На початку року я поставив цілі та ключові результати (ОКР), щоб стимулювати свій особистий і професійний ріст. Я працював над досягненням своїх OKR, беручи участь у науково-дослідницькому проекті, наставляючи та навчаючи стажиста з науки про дані, розширюючи свої знання, прочитавши 28 книг і покращивши оцінку на іспиті EFSET на 15 балів, щоб підтвердити свій рівень володіння англійською. Крім того, я поглибив свій досвід у машинному навчанні для виробництва (MLOps), пройшовши спеціалізацію з найвищими результатами на кількох курсах.
На знак визнання цих досягнень Galaksiya вшанувала мене можливістю відвідати конференцію ECAI, престижну подію, яка дала безцінне розуміння останніх досягнень у галузі штучного інтелекту. Конференція відбулася в захоплюючому місті Сантьяго-де-Компостела, місці, яке ніби повернулося назад у часі. Прогулюючись його брукованими вулицями та середньовічною архітектурою, мені здалося, ніби я раптово телепортувався в 14 століття, прогулюючись сторінками історичної книги. Краса міста та багата спадщина зробили цей досвід ще більш незабутнім. У цьому блозі я поділюся своєю подорожжю та ключовими висновками з конференції.
27-ма Європейська конференція зі штучного інтелекту (ECAI)
ECAI проходив з 19 по 24 жовтня 2024 року і зібрав понад 1,600 делегатів із світової дослідницької спільноти ШІ.
Конференція включала насичену програму, що включала презентації технічних доповідей, семінари, навчальні посібники, запрошені доповіді та спеціальні сесії. У цьому блозі я наведу короткий виклад презентацій та навчальних посібників, які я відвідав під час заходу. Усі статті опубліковані в [1].
Ключові теми
A. Етика та справедливість
Підзвітність у системах штучного інтелекту: вирішення ризиків, пов'язаних із штучним інтелектом загального призначення, та створення механізмів для забезпечення безпечного та етичного розгортання.
Зловживання штучним інтелектом: вирішення етичних дилем, таких як зловмисне використання штучного інтелекту, особливо в делікатних сферах, таких як соціальні мережі.
Справедливість та інклюзивність: відстоювання справедливого та пропорційного представництва в системах прийняття рішень на основі штучного інтелекту.
Пояснення у ШІ: забезпечення прозорості та інтерпретації систем ШІ для сприяння довірі та розуміння, що дозволяє зацікавленим сторонам зрозуміти, як приймаються рішення.
B. Стійкість
Вплив штучного інтелекту на навколишнє середовище: визнання зростаючого вуглецевого сліду процесів машинного навчання та сприяння сталому розвитку практик.
Ефективне використання ресурсів: зосереджено на мінімізації втрат ресурсів та підвищенні ефективності систем штучного інтелекту для зменшення шкоди для навколишнього середовища.
C. Посилення активного навчання та оптимізація
Активне навчання: розробка розумніших алгоритмів, які можуть удосконалюватися за допомогою цільових запитів та контрприкладів, що призводить до підвищення ефективності моделі.
Оптимізація: проведення досліджень для покращення продуктивності класичних систем планування на основі штучного інтелекту, що робить їх більш ефективними та надійними.
D. Застосування ШІ в процесах і системах
Декларативні процеси: використання штучного інтелекту для оптимізації аналізу процесів, представлення та синтезу для кращої автоматизації робочих процесів.
Багатоагентна співпраця: дослідження проблем та можливостей багатоагентних систем, зокрема, у вирішенні складних багатоцільових сценаріїв.
Виявлення аномалій: використання штучного інтелекту для виявлення незвичайних закономірностей або відхилень у даних, які можуть свідчити про помилки, шахрайство або системні збої. Це включає моніторинг у режимі реального часу та прогнозну аналітику для покращення прийняття рішень та підтримки цілісності системи.
E. ШІ загального призначення
Визначення, оцінка та вдосконалення ЗШІ: Зростаюча увага приділяється виявленню обмежень та пропонуванню стандартизованих рішень для ШІ, які можуть працювати в різних завданнях.
Ключові методи
A. Великі мовні моделі
B. Навчання з підкріпленням
C. Багатоагентні системи
D. Комп’ютерний зір
Основні моменти конференції
1. Етика та справедливість
На семінарі « Впровадження етики штучного інтелекту крізь поведінкову призму» [2] було досліджено, як узгодити системи штучного інтелекту з людськими цінностями, з акцентом на справедливості, зменшенні упередженості та прозорості. Було підкреслено необхідність вийти за рамки традиційних показників точності та впровадити методи оцінки, що відображають реальні проблеми, такі як показники, орієнтовані на пацієнта, в охороні здоров'я. На семінарі також обговорювалася важливість запобігання витоку даних та впровадження надійних багатоцентрових процесів оцінки для забезпечення надійності.
