Vào đầu năm, tôi đã đặt ra Mục tiêu và Kết quả then chốt (OKR) để thúc đẩy sự phát triển cá nhân và nghề nghiệp của mình. Tôi đã làm việc hướng tới OKR của mình bằng cách đóng góp vào một dự án nghiên cứu, cố vấn và đào tạo một thực tập sinh về khoa học dữ liệu, mở rộng kiến thức của mình bằng cách đọc 28 cuốn sách và cải thiện điểm thi EFSET của mình thêm 15 điểm để đủ điều kiện trình độ tiếng Anh của mình. Ngoài ra, tôi đã đào sâu chuyên môn của mình về Học máy cho Sản xuất (MLOps) bằng cách hoàn thành một chuyên ngành với điểm cao nhất trong nhiều khóa học.
Để ghi nhận những thành tựu này, Galaksiya đã vinh danh tôi với cơ hội tham dự hội nghị ECAI, một sự kiện uy tín cung cấp những hiểu biết vô giá về những tiến bộ mới nhất trong trí tuệ nhân tạo. Hội nghị được tổ chức tại thành phố Santiago de Compostela ngoạn mục, một nơi mang lại cảm giác như đang quay ngược thời gian. Khi đi bộ qua những con phố lát đá cuội và kiến trúc thời trung cổ, tôi cảm thấy như thể mình đột nhiên được dịch chuyển đến thế kỷ 14, bước qua những trang sách lịch sử. Vẻ đẹp và di sản phong phú của thành phố khiến trải nghiệm này càng trở nên khó quên hơn. Trong blog này, tôi sẽ chia sẻ hành trình và những điểm chính rút ra từ hội nghị.
Hội nghị Trí tuệ nhân tạo Châu Âu lần thứ 27 (ECAI)
ECAI được tổ chức từ ngày 19 đến ngày 24 tháng 2024 năm 1,600 và quy tụ hơn XNUMX đại biểu từ cộng đồng nghiên cứu AI toàn cầu.
Hội nghị có một chương trình toàn diện, bao gồm các bài thuyết trình kỹ thuật, hội thảo, hướng dẫn, bài thuyết trình được mời và các phiên đặc biệt. Trong blog này, tôi sẽ cung cấp bản tóm tắt các bài thuyết trình và hướng dẫn mà tôi đã tham dự trong sự kiện. Tất cả các bài viết đều được xuất bản trong [1].
Chủ đề chính
A. Đạo đức và Công bằng
Trách nhiệm giải trình trong các hệ thống AI: Giải quyết các rủi ro liên quan đến AI đa năng và tạo ra các cơ chế để đảm bảo triển khai an toàn và có đạo đức.
Lạm dụng AI: Giải quyết các vấn đề đạo đức như việc sử dụng AI một cách độc hại, đặc biệt là trong các lĩnh vực nhạy cảm như mạng xã hội.
Công bằng và toàn diện: Ủng hộ sự đại diện công bằng và cân xứng trong các hệ thống ra quyết định dựa trên trí tuệ nhân tạo.
Khả năng giải thích trong AI: Đảm bảo các hệ thống AI minh bạch và dễ hiểu để thúc đẩy lòng tin và sự hiểu biết, cho phép các bên liên quan hiểu được cách thức đưa ra quyết định.
B. Tính bền vững
Tác động môi trường của AI: Nhận thức về lượng khí thải carbon ngày càng tăng của các quy trình học máy và thúc đẩy các hoạt động bền vững.
Sử dụng tài nguyên hiệu quả: Tập trung vào việc giảm thiểu lãng phí tài nguyên và nâng cao hiệu quả của các hệ thống AI để giảm thiểu tác hại đến môi trường.
C. Tăng cường học tập chủ động và tối ưu hóa
Học chủ động: Phát triển các thuật toán thông minh hơn, có khả năng tự tinh chỉnh bằng cách sử dụng các truy vấn và ví dụ phản chứng có mục tiêu, dẫn đến hiệu quả mô hình tốt hơn.
Tối ưu hóa: Tiến hành các nghiên cứu để cải thiện hiệu suất của các hệ thống lập kế hoạch AI truyền thống, giúp chúng hoạt động hiệu quả và đáng tin cậy hơn.
D. Ứng dụng AI trong quy trình và hệ thống
Các quy trình khai báo: Sử dụng trí tuệ nhân tạo để tối ưu hóa việc khai thác, biểu diễn và tổng hợp quy trình nhằm tự động hóa quy trình làm việc tốt hơn.
Hợp tác đa tác nhân: Khám phá những thách thức và cơ hội của hệ thống đa tác nhân, đặc biệt là trong việc giải quyết các kịch bản phức tạp, đa mục tiêu.
