Demokratyzacja sztucznej inteligencji

Często powoli i metodycznie, czasem wręcz gwałtownie, nieraz podstępnie, ale bywa też, że i z udziałem naszej świadomości – sztuczna inteligencja oplata nas i nasze życia. Większość z nas doświadcza tego procesu w sposób bierny – jako konsumenci owoców AI (ang. artificial intelligence), ale są wśród nas też i tacy, którzy biorą czynny udział w ich powstawaniu. Jeśli chodzi o tą drugą grupę – mieszczą się tu zarówno wirtuozi data science oraz data engineering, którzy współtworzą potężne narzędzia takie jak Google Search lub też ChatGPT, jak również i przeciętni przedstawiciele tego rzemiosła. Zaliczyć tu można również i ludzi spoza świata analityki danych, którzy wchodzą w pierwsze interakcje z modelowaniem, czy też predykcją. Ta powszechność dostępu do dorobku sztucznej inteligencji możliwa jest dzięki procesowi jej demokratyzacji (ang. AI democratization).

O demokratyzacji słów kilka

Czym tak właściwie demokratyzacja sztucznej inteligencji jest w praktyce? Którymi konkretnie kanałami oddziałuje na nasze życie? Otóż jest ich kilka. Pierwszym takim kanałem są zbiory danych. Zarówno ich powszechność, jak i mnogość sprawiają, że niezależnie od tego, co się finalnie z nimi stanie – sięgnąć po nie może każdy. Kolejnym są algorytmy uczenia maszynowego (ang. machine learning). Część z nich jest oprogramowana w sposób wspomagający pracę mniej doświadczonych data scientist’ów – na przykład automatyzując proces strojenia hiperparametrów (ang. hyperparameter tuning). Następnie warto pamiętać o całych, dedykowanych narzędziach wspomagających proces modelowania danych, takich jak dostępne w ramach chmury Google Cloud Platform: AutoML (rozwiązanie klasy drag&drop) oraz Vertex AI, który organizuje cały cykl życia modeli – od ich budowy, przez wdrożenie produkcyjne, aż do ich wycofania z ekosystemu. Na demokratyzację AI składają się również gotowe, wytrenowane modele, które stanowić mogą gotowe rozwiązanie dla wybranych problemów, ale także i punkt wyjścia dla bardziej złożonych prac. Należy tu również pamiętać i o samej możliwości prowadzenia złożonych obliczeń z praktycznie każdego miejsca na Ziemi. Nie musimy już dłużej dysponować ani mocnym sprzętem, ani tygodniowymi harmonogramami, by móc szybko i sprawnie przeliczać wybrane zadania.

W dyskusji nad demokratyzacją sztucznej inteligencji nie należy zapominać także o sferze samej wiedzy – jej popularyzacja, czyli czynienie wybranych treści bardziej zrozumiałymi i bardziej dostępnymi to także potężny wkład w proces jej rozwoju. Niemałą rolę w tym dziele odgrywają serie krótkich filmów na serwisach takich jak YouTube, w których przedstawiciele świata data science obdarzeni darem dydaktycznym, w krótkim czasie są w stanie w sposób przystępny przybliżyć odbiorcom nawet najbardziej zawiłe zagadnienia z obszaru zaawansowanej analityki danych.
 

Blaski

Skoro wyjaśniliśmy już sobie czym jest sama demokratyzacja sztucznej inteligencji, warto też pochylić się nad możliwościami jakie niesie za sobą.

Pierwszą z nich, dość oczywistą, jest redukcja bariery możliwości modelowania danych. Demokratyzacja AI powoli kruszy monopol ekspertów data science w dziedzinie zaawansowanej analityki danych. Zajmują się nią już bowiem także (z zachowaniem wszelkich proporcji) eksperci domenowi tacy jak lekarze czy psycholodzy. Kolejną korzyścią jest ograniczenie kosztów – zarówno finansowych jak i osobowych. Uproszczona weryfikacja hipotez biznesowych nie wymaga już zaangażowania całego sztabu data scientist’ów oraz data engineer’ów.