Ще одним помітним внеском була робота «Етичне управління ШІ: методи оцінки надійного ШІ» [3] , у якій методи оцінки ШІ класифіковано на концептуальні, ручні, напівавтоматичні та автоматизовані підходи. У статті стверджувалося, що хоча автоматизовані інструменти можуть ефективно виявляти упередженість та проблеми з пояснювальністю, людський нагляд залишається важливим для прийняття нюансованих етичних рішень. Також були розглянуті такі проблеми, як відсутність стандартизації та невідповідності в оцінках надійності, що підкреслило необхідність уніфікованих систем оцінювання.
Крім того, у статті PEACE (Надання пояснень та аналізу для боротьби з вираженнями ненависті) [1] було представлено веб-інструмент, призначений для виявлення ледь помітної та прихованої мови ненависті, яку традиційні моделі часто ігнорують. Інтегруючи інструменти візуалізації та зрозумілі методи штучного інтелекту, PEACE допомагає модераторам контенту краще розуміти та реагувати як на явну, так і на приховану мову ненависті на онлайн-платформах.
2. Стійкість
У роботі «Більше (достатньо) – це краще: на шляху до сегментації незаконних звалищ за допомогою кількох знімків » [1] розглядалася проблема виявлення незаконних місць захоронення відходів на аерофотознімках з мінімальними позначеними даними. Запропонований підхід використовував методи навчання за допомогою кількох знімків та генерацію синтетичних даних для підвищення точності виявлення, мінімізуючи потребу в обширних ручних анотаціях. Це дослідження підкреслило, як штучний інтелект може бути використаний для ефективного вирішення реальних екологічних проблем.
В іншій значній статті, «Машинне навчання без відходів» [1] , було представлено підхід до оптимізації моделей штучного інтелекту, орієнтований на сталий розвиток. Автори запропонували структуру, натхненну принципами циркулярної економіки, зосереджуючись на повторному використанні обчислень та знань для підвищення ефективності моделі. Ключові методи включали умовні обчислення, безперервне навчання та переробку ресурсів, що гарантувало, що системи штучного інтелекту залишаються ресурсоефективними без шкоди для продуктивності.
Ширша проблема управління багатоагентним та багатоцільовим прийняттям рішень у контексті сталого розвитку була досліджена у статті «Світ – це багатоцільова багатоагентна система: що далі?» [1] . У цьому дослідженні розглядалося, як штучний інтелект може вирішувати суперечливі пріоритети, такі як балансування екологічної стійкості з економічними цілями. Завдяки інтеграції пояснимості та прозорості в системи штучного інтелекту, дослідження мало на меті покращити довіру та впровадження у масштабних програмах прийняття рішень.
3. Посилення активного навчання та оптимізації
У навчальному посібнику «Поза методом проб і помилок: навчальний посібник з автоматизованого навчання з підкріпленням» [4] було надано уявлення про автоматизацію процесів навчання з підкріпленням (RL). Методи AutoRL спрямовані на оптимізацію традиційно ручних завдань, таких як налаштування гіперпараметрів та вибір алгоритму, що робить RL більш доступним та адаптованим до реальних застосувань. У навчальному посібнику також розглядався вплив гіперпараметрів на чутливість та продуктивність моделі, підкреслюючи важливість автоматизованих методів оптимізації.
У пов'язаному дослідженні, «Аналіз важливості гіперпараметрів для багатоцільового AutoML» [1] , досліджувалася роль налаштування гіперпараметрів у балансуванні конкуруючих цілей, таких як точність моделі та обчислювальні витрати. Автори запропонували нові методи аналізу для визначення того, які гіперпараметри мають найбільш значний вплив, що забезпечує цінну інформацію для оптимізації багатоцільових моделей штучного інтелекту.
Крім того, у книзі «Виживання найпристосованіших: еволюційна адаптація політик до змін навколишнього середовища » [1] було представлено еволюційний підхід до навчання з підкріпленням. У дослідженні запропоновано еволюційно-робосту оптимізацію політики (ERPO) – метод, який дозволяє моделям штучного інтелекту адаптуватися до змінних середовищ без необхідності значного перенавчання. Це дослідження має значення для застосувань, де системи штучного інтелекту повинні функціонувати в динамічних та непередбачуваних умовах, таких як робототехніка та фінансове моделювання.
