Η τεχνητή νοημοσύνη θα βοηθήσει ή θα εμποδίσει την πρόοδο στους ΣΒΑ;

Υπάρχει μεγάλο ενδιαφέρον από το εσωτερικό των Ηνωμένων Εθνών για το πώς μπορεί να χρησιμοποιηθεί η τεχνητή νοημοσύνη (AI) για να επιταχυνθεί η πρόοδος προς τους 17 Στόχους Βιώσιμης Ανάπτυξης (SDGs), λέει ο επιστήμονας υπολογιστών Serge Stinckwich.

Ως επικεφαλής της έρευνας στο Πανεπιστημιακό Ινστιτούτο των Ηνωμένων Εθνών στο Μακάο (UNU Macau), το οποίο ιδρύθηκε από τον ΟΗΕ το 1992 για να κάνει έρευνα και εκπαίδευση στη χρήση ψηφιακών τεχνολογιών στην αντιμετώπιση παγκόσμιων ζητημάτων, ο Stinckwich ενδιαφέρεται για το πώς η τεχνητή νοημοσύνη μπορεί να βοηθήσει τις χώρες να πετύχουν τους στόχους τους για τα SDG έως την προθεσμία του 2030.

Οποιαδήποτε κέρδη από τη χρήση της τεχνητής νοημοσύνης θα συνοδεύονται από κόστος, ωστόσο. Ένας διαβόητος πόρος που διψά για δύναμη και είναι ευάλωτος σε μεροληψία και άνιση πρόσβαση, η τεχνητή νοημοσύνη παρουσιάζει τις δικές της προκλήσεις.

Ο Stinckwich μίλησε στο Nature Index για το πώς τα ιδρύματα μπορούν να χρησιμοποιήσουν υπεύθυνα εργαλεία τεχνητής νοημοσύνης για να ενισχύσουν την έρευνά τους που σχετίζεται με τους SDG.

Ποιο είναι ένα παράδειγμα του τρόπου με τον οποίο η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για την επιτάχυνση της προόδου προς τους ΣΒΑ;

Η δημοτικότητα των μεγάλων γλωσσικών μοντέλων (LLM) έχει προκαλέσει μια ταχεία κλιμάκωση του όγκου των δεδομένων που χρησιμοποιούνται για την εκπαίδευση συστημάτων AI. Υπάρχει πλέον σπανιότητα αναγνώσιμων από μηχανή, ποικίλων δεδομένων στο Διαδίκτυο για την εκπαίδευση αλγορίθμων τεχνητής νοημοσύνης. Τα συνθετικά δεδομένα, τα οποία παράγονται χρησιμοποιώντας αλγόριθμους και προσομοιώσεις που μιμούνται σενάρια πραγματικού κόσμου, παρέχουν έναν τρόπο εκπαίδευσης μοντέλων τεχνητής νοημοσύνης σε περισσότερα δεδομένα από ό,τι θα ήταν συνήθως δυνατό.

Τα συνθετικά δεδομένα μπορούν να βοηθήσουν στην εξισορρόπηση μεροληπτικών συνόλων δεδομένων — για παράδειγμα, σε ένα σύνολο δεδομένων που στρέφεται προς ένα φύλο, τα συνθετικά δεδομένα μπορούν να προστεθούν στην αναπαράσταση ισορροπίας. Μπορούν επίσης να βοηθήσουν στην αντιμετώπιση του προβλήματος της σπανιότητας ή της έλλειψης δεδομένων. Αυτό μπορεί να είναι ιδιαίτερα χρήσιμο στην ιατρική έρευνα, στην οποία τα δεδομένα υγείας και οι προσωπικές πληροφορίες των ανθρώπων μπορεί να είναι δύσκολο να ληφθούν λόγω ζητημάτων απορρήτου.

Αυτή η προσέγγιση θα γίνεται ολοένα και πιο κοινή. Η Gartner, μια εταιρεία ερευνών και συμβούλων με έδρα το Στάμφορντ του Κονέκτικατ, προβλέπει ότι μέχρι το τέλος του τρέχοντος έτους, περισσότερο από το 60% των δεδομένων που χρησιμοποιούνται για την εκπαίδευση μοντέλων μηχανικής μάθησης θα είναι συνθετικά.

Ποιοι είναι οι κίνδυνοι από τη χρήση συνθετικών δεδομένων;

Τα συνθετικά δεδομένα παράγονται από σύνολα δεδομένων που υπάρχουν ήδη. Έτσι, οι προκαταλήψεις στα αρχικά σύνολα δεδομένων θα μπορούσαν να διαδοθούν σε όλα τα συνθετικά δεδομένα και με τη σειρά τους, τα μοντέλα AI που έχουν εκπαιδευτεί σε αυτά. Η εργασία μας στο UNU Macau επικεντρώνεται στην κατανόηση του αντίκτυπου των συνθετικών δεδομένων που χρησιμοποιούνται στη μηχανική μάθηση, συμπεριλαμβανομένων των κινδύνων για τη βιώσιμη ανάπτυξη μέσω της έρευνας.

