AI na poważnie

Rozwój AI jest faktem o coraz szerszym znaczeniu. Kompetentne informacje na ten temat dostarcza nieoceniony O’Reilly. Wzbudza na przykład niepokoje na polu równowagi globalnej z powodu gwałtownego rozwoju AI w Chinach. Szczegółowy raport z roku 2018 na temat stanu badań i wdrożeń AI opracowała grupa badaczy z MIT, Uniwersytetu Stanforda, Harvarda i OpenAI, która utworzyła projekt pod nazwą Artificial Intelligence Index. Jest on częścią szerszej inicjatywy pn. One Hundred Year Study on Artificial Intelligence (AI100), któręj gospodarzem jest Uniwersytet Stanforda, a ściślej Stanford’s Human-Centered AI Institute (HAI). Ten Instytut deklaruje jako przedmiot swoich zainteresowań „To advance AI research, education, policy, and practice to benefit humanity”.

Dostępny jest także skrót raportu skrót na stronie MIT Technology Review zawierający najważniejsze wykresy.

Praktyka Big Data i AI

O’Reilly w swoim newsletterze zawarł 4, jak to zostało nazwane, wizualizacje danych dostępnych online w formie doniesień (online news data) przedstawione w tekstach z Forbesa pióra Kaleva Leetaru, są one następujące:
1. Creating A Massive Network Visualization Of The Global News Landscape: Who Links To Whom?
2. What Does Artificial Intelligence See In A Quarter Billion Global News Photographs?
3. Visual Geocoding A Quarter Billion Global News Photographs Using Google’s Deep Learning API
4. Mapping Global Happiness In 2016 Through A Quarter Billion News Articles
Są to jednak także opisy potężnych narzędzi badawczych o niespodziewanych możliwościach takie jak CARTO, Cloud Vision API i BigQuery z oferty Google Cloud Platform czy niesamowitego The GDELT Project.

AI jako problem nie tylko technologiczny

Dwie ważne informacje z pola społecznych i kulturowych kontekstów AI: po pierwsze do zespołu firm, które tworzą Partnership On AI (opisane wcześniej) dołączyło Apple. Dokładniejszy opis okoliczności znajduje się w tekście Jeremy’ego Hsu. Pojawia się tam także druga ważna informacja: The MIT Media Lab i the Berkman Klein Center for Internet and Society at Harvard University stały się dwiema założycielskimi stronami globalnego przedsięwzięcia, stawiającego obie za cel zlikwidowanie luki między humanistyką, naukami społecznymi i informatyką, stwarzając multidyscyplinarne podstawy analizy AI dla powszechnego dobra. W doniesieniu z dn.10 stycznia 2017 roku podani są donatorzy, którzy zebrali 27 mln $ na fundusz mający wspierać stosowne „wysiłki i społeczności”, a także tworzyć sieć współpracy bardzo rożnych podmiotów w obszarze, który „will include questions that address society’s ethical expectations of AI, using machine learning to learn ethical and legal norms from data, and using data-driven techniques to quantify the potential impact of AI, for example, on the labor market”.

AI i realne konteksty

AI wyszła już definitywnie z zaułka pod nazwą „sensacje” lub „prognozy”. Wymaga zatem kompetencji i wiedzy – z czym bywa gorzej –  aby przestać funkcjonować jako element bardzo uproszczonego i ciągle dominującego publicystycznego dyskursu, karmiącego się właśnie sensacyjnymi i fantastycznymi komentarzami. Wkracza natomiast w rozmaite pola rzeczywistości, jako źródło nowych możliwości i problemów. Oto dwa przykłady: raport McKinsey’a dotyczący skutków automatyzacji z perspektywy zarządzania i właśnie procedowane w Parlamencie Europejskim prawo dotyczące robotów. Warto zajrzeć na stronę raportu, który jest do pobrania w różnych wersjach (kompletny, streszczenie). 12 stycznia 2017 roku odbyło się natomiast głosowanie w Komisji Prawnej Parlamentu Europejskiego nad sprawozdaniem w sprawie przepisów prawa cywilnego w robotyce – więcej w specjalnej prasowa informacji na ten temat. Uzupełnia tę informację wniosek dotyczący prawnego uregulowania sytuacji robotów pochodzący z roku 2016, a także studium pt.European civil law rules in robotics.

AI tutorial ze Stanford University

Dobre i skrótowe wskazówki dotyczące sieci neuronowych wraz ze wstępem, które pochodzą z kursu pn. Convolutional Neural Networks for Visual Recognition na Stanford University, a ściślej na Stanford Vision Lab są umieszczone na GitHub i znajdują się pod adresem: http://cs231n.github.io/. Wśród szczegółowych opisów kolejnych problemów, znajduje się także skrócone wprowadzenie do sieci neuronowych. Tutorial ma charakter praktyczny