El Fin del Conocimiento - Bóveda 4/7 - IA Para El Bien - 2017 - Inversiones, Aspectos Económicos y Diseñando el Futuro

graph LR classDef collaboration fill:#d3f4ff, font-weight:bold, font-size:12px classDef models fill:#ffd3e0, font-weight:bold, font-size:12px classDef data fill:#d3ffd4, font-weight:bold, font-size:12px classDef methods fill:#fff3d3, font-weight:bold, font-size:12px classDef applications fill:#f3d3ff, font-weight:bold, font-size:12px classDef challenges fill:#f9f9d4, font-weight:bold, font-size:12px A["Inversiones, Aspectos Económicos
y Diseñando el
Futuro"] A --> B["IA para el bien necesita
profunda colaboración. 1"] B --> C["Los modelos de compromiso deben
ser personalizados. 2"] C --> D["Las coaliciones en torno a la experiencia,
datos son esenciales. 3"] D --> E["Aprovechar la infraestructura existente,
datos ocultos. 4"] E --> F["La IA incluye varias
sub-disciplinas, métodos. 5"] A --> G["Perspectiva útil:
datos a acciones. 6"] G --> H["Soporte de decisiones,
colaboración humano-computadora común. 7"] H --> I["Cólera: modelos de IA
predicen brotes. 8"] I --> J["Modelos predictivos proporcionan
ideas críticas. 9"] A --> K["Increíbles activos de datos
a menudo ya existen. 10"] K --> L["Servicio en la nube utiliza
datos de seguimiento de vuelos. 11"] L --> M["Patrones de llamadas predijeron
epicentro del terremoto en Ruanda. 12"] M --> N["Disrupciones en la densidad de llamadas
indican necesidad de asistencia. 13"] A --> O["Modelos de planificación priorizan
recursos de vigilancia. 14"] O --> P["Construir recursos de datos compartidos
a través de coaliciones. 15"] P --> Q["Compartir datos, infraestructura
experiencias ampliamente. 16"] A --> R["Métodos de IA existentes
necesitan compromiso de dominio. 17"] R --> S["No hay enfoque único,
personalizar modelos. 18"] S --> T["Éxito en laboratorio a servicios:
colaboración con partes interesadas. 19"] A --> U["Progreso de IA en salud
más lento de lo esperado. 20"] U --> V["Entender factores humanos,
ergonomía, flujos de trabajo. 21"] V --> W["Ideas de laboratorio a menudo prematuras,
necesitan adaptación. 22"] A --> X["Convencer a industrias
para adoptar IA es un desafío. 23"] X --> Y["Curación, iteración necesarias
para el éxito de IA. 24"] A --> Z["Ponente se perdió la cumbre,
asistió de forma remota. 25"] Z --> AA["Charla entregada de forma remota
a primera hora. 26"] A --> AB["Ejemplos ilustran desafíos
y oportunidades de IA. 27"] AB --> AC["Involucrar a gobiernos,
industrias sigue siendo un desafío. 28"] AC --> AD["El panel resonó con
desafíos discutidos. 29"] AD --> AE["Ponente agradeció
compartir pensamientos de forma remota. 30"] class B,C,D,E,F collaboration class G,H,I,J applications class K,L,M,N data class O,P,Q collaboration class R,S,T data class U,V,W methods class X,Y challenges class Z,AA challenges class AB,AC,AD,AE challenges

Resumen:

1.- Aprovechar la IA para el bien requiere un profundo compromiso y colaboración entre expertos en IA, expertos en dominios, gobierno, industria, academia y sociedad civil.

2.- Los modelos de compromiso varían y requieren personalización para cada aplicación.

3.- El éxito requiere coaliciones en torno a la experiencia, la infraestructura y los datos. La experiencia ayuda a seleccionar problemas, identificar puntos críticos y comprender posibilidades.

4.- La infraestructura existente y los recursos humanos en los dominios a menudo pueden aprovecharse, junto con el acceso a flujos y conjuntos de datos ocultos.

