Technologinis sprendimas, kuriame dirbtinis intelektas naudojamas vienoje vietoje, nebūtinai gali būti taikomas kituose kontekstuose. Kreditas: Shutterstock Dirbtinio intelekto (DI) takoskyra tarp pramoninių ir besivystančių šalių yra ne tik galimybė pasiekti ir naudoti naujas technologijas. Tai taip pat apie vyriausybes ir vietines įmones visame pasaulyje, galinčias sukurti savo AI įrankius, kad galėtų pasinaudoti jų potencialu ir geriau sumažinti riziką.
Pagrindinė AI problema, kurią reikia išspręsti, yra teisinga AI sistemų nuosavybė ir galimybė naudotis pranašumais. Šis klausimas atitinka skaitmeninės atskirties keliamą iššūkį, nes spartėjantis skaitmeninimas padidino socialinį ir ekonominį atotrūkį tarp tų, kurie gali prisijungti prie interneto, ir tų, kurie negali naudotis.
Su dirbtinio intelekto standartizavimu ir reguliavimu susijusią politiką apibrėžia pilietinės visuomenės, privataus sektoriaus įmonių ir nacionalinių vyriausybių iniciatyvos. Tačiau nuo 2021 m. buvo dedama vis daugiau pastangų siekiant pasaulinio valdymo. Visai neseniai buvo paskelbtas Jungtinių Tautų daugiašalis patariamasis organas dirbtinio intelekto klausimais.
Modeliniai požiūriai
Daugelis su DI pastebėtų pavojų – diskriminacija, stereotipų kūrimas, bendras netinkamas pritaikymas įvairiems specifiniams geografiniams ir kultūriniams kontekstams – kyla dėl dirbtinio intelekto sistemų kompiuterinio modeliavimo. Skaičiavimo modeliavimas suteikia supaprastintą tikrovės vaizdą, kuris vėliau naudojamas prognozėms.
Modelių naudojimas turi turtingą Vakarų mąstymo tradicijų kilmę. Tai primena Platono formų teoriją, kuri leidžia manyti, kad materialioji sfera yra blyški sąvokų ar formų, atspindinčių neapčiuopiamą esmę, sferos imitacija.
Šiandien žodis „modelis“ siejamas su daugybe idealų, kurių turėtume siekti – į galvą ateina terminas „pavyzdys“. Net mados modelio profesija virto archetipu, kurį reikia atspindėti, o profesionalūs modeliai reprezentuoja grožio idealą.
Problema su modeliais
Devintajame ir dešimtajame dešimtmetyje tarptautinių finansų institucijų besivystančiose šalyse propaguojami ekonominiai modeliai buvo daug kritikuojami. Juos ypač kritikavo amerikiečių ekonomistas ir Nobelio premijos laureatas Josephas Stiglitzas už tai, kad taiko „visiems tinkantį“ metodą, kuris turėjo neigiamą poveikį kelių šalių ekonomikai.
Ne tik finansinis turtas, susijęs su dirbtiniu intelektu, sutelktas keliose šalyse, bet ir mąstymas apie patį AI yra centralizuotas. Daugumą didelių AI modelių kuria kelios JAV ir Kinijos įmonės, naudodamos mokymo duomenis, kurie daugiausia atspindi jų pačių kultūrą, ir dažnai kūrėjai, kurie nesupranta vietinių aplinkybių, nesusijusių su savo pačių.
Pavyzdžiui, nors daugiau nei trečdalis pasaulio gyventojų naudojasi „Facebook“, jį valdantys algoritmai, tokie kaip turinio rekomendacijos, kontaktų pasiūlymai ir veido atpažinimas, pirmiausia buvo sukurti naudojant amerikiečių kūrėjams prieinamus duomenis.
Tai reiškia, kad, kaip ir daugelis kitų klaidingų modelių praeityje, šališki AI modeliai gali tiksliai neatspindėti konteksto, kuriame jie taikomi, nes pagrindiniai duomenys, naudojami jiems sukurti, patys savaime nėra reprezentatyvūs.
Bėgant metams išryškėjo šių modelių šališkumas. Šios problemos svyruoja nuo nesugebėjimo tiksliai identifikuoti įvairaus odos atspalvio asmenis iki diskriminacinių pasekmių skirtingoms grupėms ir konkrečių populiacijų išskyrimo.
Tokie rezultatai nėra visiškai netikėti, atsižvelgiant į istorinį ir geopolitinį modelių poveikio kontekstą. Kaip pastebėjome, įvairūs modeliai – nesvarbu, ar jie susiję su ekonomika, ar su technologijomis – gali būti potencialiai žalingi, jei jie netinkamai taikomi.
Modelių lokalizavimas
Dirbtinis intelektas modelių koncepciją nunešė gana toli – socialinis ir ekonominis potencialas yra didžiulis, tačiau tik tuo atveju, jei modeliai yra tinkamai sukalibruoti. Pagrindinis šios problemos sprendimas sukasi aplink modelio lokalizavimo idėją: tinkamiausios ir tinkamiausios AI sistemos turėtų būti pagrįstos vietiniais kontekstais.
Tam reikia dekolonizuoti duomenis ir dirbtinį intelektą. Šis jausmas taip pat atspindi augantį polinkį į skaitmeninį suverenitetą, leidžiantį tautoms savarankiškai valdyti savo skaitmeninę infrastruktūrą, aparatinę įrangą, tinklus ir įrenginius.
Mano transplantacijos, prisitaikymo ir kūrimo (TAC) tyrimai tiria AI naudojimą visuomenės sveikatai visame pasaulyje. COVID-19 pandemijos metu dirbtinio intelekto modeliai buvo naudojami planuojant sveikatos paslaugas, bendraujant su visuomene ir stebint ligos plitimą.
Pandemija išryškino geografinio ir kultūrinio kraštovaizdžio skirtumus, dėl kurių reikėjo niuansuoto požiūrio į modeliavimą. Taikant TAC metodą, nagrinėjamas kiekvienas AI pritaikymas, kartu sprendžiant, ar jis buvo persodintas tiesiai iš kito konteksto be pakeitimų; pritaikytas arba modifikuotas iš kito modelio; arba sukurtas vietoje.
Iššūkio supratimas
Norint įveikti pasaulinę AI takoskyrą, reikia suprasti, kad bent iš dalies susiduriame su modeliavimo problema, panašia į ankstesnes modeliavimo problemas. Todėl vienas iš iššūkių, su kuriais susidurs politikos formuotojai, yra įvertinti, kaip užtikrinti, kad dirbtinio intelekto modelius galėtų sukurti ir įdiegti kuo daugiau šalių, kad jie galėtų pasinaudoti jų potencialu.
Sprendimai, tokie kaip TAC sistemos taikymas, skatina mus link modelio lokalizavimo, užtikrinant, kad AI programos kuo labiau prisitaikytų prie įvairios pasaulinės realybės.
Šis straipsnis iš naujo paskelbtas iš The Conversation pagal Creative Commons licenciją. Skaitykite originalų straipsnį.
Citata: naudojant AI COVID-19 pandemijos metu reikėjo pritaikyti technologiją prie jos konteksto, sako mokslininkas (2023 m. rugpjūčio 18 d.), gautas 2023 m. rugpjūčio 18 d. iš https://techxplore.com/news/2023-08-ai-covid-pandemic -required-technology.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