Phát hiện bất thường: Sử dụng trí tuệ nhân tạo (AI) để xác định các mẫu hoặc sai lệch bất thường trong dữ liệu, có thể cho thấy lỗi, gian lận hoặc sự cố hệ thống. Điều này bao gồm giám sát thời gian thực và phân tích dự đoán để nâng cao khả năng ra quyết định và duy trì tính toàn vẹn của hệ thống.
E. AI mục đích chung
Định nghĩa, đánh giá và cải tiến Trí tuệ Nhân tạo Tổng quát (AGI): Tập trung ngày càng nhiều vào việc xác định các hạn chế và đề xuất các giải pháp tiêu chuẩn hóa cho AI có thể hoạt động trên nhiều nhiệm vụ khác nhau.
Phương pháp chính
A. Mô hình ngôn ngữ lớn
B. Học tăng cường
C. Hệ thống đa tác nhân
D. Thị giác máy tính
Những điểm nổi bật từ Hội nghị
1. Đạo đức và công bằng
Hội thảo Thực hiện Đạo đức AI thông qua Góc nhìn Hành vi [2] đã khám phá cách điều chỉnh các hệ thống AI phù hợp với các giá trị của con người, nhấn mạnh tính công bằng, giảm thiểu thiên kiến và tính minh bạch. Hội thảo đã nêu bật nhu cầu vượt ra ngoài các số liệu chính xác truyền thống và áp dụng các phương pháp đánh giá phản ánh những thách thức trong thế giới thực, chẳng hạn như các số liệu lấy bệnh nhân làm trung tâm trong chăm sóc sức khỏe. Hội thảo cũng thảo luận về tầm quan trọng của việc ngăn chặn rò rỉ dữ liệu và triển khai các quy trình đánh giá đa trung tâm mạnh mẽ để đảm bảo độ tin cậy.
Một đóng góp đáng chú ý khác là Quản trị AI có đạo đức: Phương pháp đánh giá AI đáng tin cậy [3] , trong đó phân loại các phương pháp đánh giá AI thành các phương pháp tiếp cận khái niệm, thủ công, bán tự động và tự động. Bài báo lập luận rằng mặc dù các công cụ tự động có thể phát hiện hiệu quả các vấn đề về thiên kiến và khả năng giải thích, nhưng sự giám sát của con người vẫn rất cần thiết cho việc ra quyết định đạo đức tinh tế. Các thách thức như thiếu tiêu chuẩn hóa và sự không nhất quán trong các đánh giá về độ tin cậy cũng được đề cập, nhấn mạnh sự cần thiết của các khung đánh giá thống nhất.
Ngoài ra, bài báo PEACE (Cung cấp Giải thích và Phân tích để Chống lại Biểu hiện Thù hận) [1] đã giới thiệu một công cụ web được thiết kế để phát hiện ngôn từ thù hận tinh vi và ẩn giấu mà các mô hình truyền thống thường bỏ qua. Bằng cách tích hợp các công cụ trực quan hóa và các kỹ thuật AI có thể giải thích, PEACE giúp người kiểm duyệt nội dung hiểu rõ hơn và giải quyết cả ngôn từ thù hận rõ ràng và ngầm định trên các nền tảng trực tuyến.
XUẤT KHẨU. Kha nang duy tri bền vững
Nhiều hơn (Đủ) là tốt hơn: Hướng tới phân đoạn chất thải bãi rác bất hợp pháp với số lượng mẫu ít [1] đã giải quyết thách thức phát hiện các địa điểm chất thải bất hợp pháp trong ảnh chụp từ trên không với dữ liệu được gắn nhãn tối thiểu. Phương pháp được đề xuất đã tận dụng các kỹ thuật học tập với số lượng mẫu ít và tạo dữ liệu tổng hợp để cải thiện độ chính xác phát hiện đồng thời giảm thiểu nhu cầu chú thích thủ công rộng rãi. Nghiên cứu này đã nhấn mạnh cách AI có thể được sử dụng để giải quyết các vấn đề môi trường thực tế một cách hiệu quả.
Một bài báo quan trọng khác, Học máy không chất thải [1] , đã giới thiệu một cách tiếp cận hướng tới tính bền vững để tối ưu hóa mô hình AI. Các tác giả đã đề xuất một khuôn khổ lấy cảm hứng từ các nguyên tắc kinh tế tuần hoàn, tập trung vào việc tái sử dụng các phép tính và kiến thức để nâng cao hiệu quả của mô hình. Các kỹ thuật chính bao gồm tính toán có điều kiện, học tập liên tục và tái chế tài nguyên, đảm bảo rằng các hệ thống AI vẫn tiết kiệm tài nguyên mà không làm giảm hiệu suất.
