AI: od teorii do praktyki w zrównoważonym rozwoju

itreseller.com.pl 1 rok temu

10 maja bieżącego roku ośrodek badawczo-rozwojowy IDEAS NCBR z dziedziny sztucznej inteligencji zaprosił dziennikarzy oraz liderów opinii zainteresowanych rozwojem AI na dyskusję i spotkanie przy kawie pod hasłem „Przyjazna strona AI. Dlaczego sztuczna inteligencja powinna rozwijać się w sposób zrównoważony”.

Jako gość miałem okazję uczestniczyć w panelu dyskusyjnym, w którym wzięli udział wybitni naukowcy, tacy jak dr hab. Piotr Sankowski, profesor Uniwersytetu Warszawskiego oraz prezes IDEAS NCBR, oraz dr hab. inż. Tomasz Trzciński, profesor Politechniki Warszawskiej i lider grupy badawczej. Ponadto, w spotkaniu wzięły udział ekspertki, w tym Katarzyna Szymielewicz z Fundacji Panoptykon oraz dr Inez Okulska z NASK.

Spotkanie to było następstwem popularności, jaką rozpalił wokół siebie model generatywnej AI, ChatGPT, który to przyczynił się do rozpoczęcia dyskusji o wpływie sztucznej inteligencji na człowieka i jego otoczenie.
Zrównoważony rozwój sztucznej inteligencji i zarządzenie zasobami

Już teraz część badacze zwraca uwagę na tworzenie bardziej zrównoważonych algorytmów poprzez recykling zasobów wykorzystanych w uczeniu maszynowym. Grupa badawcza Zero-waste machine learning in computer vision w IDEAS NCBR prowadzi badania w tym obszarze, który jest najważniejszy dla rozwoju sztucznej inteligencji, szczególnie w branży medycznej. Wykorzystanie bardziej wydajnych algorytmów pozwoli zwiększyć precyzję i czas reakcji podczas operacji z użyciem robotów, w następstwie zmniejszyć ryzyko powikłań. Naukowcy starają się również wykorzystać AI w medycynie do rozpoznawania niebezpiecznych zmian skórnych, wirtualnego barwienia tkanek czy wyboru narządów do przeszczepu. Oprócz sektora medycznego, AI może przynieść korzyści w rolnictwie (zbieranie i analiza precyzyjnych danych dotyczących upraw) i leśnictwie (rozwijanie metod umożliwiających precyzyjny pomiar pojedynczych drzew).

Aspekty społeczne kluczowe?

Budując rozwiązania z obszaru AI – choćby te, które nie są bezpośrednio związane z pozytywnym wpływem – należy zawsze brać pod uwagę aspekty społeczne towarzyszące rozwojowi AI. Nie można ich pomijać i skupiać się wyłącznie na zwiększaniu przychodów, ponieważ może to doprowadzić do bardzo niepożądanych sytuacji, np. wzmacniania uprzedzeń i nierówności, zamiast ich zwalczania- mówi Piotr Sankowski, prezes IDEAS NCBR.

W Stanach Zjednoczonych używa się algorytmów do planowania patroli policyjnych. Są one zdolne do wskazywania konkretnych obszarów, na których z dużym prawdopodobieństwem dojdzie do przestępstwa, np. w trakcie trwania dużych wydarzeń sportowych. Wskazówki są generowane na podstawie powiązań między miejscem, wydarzeniami i wskaźnikami przestępczości. Inne narzędzia wykorzystują osobiste dane, by przed wydaniem wyroku określić, czy oskarżony_a będzie skłonny_a do popełnienia kolejnego przestępstwa. Problem tkwi w danych, jakie dostarcza się algorytmowi, co często w bardzo prosty sposób prowadzi do zniekształceń. Jak wynika z artykułu MIT Technology Review, osoba czarnoskóra jest narażona na zatrzymanie bez uzasadnionej przyczyny pięć razy bardziej niż biała. Źle budowane algorytmy wzmacniają tylko uprzedzenia i mogą prowadzić do niepokojów społecznych.

Ważne jest to, by użytkownicy mieli wgląd w to, jaka ścieżka wnioskowania doprowadziła algorytm do konkretnego wyniku. To pozwoliłoby nie tylko zmniejszyć obawy ludzi dotyczące sztucznej inteligencji, ale także zminimalizować błędy i idące za nimi uprzedzenia. Dlatego nie mam wątpliwości, iż konieczne jest powstawanie narzędzi z zakresu Explainable AI, które “tłumaczyłyby” decyzje algorytmów i pozwalałyby usuwać błędy w nich zawarte – dodaje Piotr Sankowski, który prowadzi badania w tym zakresie.

