El Fin Del Conocimiento - Bóveda 4/53 - IA Para Bien - 2020

graph LR classDef main fill:#f9f9f9, font-weight:bold, font-size:14px classDef governance fill:#ffcc99, font-weight:bold, font-size:14px classDef dataTrusts fill:#ccff99, font-weight:bold, font-size:14px classDef inclusivity fill:#99ccff, font-weight:bold, font-size:14px classDef agriculture fill:#ff99cc, font-weight:bold, font-size:14px classDef policy fill:#ccccff, font-weight:bold, font-size:14px A["IA para el Bien
Social: ¿Qué Sigue?"] A --> B["La IA necesita gobernanza
para prevenir el mal uso. 1"] A --> C["La IA necesita incentivos
para un uso positivo. 2"] A --> D["Coordinación internacional
para proyectos de IA. 3"] A --> E["Descubrimiento de fármacos impulsado por IA
enfrenta desafíos. 4"] A --> F["Nuevo modelo de incentivos
para el descubrimiento de fármacos. 5"] A --> G["Los países comparten costos
para I+D de fármacos. 6"] A --> H["Canal internacional de datos
para ensayos. 7"] A --> I["Repensar modelos financiados por publicidad
. 8"] A --> J["Se necesita gobernanza
para el crecimiento de la IA. 9"] A --> K["Educar a ciudadanos y
expertos sobre IA. 10"] B --> L["Fideicomisos de datos para
negociar el uso de datos. 11"] B --> M["Rinoceronte gris: eventos
de alto impacto predecibles. 12"] B --> N["Respuesta a pandemias: IA
analiza aguas residuales. 13"] B --> O["Los datos de aguas residuales proporcionan
información sobre privacidad. 14"] B --> P["Piloto en Toronto para
comunidades marginadas. 15"] C --> Q["Empoderar a las comunidades con
conocimientos de datos. 16"] C --> R["Conjuntos de datos inclusivos para
pruebas de sesgo de IA. 17"] C --> S["La falta de datos dificulta
las pruebas de sesgo. 18"] C --> T["Los conjuntos de datos construyen inclusividad
en la IA. 19"] C --> U["Enfoque ágil para
conjuntos de datos públicos/privados. 20"] D --> V["Casos de uso de sesgo de IA
para ODS. 21"] D --> W["Farm.ai ayuda a
pequeños agricultores. 22"] D --> X["Combinar datos de agricultores y
del mercado. 23"] D --> Y["Desplegar IA en
más países. 24"] D --> Z["Colaborar con expertos locales
en agricultura. 25"] E --> AA["Herramienta What-If para
impactos de políticas. 26"] E --> AB["Modelo predice
tasas de transmisión. 27"] E --> AC["Interfaz para pronosticar
impactos de políticas. 28"] E --> AD["Entrada multidisciplinaria para
entrenamiento de modelos. 29"] E --> AE["Invertir en talento local de
ciencia de datos. 30"] class A main class B,K,L,M,N,O,P governance class C,Q,R,S,T,U dataTrusts class D,V,W,X,Y,Z inclusivity class E,AA,AB,AC,AD,AE policy class F,G,H,I,J governance

Resumen:

1.- La IA es una herramienta poderosa que puede beneficiar a la sociedad si se usa correctamente, pero se necesita gobernanza para gestionar el posible mal uso.

2.- Las herramientas de IA pueden usarse positivamente para el bien social o negativamente para concentrar el poder. Se necesitan incentivos para orientar la IA positivamente.

3.- La coordinación internacional es importante para los proyectos de IA para el bien social para conectar la experiencia, el conocimiento del dominio y la financiación de todo el mundo.

4.- La IA está transformando el descubrimiento de fármacos de ser impulsado por químicos/biólogos a ser más impulsado por datos/IA/software. Esto presenta desafíos debido a los incentivos que favorecen el secreto sobre el intercambio de datos.

5.- Se propone un nuevo modelo de incentivos para la I+D de descubrimiento de fármacos, con características de la investigación académica como el reconocimiento a través del intercambio de conocimientos.

6.- Los países podrían compartir los costos de la I+D de descubrimiento de fármacos en el dominio público. Los medicamentos resultantes serían gratuitos para los países pobres y baratos para los países participantes.

7.- Se propone un canal internacional de recopilación de datos para ensayos químicos/biológicos como un punto de referencia para los investigadores de descubrimiento de fármacos mediante aprendizaje automático.