Thách thức lớn hơn của việc quản lý quyết định đa tác nhân và đa mục tiêu trong bối cảnh bền vững đã được khám phá trong Thế giới là một Hệ thống Đa mục tiêu Đa tác nhân: Bây giờ thì sao? [1] . Nghiên cứu này đã xem xét cách AI có thể giải quyết các ưu tiên xung đột, chẳng hạn như cân bằng tính bền vững môi trường với các mục tiêu kinh tế. Bằng cách tích hợp khả năng giải thích và tính minh bạch vào các hệ thống AI, nghiên cứu này nhằm mục đích cải thiện niềm tin và khả năng áp dụng trong các ứng dụng ra quyết định quy mô lớn.
3. Tăng cường học tập chủ động và tối ưu hóa
Bài hướng dẫn Vượt qua Thử nghiệm & Sai sót: Hướng dẫn về Học tăng cường tự động [4] đã cung cấp những hiểu biết sâu sắc về việc tự động hóa các quy trình học tăng cường (RL). Các phương pháp AutoRL nhằm mục đích hợp lý hóa các nhiệm vụ thủ công truyền thống, chẳng hạn như điều chỉnh siêu tham số và lựa chọn thuật toán, giúp RL dễ tiếp cận hơn và thích ứng hơn với các ứng dụng trong thế giới thực. Bài hướng dẫn cũng đề cập đến tác động của siêu tham số đối với độ nhạy và hiệu suất của mô hình, củng cố tầm quan trọng của các kỹ thuật tối ưu hóa tự động.
Một nghiên cứu liên quan, Phân tích tầm quan trọng của siêu tham số cho AutoML đa mục tiêu [1] , đã khám phá vai trò của việc điều chỉnh siêu tham số trong việc cân bằng các mục tiêu cạnh tranh, chẳng hạn như độ chính xác của mô hình so với chi phí tính toán. Các tác giả đã giới thiệu các kỹ thuật phân tích mới để xác định siêu tham số nào có tác động đáng kể nhất, cung cấp những hiểu biết có giá trị để tối ưu hóa các mô hình AI đa mục tiêu.
Ngoài ra, Nghiên cứu Sự sống còn của kẻ mạnh nhất: Sự thích nghi tiến hóa của các chính sách đối với sự thay đổi môi trường [1] đã giới thiệu một phương pháp dựa trên tiến hóa cho học tăng cường. Nghiên cứu này đề xuất Tối ưu hóa chính sách mạnh mẽ tiến hóa (ERPO), một kỹ thuật cho phép các mô hình AI thích ứng với môi trường thay đổi mà không cần đào tạo lại rộng rãi. Nghiên cứu này có ý nghĩa đối với các ứng dụng mà hệ thống AI phải hoạt động trong môi trường năng động và khó đoán, chẳng hạn như robot và mô hình tài chính.
4. Ứng dụng AI trong quy trình và hệ thống
Bài báo Tập hợp mô hình thích ứng bộ nhớ và chuyên biệt hóa không gian để phát hiện bất thường trong công nghiệp [1] đã giới thiệu một khung tích hợp động nhiều mô hình chuyên biệt để phát hiện các bất thường trong hệ thống công nghiệp. Bằng cách kết hợp thích ứng bộ nhớ với chuyên biệt hóa không gian, khung này tăng cường khả năng của AI trong việc xử lý các phân phối dữ liệu đa dạng và đang phát triển. Cách tiếp cận này đã được chứng minh là rất hiệu quả trong các ứng dụng công nghiệp, nơi các mô hình tĩnh truyền thống gặp khó khăn với sự thay đổi khái niệm và điều kiện hoạt động thay đổi.
Một nghiên cứu liên quan khác, Bộ nhớ xếp tầng cho phát hiện bất thường không giám sát [1] , đã giải quyết thách thức về sự khái quát hóa quá mức trong các mô hình không giám sát. Nhiều phương pháp phát hiện bất thường hiện có gặp khó khăn trong việc phân biệt giữa dữ liệu bình thường và bất thường, dẫn đến tỷ lệ dương tính giả cao. Kiến trúc bộ nhớ xếp tầng được đề xuất tinh chỉnh trọng tâm vào các mẫu bình thường trong khi cho phép hệ thống phân lập các bất thường hiệu quả hơn. Phương pháp này đã chứng minh hiệu suất hàng đầu trên nhiều bộ dữ liệu chuẩn, đặc biệt là trong các kịch bản thực tế phức tạp.
