El Fin Del Conocimiento - Bóveda 4/57 - IA Para Bien - 2020 - ¿Qué es IA para Bien de todos modos?

graph LR classDef intro fill:#f9d4d4, font-weight:bold, font-size:14px classDef sasha fill:#d4f9d4, font-weight:bold, font-size:14px classDef caution fill:#d4d4f9, font-weight:bold, font-size:14px classDef recommend fill:#f9f9d4, font-weight:bold, font-size:14px classDef gender fill:#f9d4f9, font-weight:bold, font-size:14px classDef food fill:#d4d4f4, font-weight:bold, font-size:14px classDef pandemic fill:#d4f4f9, font-weight:bold, font-size:14px A["¿Qué es IA
para Bien de todos modos?"] --> B["Xenia introduce
IA para
Bien Avance. 1"] A --> C["Andrew modera,
introduce ponente
principal Sasha. 2"] C --> D["Sasha cuestiona
qué hace
buena a la IA. 3"] C --> E["IA puede abordar
desafíos,
intenciones insuficientes. 4"] E --> F["Éxito: Stanford,
Red de Sostenibilidad,
herramienta COVID-19. 5"] E --> G["Precaución: COMPAS,
exámenes del Reino Unido,
anti-caza furtiva. 6"] E --> H["Trampas: pensamiento mágico,
experimentación en
vulnerables. 7"] E --> I["Recomendaciones: preguntas correctas,
personas correctas,
transparencia. 8"] I --> J["Preguntar sobre el problema real,
fuente de datos. 9"] I --> K["Incluir, empoderar
a las partes interesadas, involucrar
voces diversas. 10"] I --> L["Ser transparente sobre
riesgos, beneficios,
sesgo. 11"] I --> M["IA para bien necesita
colaboración interdisciplinaria. 12"] B --> N["Hanin introduce
equipos de pista de
Equidad de Género. 13"] N --> O["Roberta presenta el proyecto de
sesgo de género judicial
de la ONU. 14"] O --> P["Sesgo de género en IA judicial
riesgos de
desigualdad. 15"] P --> Q["Solución: directrices globales,
repositorio de prácticas,
guía. 16"] Q --> R["Se necesitan colaboradores para
investigación, pruebas,
difusión. 17"] B --> S["Caroline introduce equipos de pista de
Futuro de la Comida. 18"] S --> T["Maurice presenta módulos de
crecimiento de Grow Next. 19"] T --> U["Grow Next optimiza
recetas de crecimiento
de alimentos. 20"] U --> V["El equipo busca experiencia,
socios, apunta a
accesibilidad. 21"] B --> W["Andrew introduce equipo de pista de
Pandemia
COVID Sense. 22"] W --> X["Leontius explica la colección de
datos de COVID
Sense. 23"] X --> Y["Aprendizaje federado para
privacidad, necesita
embajadores. 24"] B --> Z["Hanin reintroduce
a Hannah sobre sesgo de género en
PNL. 25"] Z --> AA["Los sesgos de género en PNL
dañan, datos equilibrados
ayudan. 26"] AA --> AB["El equipo detecta sesgos de género,
amplía el alcance. 27"] B --> AC["Caroline reintroduce el enfoque de
datos satelitales de Hameds. 28"] AC --> AD["Hamed explica la necesidad de
crecimiento eficiente de
cultivos. 29"] AD --> AE["Radiant Earth utiliza IA
para agricultura
sostenible. 30"] class A,B intro class C,D,E,F,G sasha class H,I,J,K,L,M recommend class N,O,P,Q,R gender class S,T,U,V food class W,X,Y pandemic class Z,AA,AB gender class AC,AD,AE food

Resumen:

1.- Xenia Fonten de ITU introduce los Días de Avance de IA para Bien, que tienen como objetivo identificar aplicaciones prácticas de IA para avanzar en los ODS.

2.- Andrew Tate de X Prize modera e introduce a la ponente principal Sasha Luccioni del Instituto de IA Mila.

3.- Sasha explora qué hace que la IA sea "buena": ¿es el dominio de aplicación, el problema resuelto, el impacto positivo, las intenciones, o todo esto?

4.- La IA tiene potencial para abordar grandes desafíos como la pobreza, la escasez de alimentos y el cambio climático, pero las buenas intenciones no son suficientes.

5.- Historias de éxito: enfoque de abajo hacia arriba de Stanford, método de arriba hacia abajo de la Red de Sostenibilidad Computacional, y despliegue rápido de herramientas COVID-19 del grupo de van der Scharz.