8.- Los sistemas financiados por publicidad como las redes sociales favorecen a los grandes incumbentes sobre las startups, ralentizando la innovación. Se sugiere repensar el modelo, por ejemplo, como servicios públicos.

9.- A medida que la IA se vuelve más poderosa, se necesita gobernanza a través de leyes y normas internacionales para minimizar los aspectos negativos como la manipulación pagada y los robots asesinos.

10.- La educación es importante para que los ciudadanos puedan participar en la toma de decisiones colectivas sobre la IA. Los expertos también necesitan más formación sobre el impacto social y la ética.

11.- Se proponen fideicomisos de datos como terceros poderosos para negociar los términos del uso de datos entre los usuarios y las empresas en nombre de los usuarios.

12.- El concepto de "rinoceronte gris" se utiliza para eventos de alto impacto predecibles como las pandemias. Una infraestructura de monitoreo adecuada puede permitir una respuesta más efectiva.

13.- Una solución de dos partes para la respuesta a pandemias en comunidades marginadas: 1) Análisis de datos de aguas residuales mediante IA, 2) Tableros públicos que comunican conocimientos.

14.- La recopilación de datos de aguas residuales permite obtener conocimientos altamente detallados y que preservan la privacidad sobre la propagación del virus en comparación con las pruebas individuales. Los tableros contextualizan los datos para la participación comunitaria.

15.- Se propone un piloto en viviendas comunitarias de Toronto para personas marginadas socioeconómicamente. El tablero se co-diseña con una ONG local. El objetivo es escalar a otras localidades a nivel mundial.

16.- El objetivo es empoderar a las comunidades con conocimientos en lugar de estigmatizarlas. Las ONG juegan un papel clave en la comunicación adecuada de los datos a la comunidad y a los responsables políticos.

17.- El Proyecto Imagen Completa busca construir conjuntos de datos inclusivos y diversos que muestren una imagen completa de las comunidades para las pruebas de sesgo de IA.

18.- Problema: Las personas que faltan en los datos no pueden ser probadas para sesgo. Los conjuntos de datos proporcionan a los desarrolladores un punto de partida para probar el sesgo oculto.

19.- Los conjuntos de datos pueden ayudar a construir la inclusividad en el diseño, desarrollo y pruebas de IA. Permiten la evaluación de algoritmos preconstruidos cuando se aplican a nuevas comunidades.

20.- Enfoque ágil comenzando con conjuntos de datos públicos, iterando con investigación de usuarios. El objetivo es negociar el acceso seguro a conjuntos de datos privados para su mejora.

21.- El proyecto busca casos de uso de sesgo de IA que apoyen los ODS, intercambio de conocimientos y herramientas. Se necesitan patrocinadores y socios en el ámbito académico y comunidades afectadas.

22.- Farm.ai utiliza conocimientos basados en smartphones para ayudar a pequeños agricultores en países en desarrollo, que producen el 70% de los alimentos del mundo, a aumentar la productividad.

23.- Los datos de los agricultores combinados con información satelital/del mercado generan predicciones sobre rendimientos, riesgo de crédito y asesoramiento. Se asocia con ONG locales para el despliegue.

24.- Desplegando en países adicionales, buscando socios locales para el alcance y socios globales en tecnología/retail para traducir las ganancias a mercados comerciales.

25.- Colaborar con expertos locales en agricultura es clave. Las recomendaciones pueden ser incorrectas, pero la automatización permite llegar a muchos más agricultores en comparación con las visitas en persona.

26.- La herramienta What-If utiliza IA para predecir cómo reaccionan las métricas pandémicas de una localidad a los cambios de políticas, para permitir la formulación de políticas basadas en datos y transparentes.

27.- Un modelo de aprendizaje profundo entrenado con datos de 93 países predice las tasas de transmisión a partir de la sincronización/rigidez de las políticas y variables específicas del país. Logró alta precisión.

28.- Se planea una interfaz web que permita a los usuarios pronosticar el impacto de políticas hipotéticas, optimizar para objetivos. Apunta a construir confianza pública a través de la transparencia.

29.- Busca la entrada de expertos multidisciplinarios para entrenar/validar modelos. Se necesitan asociaciones con responsables políticos y fuentes de datos detalladas, especialmente en geografías descuidadas.

30.- Usando COVID como una oportunidad para llenar vacíos de datos en áreas subrepresentadas. Invirtiendo en talento local de ciencia de datos para una experiencia de IA sostenible y representativa.

Bóveda de Conocimiento construida porDavid Vivancos 2024