Việc xác thực các mô hình phát hiện bất thường mà không có dữ liệu được gắn nhãn đã được đề cập trong Towards Unsupervised Model Validation [1] . Nghiên cứu này đề xuất sử dụng một tập hợp các mô hình "đa dạng chính xác" để đánh giá các hệ thống phát hiện bất thường, tận dụng các kỹ thuật xếp hạng dựa trên tương quan để đánh giá độ tin cậy của mô hình. Bằng cách cung cấp một phương pháp có cấu trúc để xác thực không giám sát, nghiên cứu này đã góp phần làm cho việc phát hiện bất thường do AI điều khiển trở nên mạnh mẽ và có khả năng mở rộng hơn.
5. AI mục đích chung
Hội thảo Hiểu ngôn ngữ trong Kỷ nguyên Con người-Máy móc [5] đã khám phá vai trò đang phát triển của các mô hình ngôn ngữ lớn (LLM) trong các ứng dụng như AI đàm thoại và dịch máy. Mặc dù LLM đã chứng minh được khả năng ấn tượng, hội thảo đã nhấn mạnh những hạn chế của chúng trong việc thực sự hiểu ngôn ngữ của con người, đặc biệt là trong các ngữ cảnh đòi hỏi suy luận sâu sắc và nhận thức ngữ cảnh.
Cuối cùng, bài báo Những lưu ý và giải pháp để mô tả Trí tuệ nhân tạo đa năng [1] đã giải quyết thách thức rộng hơn về việc đo lường tính tổng quát và khả năng của GPAI. Các tác giả đã đề xuất các chiến lược đánh giá chuẩn mới, bao gồm các bài kiểm tra khả năng thích ứng đánh giá hiệu suất của AI trên các nhiệm vụ đa dạng và thay đổi. Họ cũng ủng hộ những hiểu biết liên ngành từ triết học và khoa học nhận thức để tinh chỉnh khái niệm về GPAI, củng cố tầm quan trọng của tính minh bạch và khả năng giải thích trong đánh giá AI.
Tổng kết
ECAI đã khám phá các chủ đề chính định hình tương lai của AI, bao gồm đạo đức, tính bền vững, tối ưu hóa và các ứng dụng trong thế giới thực. Các cuộc thảo luận về đạo đức và công bằng nhấn mạnh tầm quan trọng của các hệ thống AI minh bạch, không thiên vị, phù hợp với các giá trị của con người.
Những nỗ lực phát triển bền vững tập trung vào việc giảm tác động của AI đến môi trường thông qua các phương pháp tiết kiệm năng lượng và sử dụng tài nguyên có trách nhiệm. Những tiến bộ trong học tập chủ động và tối ưu hóa đã làm nổi bật các kỹ thuật tự động hóa và điều chỉnh các hệ thống AI cho phù hợp với môi trường năng động. Trong AI ứng dụng, tối ưu hóa quy trình và các cải tiến trong việc ra quyết định đã giới thiệu các giải pháp thực tế cho các thách thức trong công nghiệp và xã hội. Hội nghị cũng xem xét sự phức tạp của AI mục đích chung, nhấn mạnh đến nhu cầu về khả năng thích ứng, minh bạch và hợp tác liên ngành. Nhìn chung, ECAI nhấn mạnh đến sự phát triển của các hệ thống AI có đạo đức, hiệu quả và có khả năng thích ứng để giải quyết các thách thức toàn cầu cấp bách.
dự án
[1] Kỷ yếu ECAI 2024 – Hội nghị Trí tuệ Nhân tạo Châu Âu lần thứ 27 (ECAI), ngày 19-24 tháng 10 năm 2024, Santiago de Compostela, Tây Ban Nha. IOS Press. Có sẵn tại: https://ebooks.iospress.nl/volume/ecai-2024-27theuropean-conference-on-artificial-intelligence-1924-october-2024santiago-de-compostela-spain-including-pais-2024
[2] Hội thảo AIEB-ECAI 2024 – Thực hiện đạo đức AI thông qua lăng kính hành vi. ECAI 2024. Có sẵn tại: https://aieb-ecai2024.framer.ai/
[3] McCormack, L., & Bendechache, M. (2024) . Quản trị AI có đạo đức: Phương pháp đánh giá AI đáng tin cậy. arXiv. Có sẵn tại: https://arxiv.org/abs/2409.07473
[4] Hướng dẫn AutoRL ECAI 2024 – Vượt qua thử và sai: Hướng dẫn về Học tăng cường tự động. Có sẵn tại: Liên kết
[5] Hội thảo LUHME, ECAI 2024 – Hiểu ngôn ngữ trong kỷ nguyên con người-máy móc. Có sẵn tại: https://luhme.web.uah.es/