Πέρυσι, για παράδειγμα, δημοσιεύσαμε μια σύνοψη τεχνολογίας στην οποία προσπαθήσαμε να εντοπίσουμε τα οφέλη και τους κινδύνους από τη χρήση συνθετικών δεδομένων στην εκπαίδευση τεχνητής νοημοσύνης. Με βάση αυτή την εργασία, προτείναμε κατευθυντήριες γραμμές για την υπεύθυνη χρήση συνθετικών δεδομένων στην έρευνα που σχετίζεται με τους SDG, ειδικά σε φτωχότερες χώρες. Αυτό περιλαμβάνει τη χρήση διαφορετικών δεδομένων κατά τη δημιουργία συνθετικών συνόλων δεδομένων, πράγμα που σημαίνει ότι περιλαμβάνει ένα ευρύ φάσμα δημογραφικών στοιχείων, περιβαλλόντων και συνθηκών. Συνιστούμε επίσης να αποκαλύπτονται ή να υδατογραφούνται όλα τα συνθετικά δεδομένα και οι πηγές τους, να αποκαλύπτονται μετρήσεις ποιότητας για συνθετικά δεδομένα και να δίνεται προτεραιότητα στη χρήση μη συνθετικών δεδομένων όταν είναι δυνατόν.

2024 Επικεφαλής Έρευνας

Συνιστούμε επίσης στα ιδρύματα και τους οργανισμούς να θεσπίσουν παγκόσμια πρότυπα ποιότητας, μέτρα ασφαλείας και ηθικές οδηγίες για τη δημιουργία και τη χρήση συνθετικών δεδομένων.

Ελπίζουμε ότι τα κράτη μέλη και οι υπηρεσίες του ΟΗΕ θα υιοθετήσουν τις κατευθυντήριες γραμμές μας για να υποστηρίξουν τη χάραξη πολιτικής στην παγκόσμια διακυβέρνηση της τεχνητής νοημοσύνης.

Ποια άλλα εργαλεία ή πόροι τεχνητής νοημοσύνης κάνουν τη διαφορά στην έρευνα που σχετίζεται με τους SDG;

Όταν ήμουν ερευνητής στο Γαλλικό Ινστιτούτο Ερευνών για τη Βιώσιμη Ανάπτυξη (IRD) στη Μασσαλία, εργαζόμουν σε ένα έργο που ονομάζεται Deep2PDE στο Καμερούν. Μαζί με συναδέλφους στα τοπικά πανεπιστήμια, η ομάδα μας χρησιμοποίησε εργαλεία μηχανικής μάθησης για να κατανοήσει πώς ο ανταγωνισμός για το φως μεταξύ των φυτικών ειδών επηρεάζει τα αγροδάση στα οποία καλλιεργούνται κακαόδεντρα μαζί με άλλα δέντρα και καλλιέργειες. Αυτό μας βοήθησε να προσομοιώσουμε, να σχεδιάσουμε και να δοκιμάσουμε συστήματα για τη βελτιστοποίηση της παραγωγής κακάο.

Υπάρχουν πολλές πρακτικές εφαρμογές της τεχνητής νοημοσύνης, όπως αυτή, που μπορούν να βοηθήσουν στην πρόοδο προς τους ΣΒΑ. Ένα μεγάλο πλεονέκτημα είναι ότι αυτά τα εργαλεία μπορούν να βοηθήσουν τις ομάδες να προσαρμόσουν την εργασία τους στις ανάγκες και τα πλαίσια των κοινοτήτων. αυτό που μπορεί να είναι χρήσιμο για τους ανθρώπους στην Ευρώπη ή τη Βόρεια Αμερική μπορεί να μην λειτουργεί στην Αφρική.

