาพในการใช้ทรัพยากรโดยไม่ลดทอนประสิทธิภาพ
ความท้าทายที่กว้างขึ้นในการจัดการการตัดสินใจแบบหลายตัวแทนและหลายวัตถุประสงค์ในบริบทความยั่งยืนได้รับการสำรวจในThe World is a Multi-Objective Multi-AgentSystem: Now What? [1]การศึกษานี้ตรวจสอบว่า AI สามารถจัดการกับลำดับความสำคัญที่ขัดแย้งกันได้อย่างไร เช่น การสร้างสมดุลระหว่างความยั่งยืนด้านสิ่งแวดล้อมกับเป้าหมายทางเศรษฐกิจ โดยการบูรณาการความสามารถในการอธิบายและความโปร่งใสเข้ากับระบบ AI การวิจัยนี้มุ่งเป้าไปที่การปรับปรุงความไว้วางใจและการนำไปใช้ในแอปพลิเคชันการตัดสินใจขนาดใหญ่
3. การปรับปรุงการเรียนรู้เชิงรุกและการเพิ่มประสิทธิภาพ
บทช่วยสอน Beyond Trial & Error: A Tutorial on Automated Reinforcement Learning [4]ให้ข้อมูลเชิงลึกเกี่ยวกับการทำให้กระบวนการเรียนรู้แบบเสริมแรง (RL) เป็นไปโดยอัตโนมัติ วิธีการ AutoRL มีเป้าหมายเพื่อปรับปรุงงานที่ต้องทำด้วยตนเองแบบดั้งเดิม เช่น การปรับแต่งไฮเปอร์พารามิเตอร์และการเลือกอัลกอริทึม ทำให้ RL เข้าถึงได้ง่ายขึ้นและปรับใช้ได้กับแอปพลิเคชันในโลกแห่งความเป็นจริง บทช่วยสอนนี้ยังครอบคลุมถึงผลกระทบของไฮเปอร์พารามิเตอร์ต่อความไวและประสิทธิภาพของโมเดล ซึ่งเป็นการเน้นย้ำถึงความสำคัญของเทคนิคการเพิ่มประสิทธิภาพแบบอัตโนมัติ
การศึกษาที่เกี่ยวข้องการวิเคราะห์ความสำคัญของไฮเปอร์พารามิเตอร์สำหรับ AutoML หลายวัตถุประสงค์[1]ได้สำรวจบทบาทของการปรับแต่งไฮเปอร์พารามิเตอร์ในการสร้างสมดุลระหว่างวัตถุประสงค์ที่แข่งขันกัน เช่น ความแม่นยำของโมเดลเทียบกับต้นทุนการคำนวณ ผู้เขียนได้แนะนำเทคนิคการวิเคราะห์ใหม่เพื่อระบุว่าไฮเปอร์พารามิเตอร์ใดมีผลกระทบมากที่สุด ซึ่งให้ข้อมูลเชิงลึกที่มีค่าสำหรับการเพิ่มประสิทธิภาพโมเดล AI หลายวัตถุประสงค์
นอกจากนี้Survival of the Fittest: Evolutionary Adaptation of Policies for Environmental Shifts [1]ได้นำเสนอแนวทางการเรียนรู้แบบเสริมแรงโดยอาศัยวิวัฒนาการ งานวิจัยนี้เสนอ Evolutionary Robust Policy Optimization (ERPO) ซึ่งเป็นเทคนิคที่ช่วยให้โมเดล AI สามารถปรับตัวให้เข้ากับสภาพแวดล้อมที่เปลี่ยนแปลงไปได้โดยไม่ต้องฝึกอบรมใหม่อย่างกว้างขวาง งานวิจัยนี้มีนัยสำคัญต่อการใช้งานที่ระบบ AI ต้องทำงานในสภาพแวดล้อมแบบไดนามิกและคาดเดาไม่ได้ เช่น หุ่นยนต์และการสร้างแบบจำลองทางการเงิน
4. การประยุกต์ใช้ AI ในกระบวนการและระบบ
