Подпишитесь на нашу рассылку здесь

Ранее в этом году нас пригласили провести сессию официальной конференции ООН по использованию ИИ во благо в Женеве. Мы выбрали тему инвестирования в ИИ для решения социальных проблем. В этой статье рассказывается, почему мы думаем, что это важная тема, и о чем мы говорили на занятии.

Мы считаем, что у нас есть общий моральный долг - поддерживать качество жизни людей во всем мире. Это трудно удовлетворить, поскольку население увеличивается, а ресурсы сокращаются. Однако технологии машинного обучения особенно хороши для решения сложных задач оптимизации. Итак, мы сосредоточили внимание на том, как инвестировать в технологии машинного обучения для решения значительных социальных проблем. Цель заключалась в том, чтобы предоставить руководящие принципы распределения капитала для таких технологий с точки зрения поиска крупных проблем, недостаточно инвестированных областей и предотвращения негативных последствий. В качестве примера мы использовали глобальные проблемы распределения ресурсов в пищевой, логистической и энергетической отраслях. Мы думали, что эта сессия будет актуальна для фирм, распределяющих активы на такие технологии, и для практиков, рассматривающих, как применить свои навыки для максимального глобального воздействия. Целью заседания было определить руководящие принципы инвестирования в технологии, которые эффективно распределяют природные ресурсы для решения значительных социальных проблем.

Вот вопросы для обсуждения на сессии.

  • Каковы наиболее серьезные социальные проблемы, которые еще не решены с помощью технологий машинного обучения? Кристиан Штайнрюкен, технический директор Invenia, говорил о власти, а Свен Штробанд, инвестор Blue River, говорил о выращивании продуктов питания.
  • Где люди распределяют физические ресурсы там, где их можно было бы заменить машинами? Дэвид Хантер, генеральный директор Optimal, объяснил, как теплицы в настоящее время контролируются людьми, что приводит к огромному расходу энергии и воды, и как этих людей можно заменить интеллектуальным программным обеспечением с обучением.
  • Какие области получили достаточные инвестиции со стороны корпоративных и финансовых организаций? То есть где дальнейшие инвестиции, вероятно, не будут иметь относительного воздействия? Анкур Вора из Фонда Гейтса выделил образование как область, в которой особенно недостаточно инвестиций.
  • Каковы эффекты второго и третьего порядка увеличения доступности природных ресурсов? Дэвид сделал интересную презентацию о положительных эффектах возможности дешево производить овощи, например улучшение здоровья людей, сокращение государственных медицинских расходов и т. д.
  • Каковы риски влияния интеллектуальных систем на распределение природных ресурсов? Здесь мы говорили об отсутствии интерпретируемости моделей машинного обучения, особенно моделей глубокого обучения, как о критической точке отказа, потому что правительства должны четко указывать компромиссы при распределении ресурсов, чтобы избиратели могли оценить, претворяются ли политики в жизнь.
  • Как инвесторам следует относиться к сдерживанию масштабов воздействия инвестируемой компании, чтобы избежать негативных последствий? Франсуа Таддеи, основатель Центра междисциплинарных исследований, сделал прекрасный обзор сложности. Затем Кристиан объяснил свои продвинутые метамодели, которые измеряют возрастающий риск каждого, инкрементального прогноза относительно спроса на электроэнергию, учитывая, что сложность возрастает по мере увеличения входных данных, причем сам прогноз является одним из этих входных данных.
  • Как инвесторам следует взаимодействовать с политиками в процессе инвестирования? Здесь мы начали говорить о предложениях для ООН и связанных с ней органов (указано ниже).
  • Какие этические основы имеют отношение к инвестированию в технологии, которые распределяют ресурсы, такие как продукты питания и энергия? В основном мы сосредоточились на утилитарных рамках.
  • Где есть место для предвзятости в применении машинного обучения к распределению социальных ресурсов? Интересно, что мы сочли, что большое количество предубеждений может быть создано самим фактом сбора данных для решения конкретной проблемы. То есть люди будут применять машинное обучение там, где есть доступные данные, и эти данные могут быть доступны только потому, что были доступны другие ресурсы, связанные с этой проблемой.

По итогам заседания вышло три предложения.

  1. Создайте платформу, которая позволит региональным правительствам и некоммерческим организациям отправлять проблемы со связанными наборами данных, над которыми могут работать специалисты по машинному обучению, вроде Kaggle для региональных правительств.
  2. Создайте поисковый фонд, который определит существующие решения ИИ, которые можно легко / дешево адаптировать для развивающихся стран.
  3. Создайте фонд, который предлагает гранты частным компаниям для сбора данных социографических опросов и обмена этими данными через API.

Разговор был разносторонним, и здесь сложно его правильно резюмировать, но мы публикуем вопросы, потому что они могут помочь специалистам в области машинного обучения подумать, где они могут применить свои таланты для решения больших социальных проблем.

Подпишитесь на нашу рассылку, чтобы получать уведомления о новых публикациях.