– Można to robić na kilku poziomach: budować modele oparte na architekturach z góry zaprojektowanych tak, by były możliwie objaśnialne, lub post-factum wyjaśniać decyzję modeli, i to bardziej statystycznie lub bardziej empirycznie, w zależności od stopnia złożoności lub dostępu do samego modelu. Tak zwane czarne skrzynki można między innymi do pewnego stopnia „otwierać” behawioralnie, i to się tyczy między innymi wielkich modeli językowych. Polega to na projektowaniu testów, na przykład w przypadku chatu, składających się z sekwencji i wariantów konkretnych zapytań (tzw. prompt) i wieloaspektowym badaniu odpowiedzi modelu. Odpowiedzialna, godna zaufania sztuczna inteligencja (responsible, trust-worthy AI) to najważniejszy w tej chwili kierunek, który musi ramię w ramię iść z rozwojem samych algorytmów. Pilnować, żeby koncentracja na spektakularnych wynikach nie przysłoniła całego horyzontu. Dogłębna analiza i zrozumienie danych używanych do uczenia modeli, wyjaśnianie decyzji, badanie możliwych przekrzywień (biases) i odporności proponowanych rozwiązań jest również ważne, co kolejne procenty w rankingach rezultatów – podkreśla dr Inez Okulska, kierowniczka Zakładu Inżynierii Lingwistycznej i Analizy Tekstu w NASK.

Rynek rozwiązań opartych na AI już pokazał, iż nie ureguluje się sam. Błędy i skrzywienia w działaniu nienadzorowanych algorytmów, trenowanie modeli na niekompletnych zbiorach danych, często z naruszeniem zasad ochrony danych osobowych – to wszystko dobrze rozpoznane problemy. Żeby nie dopuścić do ich eskalacji, Unia Europejska pracuje właśnie nad kompleksową regulacją sektora AI. W miejsce rozmytych deklaracji etycznego podejścia do technologii, które tak chętnie serwują nam dziś firmy technologiczne, pojawią się konkretne obowiązki prawne, w tym obowiązek oceniania wpływu danego systemu na prawa człowieka zanim zostanie on wprowadzony na rynek – wyjaśnia Katarzyna Szymielewicz, prawniczka i współzałożycielka Fundacji Panoptykon, która aktywnie angażuje się w prace nad Aktem o sztucznej inteligencji.

Zielone AI

AI może być używana również do wspierania transformacji energetycznej i zwiększania efektywności energetycznej (inteligentne sieci energetyczne). – Efektywność energetyczną można podwyższać już na poziomie budowania algorytmów. W tym celu możemy energooszczędnie uczyć i stosować modele machine learning. Szczególne, iż stają się one coraz bardziej powszechne i wymagające coraz większej mocy obliczeniowej – komentuje Tomasz Trzciński, lider grupy badawczej zajmującej się tym zagadnieniem w IDEAS NCBR.

W naszej grupie badawczej nie ograniczamy modeli uczenia maszynowego, ale próbujemy zwiększać ich efektywność. W tym celu wykorzystujemy informacje, obliczenia i zasoby, do których mamy już dostęp. Można nazwać to recyklingiem obliczeń. W projekcie skupiamy się na tworzeniu modeli uczących się być wydajnymi, a nie tylko zdolnymi do rozwiązania konkretnego zadania – dodaje ekspert.

Kwestia ograniczania energochłonności jest niezwykle istotna, ponieważ wytrenowanie jednego modelu AI może przyczynić się do emisji dwutlenku węgla równej całemu cyklowi życia pięciu samochodów.

Czy AI for Social Impact jest już w głównym nurcie?

Chociaż koncepcja AI for Social Impact nie jest nowa, wiele osób zaczyna przykładać do niej większą wagę wraz z coraz szerszą dyskusją na temat sztucznej inteligencji. Podczas tegorocznej edycji prestiżowej konferencji AAAI (Association for the Advancement of Artificial Intelligence), która odbyła się w Waszyngtonie, badacze zwracali szczególną uwagę na zastosowania społeczne sztucznej inteligencji. W dodatku tematyce tej poświęcono specjalną część wydarzenia, a już w sierpniu AAAI zorganizuje konferencję specjalną: Artificial Intelligence, Ethics and Society.

Nie bez znaczenia są także wartości, którymi kierują się badacze. “Duży wpływ na popularność AI for social impact ma rosnący trend, który nazwałbym “antykorporacyjnym” – młodzi ludzie chcą tworzyć projekty przydatne społecznie, rozwiązujące realne problemy i mogące prowadzić do poprawy jakości życia” – dodaje Piotr Sankowski, prezes IDEAS NCBR.

Co więcej, w formularzach zgłoszeniowych na największe konferencje z zakresu Machine Learning od jakiegoś czasu pojawia się obowiązkowa sekcja “social impact”, w której autorzy muszą opisać wpływ swoich algorytmów na społeczeństwo – wyjaśnia Tomasz Trzciński.

Idź do oryginalnego materiału