Naturalną konsekwencją demokratyzacji dostępu do AI jest także poprawa jakości modeli uczenia maszynowego – w tym także i tych, budowanych od podstaw przez doświadczonych ekspertów obszaru AI. Nie oznacza to wcale, że osoby bez doświadczenia w dziedzinie machine learning są w stanie pokonać praktyków doświadczonych w tym trudnym rzemiośle, jednak możliwość prototypowania rozwiązań pozwala często w o wiele bardziej wartościowy sposób postawić problem i dokonywać poszukiwań optymalnych rozwiązań. Dobrze opisane w literaturze są przykłady starć podejść: automatycznego i klasycznego – w obszarach takich jak medycyna¹ oraz produkcja².

Ciekawym zjawiskiem jest także demokratyzacja AI w wymiarze wybranych obszarów gospodarki. Branże, które do tej pory ostrożnie eksperymentowały z AI takie jak rolnictwo czy energetyka, coraz śmielej mogą korzystać (i korzystają!) z możliwości jakie daje sztuczna inteligencja. Wartością nie do przecenienia jest także budowanie wartości dodanej dla odbiorców operujących na różnych poziomach maestrii wykorzystania AI, bo demokratyzacja sztucznej inteligencji to nie tylko rozwiązania typu drag&drop, ale usprawnienia także i dla wykwalifikowanych data scientist’ów – takie jak np. biblioteki automatyzujące wybrane czynności czy też rozwiązania chmurowe. Ostatnią, choć nie najmniej ważną korzyścią jest szybkość działania – możliwość wchodzenia w interakcje z analityką na wielu płaszczyznach stwarza warunki dla podejścia fail fast, które eliminuje niepotrzebne wydłużanie się procesu budowy i wdrażania rozwiązań analitycznych.

Dobrze znanym (choć pewnie często nieuświadamianym) materialnym dowodem na postępowanie demokratyzacji AI jest Kaggle – internetowa społeczność naukowców zajmujących się danymi i praktyków uczenia maszynowego. By zrozumieć, jak bardzo nieuświadamianym gigantem jest ta platforma, warto przytoczyć kilka liczb. Społeczność ta budowana jest już od 13 lat i gromadzi ponad 8 milionów użytkowników ze 194 krajów. Umożliwia ona dostęp do 50.000 zbiorów danych oraz 400.000 notebook’ów. Z ponad 560 ogłoszonych na jej łamach konkursów, najwyższa pula nagród (ufundowana przez Agencję Bezpieczeństwa Transportu USA, poszukującą rozwiązania redukującego liczbę fałszywych alarmów w procesie skanowania bagażu) wyniosła 1.500.000 $³ . Robi wrażenie, prawda?

Sztuczna Inteligencja | Risk Analytics & Applied AI

Tempo rozwoju technologii w obszarze sztucznej inteligencji (AI) jest w ostatnich latach zawrotne i nic nie wskazuje na to, żeby ten stan miał się zmienić. W Deloitte zajmujemy się zarówno kompleksowym doradztwem ze szczególnym uwzględnieniem potrzeb klienta oraz wdrażaniem wypracowanych koncepcji.

DOWIEDZ SIĘ WIĘCEJ

Cienie

Nie ma róży bez kolców. Podobnie jest w przypadku zjawiska demokratyzacji sztucznej inteligencji. Przy analizie korzyści i zagrożeń, warto pamiętać też o kilku ryzykach, które towarzyszą temu złożonemu procesowi.

Pierwszym z nich jest tzw. ryzyko systemowe. W systemie, jakim jest gospodarka, nowa dynamika funkcjonowania i interakcji (spowodowana np. upowszechnieniem zastosowania algorytmów machine learning) w ramach rynków powodować może gwałtowne, a później stadne ruchy podmiotów jak np. pozbywanie się aktywów lub też nadmierna ekspozycja wybranych graczy na ryzyko. Może to wynikać z erozji zarówno umiejętności, jak i ostrożności decydentów, tak jak miało to miejsce w czasie kryzysu finansowego 2007-2009.

Oddanie procesu modelowania danych w ręce amatorów skutkować może także budowaniem obciążonych rozwiązań. Tutaj należy wspomnieć takie wyzwania analityczne, jak choćby problem selekcji próby czy też endogeniczność modeli, wynikająca z niewłaściwej ich specyfikacji. Brak wrażliwości (i świadomości) na występowanie tego typu wyzwań analitycznych może zakończyć się przeuczeniem modeli – czyli jednym z najcięższych grzechów, które popełnić może osoba podejmująca się wyzwania jakim jest stosowanie technik uczenia maszynowego.