Ποιοι είναι οι άλλοι κίνδυνοι από τη χρήση της τεχνητής νοημοσύνης γενικότερα για την πρόοδο της έρευνας SDG;

Χρειαζόμαστε μεγάλη υπολογιστική υποδομή για την τροφοδοσία συστημάτων τεχνητής νοημοσύνης και αυτό απαιτεί πόρους όπως το νερό για συστήματα ψύξης. Αυτό έχει επιπτώσεις στη βιωσιμότητα και κατ’ επέκταση στους ΣΒΑ. Άρα, πρέπει να είμαστε προσεκτικοί. Οι περιβαλλοντικές επιπτώσεις των συστημάτων τεχνητής νοημοσύνης, συμπεριλαμβανομένης της χρήσης ορυκτών και νερού και των εκπομπών αερίων του θερμοκηπίου, αποτελούν μεγάλη ανησυχία. Για παράδειγμα, προτείνουν κάποιες έρευνες ότι η εκπαίδευση ενός LLM, όπως αυτό που τροφοδοτεί το chatbot ChatGPT, θα μπορούσε να παράγει εκπομπές άνθρακα ισοδύναμες με εκείνες από περίπου 500–600 πτήσεις μεταξύ της Νέας Υόρκης και του Λος Άντζελες της Καλιφόρνια.

Ορισμένες εταιρείες τεχνολογίας δεν θέλουν να μοιραστούν το πραγματικό κόστος των συστημάτων τεχνητής νοημοσύνης και των πόρων που χρησιμοποιούν. Αυτό καθιστά δύσκολο για τους ερευνητές να αξιολογήσουν τις περιβαλλοντικές επιπτώσεις της τεχνητής νοημοσύνης και να συμβουλεύσουν τις κυβερνήσεις και τους υπεύθυνους χάραξης πολιτικής για το πώς να τις μετριάσουν.

Ένα άλλο σημαντικό ζήτημα είναι αυτό της ανισότητας: τα εργαλεία και τα δεδομένα τεχνητής νοημοσύνης συχνά ανήκουν και ελέγχονται από εταιρείες και ιδρύματα σε πλουσιότερες χώρες, επομένως οι φτωχότερες χώρες περιορίζονται στον τρόπο με τον οποίο μπορούν να τα χρησιμοποιήσουν για να προωθήσουν την έρευνά τους που σχετίζεται με τους SDG.

Πώς μπορεί να αντιμετωπιστεί το πρόβλημα των μετοχών;

Ένας μεγάλος λόγος για αυτό το ζήτημα είναι ότι το μεγαλύτερο μέρος της προόδου στην κατασκευή LLM τα τελευταία χρόνια έχει γίνει από ιδιωτικές εταιρείες, όχι από ακαδημαϊκούς και ερευνητικά ιδρύματα. Ορισμένες πιθανές λύσεις περιλαμβάνουν τη δημιουργία συμπράξεων δημόσιου και ιδιωτικού τομέα και πρωτοβουλίες για τον εκδημοκρατισμό της πρόσβασης στην υπολογιστική υποδομή.

Για παράδειγμα, το Ελβετικό Διεθνές Δίκτυο Υπολογιστών και Τεχνητής Νοημοσύνης, που διευθύνεται από το Ελβετικό Ομοσπονδιακό Ινστιτούτο Τεχνολογίας στη Ζυρίχη, στοχεύει να δώσει σε ερευνητές από ρυθμίσεις χαμηλού εισοδήματος πρόσβαση σε πόρους υπερυπολογιστών, ώστε να μπορούν να αναπτύξουν εργαλεία τεχνητής νοημοσύνης που ωφελούν τον κόσμο. Συνεργάζονται με οργανισμούς όπως η Data Science Africa, ένας μη κερδοσκοπικός όμιλος στο Ναϊρόμπι, για να ενδυναμώσουν τους νέους Αφρικανούς να χρησιμοποιούν την επιστήμη των δεδομένων για να αναπτύξουν λύσεις για τοπικά προβλήματα και να συμβάλουν στη μείωση των ανισοτήτων στις υποδομές δεδομένων και λογισμικού.

Ορισμένες διαδικτυακές πλατφόρμες, όπως αυτή που διαχειρίζεται η Hugging Face, μια εταιρεία τεχνολογίας στη Νέα Υόρκη, καθιστούν την υποδομή δημιουργίας εργαλείων AI προσβάσιμη σε όλους. Είναι ανοιχτού κώδικα, επιτρέποντας στους χρήστες να μοιράζονται και να έχουν πρόσβαση σε πόρους, συμπεριλαμβανομένων συνόλων δεδομένων και μοντέλων που έχουν αναπτυχθεί από άλλους. Αυτή η προσέγγιση μπορεί να βοηθήσει στη μείωση της κατανάλωσης πόρων και των περιβαλλοντικών επιπτώσεων της ανάπτυξης της τεχνητής νοημοσύνης.

Αυτή η συνέντευξη έχει επιμεληθεί για λόγους έκτασης και σαφήνειας.

Το περιεχόμενο ειδήσεων και συμπληρωμάτων του Nature Index είναι συντακτικά ανεξάρτητο από τον εκδότη του, Springer Nature. Για περισσότερες πληροφορίες σχετικά με το Nature Index, ανατρέξτε στην αρχική σελίδα.