6.- Historias de advertencia: sesgo en el sistema judicial COMPAS, sesgo en la predicción de resultados de exámenes del Reino Unido, fallas en el reconocimiento facial anti-caza furtiva en África.

7.- Trampas: ver la IA como polvo de hadas mágico para un impacto positivo sin soluciones concretas, usar la IA para experimentar en poblaciones vulnerables.

8.- Recomendaciones: Hacer las preguntas correctas, incluir a las personas adecuadas, ser transparente sobre riesgos/beneficios/limitaciones.

9.- Preguntar si estamos resolviendo el problema real o un proxy, si la IA es la solución adecuada, de dónde provienen los datos.

10.- Incluir a las partes interesadas, empoderar a las personas que usarán la IA, involucrar voces/ideas diversas más allá de los típicos centros de IA occidentales.

11.- Ser transparente sobre riesgos/beneficios, alcance/limitaciones, cómo se verifica el sesgo, qué sucede con los falsos positivos, quién toma las decisiones finales.

12.- La IA para bien requiere más que tecnología: se necesita colaboración interdisciplinaria, compromiso social, cambios en políticas.

13.- Hanin Kaluff introduce los dos equipos de pista de Equidad de Género: Red Global de Integridad Judicial y Universidades de Umeå/Uppsala.

14.- Roberta Solis presenta el proyecto de la ONU para desarrollar recomendaciones globales para que los sistemas judiciales aborden el sesgo de género en los sistemas de IA.

15.- El sesgo de género en la IA judicial arriesga el acceso desigual a la justicia y juicios justos para las mujeres, especialmente en casos de violencia de género.

16.- Solución: directrices globales, repositorio de prácticas, guía de autoevaluación para los sistemas judiciales. La difusión a través de canales y socios de la ONU es clave.

17.- Se necesitan colaboradores para investigación, experiencia en IA/género, pruebas piloto, difusión. Las directrices tienen como objetivo convertirse en estándares internacionales adoptados por los sistemas judiciales.

18.- Caroline Kolta introduce los dos equipos de pista de Futuro de la Comida: Grow Next y Radiant Earth Foundation.

19.- Maurice Zundars presenta los módulos de crecimiento semiautónomos de Grow Next que utilizan IoT, IA y aplicaciones para cultivar alimentos frescos de manera eficiente en megaciudades.

20.- Grow Next utiliza recetas digitales de crecimiento de cultivos para optimizar la nutrición, seguridad, frescura y sabor. Estrategia de mercado B2B y luego B2C.

21.- El equipo busca experiencia en ingeniería, ciencia de plantas, análisis y socios locales en megaciudades. Objetivo de aumentar el acceso a alimentos saludables.

22.- Andrew Tate introduce el equipo de pista de Pandemia COVID Sense, que utiliza datos de teléfonos inteligentes e IA para detectar síntomas tempranos de COVID-19.

23.- Leontius Tyriades explica cómo COVID Sense recopila metadatos, síntomas autoinformados, sonidos de respiración/tos, frecuencia cardíaca para evaluación de riesgos de IA.

24.- El aprendizaje federado protege la privacidad de los datos. Tiene como objetivo empoderar a las personas para la autogestión de la salud y guiar a los responsables de políticas. Buscando embajadores y colaboradores en el país.

25.- Hanin reintroduce a Hannah Davini presentando el trabajo del equipo de Umeå/Uppsala sobre la detección de sesgo de género en los datos de entrenamiento de procesamiento de lenguaje natural.

26.- Los sistemas de PNL exhiben sesgos de género (por ejemplo, en traducción, filtrado de solicitantes de empleo) que dañan a las personas. Datos más equilibrados pueden ayudar.

27.- El equipo desarrolló métodos para detectar sesgos de género implícitos en los datos de entrenamiento para inglés/sueco. Se necesita expansión a más idiomas/dimensiones sociales.

28.- Caroline reintroduce el enfoque de datos satelitales y IA de Hamed Mohammed para mapear cultivos y optimizar la producción de alimentos.

29.- Hamed explica la necesidad de cultivar cultivos de manera más eficiente para satisfacer la demanda mientras se reduce el daño ambiental. Se necesitan soluciones globales.

30.- Radiant Earth utiliza imágenes satelitales, computación en la nube, IA/ML para mapear tierras de cultivo y generar escenarios futuros óptimos de agricultura sostenible. Buscando financiamiento y socios.

Bóveda del Conocimiento construida porDavid Vivancos 2024