Ponadto warto uświadomić sobie, że niesprawiedliwa dyskryminacja mająca swoje korzenie historyczne lub kulturowe może nieświadomie być powielana przez systemy AI. W badaniu z 2017 roku wynika, iż ludzie z afroamerykańsko brzmiącymi imionami mają większe problemy ze znalezieniem pracy (mierzonymi jako liczba odrzuconych aplikacji do miejsc pracy)⁴. Gdyby tak mierzoną stabilność zatrudnienia brać pod uwagę przy wnioskowaniu statystycznym – rodziłoby to problem powielania dyskryminacji ludzi ze względu na czynniki, które nie są zależne od nich samych (choć takie wnioskowanie z punktu widzenia statystyki jest jak najbardziej poprawne).

Kolejnym cieniem demokratyzacji AI może być tzw. zmowa algorytmiczna. Mowa tu nie tyle o zmowie w klasycznym tego słowa rozumieniu (jakim jest potajemne porozumienie), a o splocie działań, który w rezultacie daje efekt podobny właśnie do zmowy. Bo jeśli każdy sprzedawca pralek będzie chciał, w sposób automatyczny, zaproponować wybrany produkt w promocyjnej cenie, o 5% niższej niż najniższa cena spośród tych oferowanych przez konkurencję – to zwyczajnie doprowadzi to do wyeliminowania akcji promocyjnych ze strategii sprzedawców jako nie przynoszących już żadnych korzyści.

Ostatnie pytania jakie rodzi niewłaściwie wykorzystana demokratyzacja AI są natury etycznej. Po pierwsze: jaki zakres infiltracji prywatności przez sztuczną inteligencję jest dopuszczalny oraz czy powinny istnieć granice wykorzystania informacji? Po drugie zaś: czy wiedzieliście, że

nawet optymalnie napisane algorytmy z obszaru poszukiwań architektur sieci neuronowych potrafią wytworzyć tyle ton CO₂, ile 57 mieszkańców naszego globu w ciągu całego roku kalendarzowego czy też samolot z 316 pasażerami na pokładzie pokonujący drogę z Nowego Jorku do San Francisco⁵?

A co z nieoptymalnie napisanymi zapytaniami?

Co dalej?

Choć oczywiście korzyści jakie przynosi (i może nam jeszcze przynieść) proces demokratyzacji sztucznej inteligencji są potężne, należy pamiętać o szeregu ryzyk, jakie on za sobą niesie. Na jednej szali mając innowacyjność, oszczędności, nowe przychody oraz poprawę efektywności, na drugiej pojawia się ryzyko manipulacji, problemy środowiskowe czy też wyzwania natury etycznej. Uczenie maszynowe, będące jedną ze składowych sztucznej inteligencji, podobnie jak nóż – jest tylko narzędziem. W zależności od tego, w czyje ręce trafi – może nieść za sobą ratunek albo siać zniszczenie. Dlatego tak ważne jest, aby demokratyzacja AI odbywała się w świadomy i odpowiedzialny sposób, w oparciu o jasne regulacje i standardy etyczne. Tylko w taki sposób my wszyscy możemy maksymalnie wykorzystać korzyści płynące z tego procesu i zminimalizować potencjalne zagrożenia.

Przypisy:

¹Touma S., Antaki F., Duval R. (2022), Development of a code-free machine learning model for the classification of cataract surgery phases, Scientific Reports 12:2398, DOI:10.1038/s41598-022-06127-5

²Krauß J., Pacheco B.M., Zang H.M., Schmitt R.H. (2020), Automated machine learning for predictive quality in production, Procedia CIRP Vol. 93

³https://www.kaggle.com/ (stan na marzec 2023)

⁴Fryer R., Levitt S. (2004), The Causes and Consequences of Distinctively Black Names, Quarterly Journal of Economics, 119 (3), 767-805

⁵Strubell E., Ganesh A., Mccallum A. (2019), Energy and Policy Considerations for Deep Learning in NLP, DOI: 10.18653/v1/P19-1355