Мэри Хубер
Мария Де-Артеага удаленно работала журналистом-расследователем в Мадриде, когда она поняла, что интеллектуальный анализ данных и машинное обучение могут помочь раскрыть социальные проблемы в развивающихся странах. Она смотрела на шоссе, которое Бразилия построила через тропические леса Амазонки, чтобы добраться до порта на Тихом океане. Она просматривала сотни контрактов и электронных таблиц, выискивая финансовые аномалии между тем, что было обещано в контрактах, и тем, что было фактически выполнено. Она думала, что должен быть способ получше.
Де-Артеага думала, что машинное обучение позволит ей быстрее распознавать закономерности и нарушения в данных, ускоряя процесс.
В конечном итоге она обнаружила несоответствия, а также через дополнительную отчетность обнаружила воздействие на окружающую среду и рост криминального насилия, связанного со строительством.
Вдохновленный этим опытом, Де-Артеага продолжил работу над докторской степенью. в области машинного обучения и государственной политики в Университете Карнеги-Меллона. Именно тогда она запустила ежегодный семинар под названием ML4D - Машинное обучение для развивающегося мира, где исследователи со всего мира собираются в одном пространстве физически, а теперь и виртуально, чтобы рассказать о том, как они используют машинное обучение для решения неотложных проблем. вопросы, от внедрения технологий машинного обучения в развивающихся сообществах до устойчивости и, наконец, до готовности к вспышкам болезней.
И теперь она перенесла эту страсть в UT. В этом году Де-Артеага присоединился к факультету бизнеса McCombs School of Business в качестве доцента кафедры управления информацией, рисками и операциями. Во время работы над докторской степенью она все больше беспокоилась о риске перегрузки или недостаточного обслуживания исторически маргинализированных групп населения за счет применения машинного обучения, и теперь она посвятила свою карьеру пониманию рисков и возможностей использования машинного обучения для поддержки принятия решений в настройки высоких ставок.
«Когда мы говорим о машинном обучении и искусственном интеллекте, легко представить себе эту научно-фантастическую, непонятную технологию, - говорит Де-Артеага. «Но за всей мистикой скрываются математика и статистика. Когда мы говорим о машинном обучении, мы на самом деле говорим о том, чтобы взять большой объем данных, использовать математические модели для поиска статистических закономерностей в данных, а затем использовать эти шаблоны для прогнозирования и оценки, когда мы встречаемся с будущими данными ».
И эти математические алгоритмы можно использовать для всего, от автоматического языкового перевода до помощи в постановке медицинских диагнозов, как показано в работе исследователей из сообщества ML4D.
«При разработке проектов важно учитывать местный контекст. Вы видите множество решений, которые блестяще выглядят на бумаге и создают интересные истории, но не приводят к реальным изменениям ».
Например, с компьютерным зрением - областью искусственного интеллекта, в которой машины учатся интерпретировать изображения и видео - компьютер может помочь определить, что такое определенное кожное заболевание, путем сканирования огромного количества дерматологических изображений или иллюстраций и последующего сравнения их с реальным пациентом. фотографии. Это может быть особенно полезно в развивающихся странах, где люди должны принимать критические решения о том, обращаться ли за помощью в больницу, которая может быть дорогостоящей и находится за много миль.
Однако де-Артеага добавляет, что, хотя технологии машинного обучения могут быть чрезвычайно полезны в развивающихся регионах, существуют также риски и ограничения. К ним могут относиться закрепление социальных предубеждений, закодированных в данных, отвлечение пугающих средств на инициативы, которые не увенчаются успехом, или транснациональные корпорации, которые экспериментируют с новыми технологиями в странах с незначительным регулированием.
«При разработке проектов важно учитывать местный контекст. Вы видите множество решений, которые блестяще выглядят на бумаге и создают интересные истории, но не приводят к реальным изменениям », - говорит она. «Одна из проблем использования машинного обучения в развивающихся регионах заключается в том, что многие технологии, которые мы разработали, учитывают контекст богатых стран».
Исследователи обсудят эти и другие вопросы на предстоящем однодневном семинаре по ML4D 12 декабря 2020 года. В этом году основное внимание уделяется использованию машинного обучения для повышения устойчивости к будущим кризисам - подходящая тема в условиях пандемии коронавируса.
Де-Артеага также является частью Good Systems, грандиозной задачи UT, которая направлена на разработку и продвижение технологий искусственного интеллекта, основанных на ценностях. Она также была председателем программы Global Analytics Summit 2020, спонсируемой Good Systems, которая состоялась этой осенью и сосредоточилась на этике ИИ.
«Главное, что мотивирует меня и мою работу, - это понимание того, как мы можем использовать машинное обучение для положительного воздействия на общество», - подчеркивает Де-Артеага. «Один элемент, который стал ключевым в моей работе, - это характеристика рисков, связанных с использованием машинного обучения, а затем понимание того, как снизить эти риски, чтобы мы могли создавать и развертывать технологии машинного обучения ответственным и этичным образом».
Пожалуйста, присоединяйтесь к нам в этом путешествии.
Хорошие системы - это грандиозная исследовательская задача Техасского университета в Остине. Мы - команда ученых в области информации и информатики, экспертов в области робототехники, инженеров, гуманистов и философов, ученых в области политики и коммуникации, архитекторов и дизайнеров. Наша цель на следующие восемь лет - разработать технологии искусственного интеллекта, которые принесут пользу обществу. Подпишитесь на нас в Twitter, присоединяйтесь к нам на наших мероприятиях и возвращайтесь в наш блог за обновлениями.
Мария Де-Артеага, доктор философии, доцент кафедры управления информацией, рисками и операциями Школы бизнеса Маккомбса, исследовательская деятельность которой включает использование машинного обучения для поддержки принятия решений в высших учебных заведениях. настройки ставок. Она помогла основать семинар ML4D, который объединяет исследователей со всего мира, чтобы использовать машинное обучение для решения проблем в развивающихся странах.