4. Застосування ШІ в процесах і системах
У статті «Адаптивні до пам'яті та просторово спеціалізовані ансамблі моделей для виявлення промислових аномалій » [1] представлено фреймворк, який динамічно інтегрує кілька спеціалізованих моделей для виявлення аномалій у промислових системах. Поєднуючи адаптацію пам'яті з просторовою спеціалізацією, фреймворк покращує здатність штучного інтелекту обробляти різноманітні та мінливі розподіли даних. Цей підхід виявився дуже ефективним у промислових застосуваннях, де традиційні статичні моделі мають проблеми з концептуальним дрейфом та зміною умов експлуатації.
Ще одне релевантне дослідження, «Каскадна пам'ять для виявлення аномалій без учителя» [1] , розглядало проблему надмірного узагальнення в моделях без учителя. Багато існуючих методів виявлення аномалій мають труднощі з розрізненням нормальних та аномальних даних, що призводить до високого рівня хибнопозитивних результатів. Запропонована архітектура каскадної пам'яті уточнює фокус на нормальних закономірностях, дозволяючи системі ефективніше ізолювати аномалії. Метод продемонстрував найсучаснішу продуктивність на різних наборах даних для тестування, особливо у складних реальних сценаріях.
Валідація моделей виявлення аномалій без маркованих даних була розглянута в роботі « На шляху до неконтрольованої валідації моделей » [1] . У цьому дослідженні запропоновано використовувати «точно різноманітний» ансамбль моделей для оцінки систем виявлення аномалій, використовуючи методи ранжування на основі кореляції для оцінки надійності моделі. Забезпечуючи структурований підхід до неконтрольованої валідації, дослідження сприяло підвищенню надійності та масштабованості виявлення аномалій на основі штучного інтелекту.
5. ШІ загального призначення
На семінарі «Розуміння мови в епоху людини та машини » [5] було досліджено еволюцію ролі великих мовних моделей (LLM) у таких застосунках, як розмовний штучний інтелект та машинний переклад. Хоча LLM продемонстрували вражаючі можливості, на семінарі було наголошено на їхніх обмеженнях у справжньому розумінні людської мови, особливо в контекстах, що вимагають глибокого мислення та контекстуальної усвідомленості.
Зрештою, у статті «Застереження та рішення для характеристики ШІ загального призначення » [1] розглядається ширша проблема вимірювання загальності та можливостей ШІ загального призначення. Автори запропонували нові стратегії бенчмаркінгу, включаючи тести адаптивності, які оцінюють продуктивність ШІ в різноманітних та мінливих завданнях. Вони також виступали за міждисциплінарні висновки з філософії та когнітивної науки для вдосконалення концептуалізації ШІ загального призначення, підкреслюючи важливість прозорості та пояснень в оцінці ШІ.
Резюме
ECAI досліджував ключові теми, що формують майбутнє штучного інтелекту, зокрема етику, стійкість, оптимізацію та реальні програми. Дискусії про етику та справедливість підкреслили важливість прозорих, неупереджених систем ШІ, які відповідають людським цінностям.
Зусилля щодо сталого розвитку зосереджені на зменшенні впливу ШІ на навколишнє середовище за допомогою енергоефективних методів і відповідального використання ресурсів. Досягнення в активному навчанні та оптимізації висвітлили методи автоматизації та адаптації систем ШІ до динамічних середовищ. У прикладному штучному інтелекті, оптимізації процесів та інноваціях у прийнятті рішень продемонстровано практичні рішення для промислових і суспільних проблем. Конференція також розглянула складність штучного інтелекту загального призначення, підкресливши необхідність адаптивності, прозорості та міждисциплінарної співпраці. Загалом ECAI наголосив на розробці етичних, ефективних та адаптованих систем штучного інтелекту для вирішення нагальних глобальних викликів.
Посилання
[1] Матеріали ECAI 2024 – 27-ма Європейська конференція зі штучного інтелекту (ECAI), 19-24 жовтня 2024 р., Сантьяго-де-Компостела, Іспанія. IOS Press. Доступно за посиланням: https://ebooks.iospress.nl/volume/ecai-2024-27theuropean-conference-on-artificial-intelligence-1924-october-2024santiago-de-compostela-spain-including-pais-2024
[2] Семінар AIEB-ECAI 2024 – Впровадження етики штучного інтелекту крізь поведінкову призму. ECAI 2024. Доступно за посиланням: https://aieb-ecai2024.framer.ai/
[3] МакКормак, Л. та Бендехаш, М. (2024) . Етичне управління ШІ: методи оцінки надійного ШІ. arXiv. Доступно за адресою: https://arxiv.org/abs/2409.07473
[4] ECAI 2024 Підручник з AutoRL – За межами спроб і помилок: Підручник з автоматизованого навчання з підкріпленням. Доступно за посиланням: Посилання
[5] Семінар LUHME, ECAI 2024 – Розуміння мови в епоху людини та машини. Доступно за посиланням: https://luhme.web.uah.es/