5.- "IA" se refiere a muchas sub-disciplinas y métodos diferentes como visión, habla, planificación, robótica, etc., que deben considerarse para soluciones.

6.- Una perspectiva útil es el flujo desde los datos sensoriales a las distribuciones de probabilidad a las acciones, luego considerando el valor de datos adicionales.

7.- Las aplicaciones a menudo implican soporte de decisiones y colaboración humano-computadora en lugar de automatización completa.

8.- El cólera es un área de alto rendimiento, donde los modelos de IA que predicen brotes podrían optimizar la terapia de hidratación y la distribución de vacunas, salvando vidas.

9.- Los modelos predictivos que utilizan datos heterogéneos proporcionan ideas críticas para la asignación óptima de infraestructura y recursos que los enfoques reactivos carecen.

10.- Increíbles activos de datos a menudo ya existen si los buscamos, por ejemplo, usando aviones como sensores meteorológicos a través de datos de seguimiento de vuelos.

11.- Se construyó un servicio en la nube que muestra mapas de viento actualizados en vivo basados en el aprovechamiento de datos de seguimiento de vuelos existentes de la FAA.

12.- Los patrones de llamadas telefónicas después del terremoto de Ruanda en 2008 se utilizaron para predecir la ubicación del epicentro dentro de 17 km.

13.- Las disrupciones en los patrones de densidad de llamadas a lo largo del tiempo y el espacio pueden indicar áreas que necesitan asistencia después de desastres.

14.- Los modelos de planificación teórica de decisiones pueden priorizar dónde enviar recursos limitados de vigilancia/asistencia dada la incertidumbre en las inferencias de necesidad.

15.- La comunidad de IA debería construir recursos de datos compartidos a través de coaliciones de gobiernos, sector privado y sociedad civil.

16.- Las experiencias y las mejores prácticas con datos e infraestructura deben compartirse ampliamente.

17.- Se puede hacer mucho con los métodos de IA existentes, pero requiere un profundo compromiso con los expertos en dominios para comprender las oportunidades de impacto.

18.- No hay un enfoque único: los modelos deben iterarse y personalizarse para cada aplicación y dominio.

19.- Convertir los éxitos de laboratorio en servicios del mundo real es un desafío y requiere trabajar con muchas partes interesadas para comprender cómo se utilizan las inferencias.

20.- La salud es un ejemplo de dominio donde el progreso de la IA ha sido sorprendentemente lento en traducirse del laboratorio al uso en el mundo real.

21.- Los desafíos del mundo real involucran factores humanos, ergonomía y las realidades de los flujos de trabajo existentes que deben ser profundamente comprendidos y acomodados.

22.- Las ideas que parecen maduras en el laboratorio a menudo resultan ser prematuras o inadecuadas para contextos desordenados del mundo real sin adaptación.

23.- Convencer a las industrias establecidas para que adopten nuevas tecnologías de IA puede ser muy desafiante incluso cuando hay beneficios claros.

24.- Se necesita un largo proceso de curación, iteración y trabajo con las partes interesadas para realmente hacer que la IA funcione en cada área de aplicación.

25.- El ponente desearía haber podido asistir a toda la semana de IA para el Bien, pero tuvo que estar en los EE. UU.

26.- La charla se entregó de forma remota a las 4:55 am desde Seattle, justo después de que el ponente llegara allí desde Washington DC.

27.- Los ejemplos dados tenían como objetivo ilustrar algunos de los desafíos y oportunidades clave en el aprovechamiento de la IA para el beneficio social.

28.- Involucrar a gobiernos e industrias para adoptar soluciones de IA beneficiosas sigue siendo un gran desafío para el campo.

29.- El panel actual resonó con los desafíos clave discutidos en torno a convencer a las partes interesadas para aprovechar las capacidades de la IA.

30.- El ponente agradeció la oportunidad de compartir pensamientos y ejemplos con la comunidad de IA para el Bien a pesar de la hora temprana.

Bóveda de Conocimiento construida por David Vivancos 2024