เอกสารเรื่องMemory Adaptive and Spatially Specialized Model Ensembles for Industrial Anomaly Detection [1]ได้นำเสนอเฟรมเวิร์กที่บูรณาการโมเดลเฉพาะทางหลายแบบเข้าด้วยกันเพื่อตรวจจับความผิดปกติในระบบอุตสาหกรรม โดยการรวมการปรับตัวของหน่วยความจำเข้ากับความเชี่ยวชาญเชิงพื้นที่ เฟรมเวิร์กนี้ช่วยเพิ่มความสามารถของ AI ในการจัดการกับการกระจายข้อมูลที่หลากหลายและเปลี่ยนแปลงไป แนวทางนี้พิสูจน์แล้วว่ามีประสิทธิภาพสูงในการใช้งานในอุตสาหกรรม ซึ่งโมเดลแบบคงที่แบบดั้งเดิมประสบปัญหาเรื่องการเปลี่ยนแปลงแนวคิดและเงื่อนไขการทำงานที่เปลี่ยนแปลงไป
งานวิจัยที่เกี่ยวข้องอีกชิ้นหนึ่งคือCascade Memory for Unsupervised Anomaly Detection [1]ได้จัดการกับความท้าทายของการสรุปเกินจริงในแบบจำลองที่ไม่ต้องมีการกำกับดูแล วิธีการตรวจจับความผิดปกติที่มีอยู่หลายวิธีประสบปัญหาในการแยกแยะระหว่างข้อมูลปกติและข้อมูลผิดปกติ ซึ่งนำไปสู่อัตราผลบวกเท็จที่สูง สถาปัตยกรรมหน่วยความจำแบบเรียงลำดับที่เสนอจะปรับปรุงการมุ่งเน้นไปที่รูปแบบปกติในขณะที่อนุญาตให้ระบบแยกความผิดปกติได้อย่างมีประสิทธิภาพมากขึ้น วิธีการนี้แสดงให้เห็นถึงประสิทธิภาพที่ล้ำสมัยในชุดข้อมูลมาตรฐานต่างๆ โดยเฉพาะอย่างยิ่งในสถานการณ์จริงที่ซับซ้อน
การตรวจสอบความถูกต้องของแบบจำลองการตรวจจับความผิดปกติโดยไม่มีข้อมูลที่มีป้ายกำกับได้รับการกล่าวถึงในTowards Unsupervised Model Validation [1]งานวิจัยนี้เสนอให้ใช้แบบจำลองแบบรวมกลุ่มที่มีความหลากหลายอย่างแม่นยำเพื่อประเมินระบบการตรวจจับความผิดปกติ โดยใช้เทคนิคการจัดอันดับตามความสัมพันธ์เพื่อประเมินความน่าเชื่อถือของแบบจำลอง การวิจัยนี้มีส่วนช่วยในการทำให้การตรวจจับความผิดปกติที่ขับเคลื่อนด้วย AI มีความแข็งแกร่งและปรับขนาดได้มากขึ้น โดยนำเสนอแนวทางที่มีโครงสร้างสำหรับการตรวจสอบความถูกต้องแบบไม่ใช้การกำกับดูแล
5. AI เอนกประสงค์
การประชุมเชิงปฏิบัติการเรื่องความเข้าใจภาษาในยุคมนุษย์-เครื่องจักร[5]ได้สำรวจบทบาทที่กำลังพัฒนาของแบบจำลองภาษาขนาดใหญ่ (LLMs) ในแอปพลิเคชันต่างๆ เช่น AI เชิงสนทนาและการแปลด้วยเครื่องจักร แม้ว่า LLMs จะแสดงให้เห็นถึงความสามารถที่น่าประทับใจ แต่การประชุมเชิงปฏิบัติการเน้นย้ำถึงข้อจำกัดของแบบจำลองเหล่านี้ในการทำความเข้าใจภาษาของมนุษย์อย่างแท้จริง โดยเฉพาะอย่างยิ่งในบริบทที่ต้องการการให้เหตุผลเชิงลึกและการรับรู้บริบท
สุดท้ายนี้ บทความCaveats and Solutions for Characterizing General-Purpose AI [1]ได้กล่าวถึงความท้าทายที่กว้างขึ้นในการวัดความสามารถทั่วไปและศักยภาพของ GPAI ผู้เขียนได้เสนอกลยุทธ์การเปรียบเทียบมาตรฐานใหม่ ซึ่งรวมถึงการทดสอบความสามารถในการปรับตัวที่ประเมินประสิทธิภาพของ AI ในงานที่หลากหลายและเปลี่ยนแปลงไป พวกเขายังสนับสนุนข้อมูลเชิงลึกแบบสหวิทยาการจากปรัชญาและวิทยาศาสตร์ทางปัญญาเพื่อปรับปรุงแนวคิดของ GPAI โดยเน้นย้ำถึงความสำคัญของความโปร่งใสและความสามารถในการอธิบายในการประเมิน AI
สรุป
ECAI ได้สำรวจประเด็นสำคัญที่มีผลต่ออนาคตของ AI รวมถึงจริยธรรม ความยั่งยืน การเพิ่มประสิทธิภาพ และการประยุกต์ใช้ในโลกแห่งความเป็นจริง การอภิปรายเกี่ยวกับจริยธรรมและความเป็นธรรมเน้นย้ำถึงความสำคัญของระบบ AI ที่โปร่งใสและไม่มีอคติซึ่งสอดคล้องกับค่านิยมของมนุษย์
ความพยายามด้านความยั่งยืนมุ่งเน้นไปที่การลดผลกระทบต่อสิ่งแวดล้อมของ AI ผ่านวิธีการประหยัดพลังงานและการใช้ทรัพยากรอย่างรับผิดชอบ ความก้าวหน้าในการเรียนรู้เชิงรุกและการเพิ่มประสิทธิภาพเน้นย้ำถึงเทคนิคต่างๆ สำหรับการทำให้ระบบ AI เป็นระบบอัตโนมัติและปรับให้เข้ากับสภาพแวดล้อมแบบไดนามิก ใน AI ที่ประยุกต์ใช้ การเพิ่มประสิทธิภาพกระบวนการและนวัตกรรมการตัดสินใจแสดงให้เห็นถึงโซลูชันที่ใช้งานได้จริงสำหรับความท้าทายทางอุตสาหกรรมและสังคม การประชุมยังได้ตรวจสอบความซับซ้อนของ AI เอนกประสงค์ โดยเน้นย้ำถึงความจำเป็นในการปรับตัว ความโปร่งใส และความร่วมมือแบบสหวิทยาการ โดยรวมแล้ว ECAI เน้นย้ำถึงการพัฒนาระบบ AI ที่มีจริยธรรม มีประสิทธิภาพ และปรับตัวได้ เพื่อรับมือกับความท้าทายระดับโลกที่เร่งด่วน
อ้างอิง
[1] เอกสารประกอบการประชุม ECAI 2024 – การประชุมปัญญาประดิษฐ์แห่งยุโรปครั้งที่ 27 (ECAI) วันที่ 19-24 ตุลาคม 2024 ณ เมืองซานติอาโก เดอ คอมโพสเตลา ประเทศสเปน สำนักพิมพ์ IOS Press สามารถดูได้ที่: https://ebooks.iospress.nl/volume/ecai-2024-27theuropean-conference-on-artificial-intelligence-1924-october-2024santiago-de-compostela-spain-including-pais-2024
[2] การประชุมเชิงปฏิบัติการ AIEB-ECAI 2024 – การนำจริยธรรม AI ไปใช้ผ่านมุมมองเชิงพฤติกรรม ECAI 2024 สามารถดูได้ที่: https://aieb-ecai2024.framer.ai/
[3] McCormack, L., & Bendechache, M. (2024) . การกำกับดูแล AI เชิงจริยธรรม: วิธีการประเมิน AI ที่น่าเชื่อถือ arXiv. สามารถเข้าถึงได้ที่: https://arxiv.org/abs/2409.07473
[4] ECAI 2024 AutoRL Tutorial – Beyond Trial & Error: A Tutorial on Automated Reinforcement Learning. Available at: Link
[5] LUHME Workshop, ECAI 2024 – การทำความเข้าใจภาษาในยุคมนุษย์-เครื่องจักร สามารถดูได้ที่: https://luhme.web.uah.es/
