Gráfico de Concepto & Resumen usando Claude 3 Opus | Chat GPT4o | Llama 3:

Resumen:

1.- Taller sobre la construcción de una plataforma de aumento de decisiones para abordar problemas globales y permitir que equipos de todo el mundo colaboren en la resolución de problemas locales/globales.

2.- Risto Miikkulainen presentó la historia, objetivos y MVP del proyecto. Las conferencias proporcionaron una visión general de este y proyectos similares, datos y arquitectura.

3.- Se llevaron a cabo sesiones de grupo sobre casos de uso, requisitos y nuevas ideas. Los grupos informaron sus hallazgos después del almuerzo.

4.- El proyecto comenzó durante la pandemia para permitir la colaboración global en predicción y prescripción para la mitigación de COVID-19 utilizando IA.

5.- Se construyó una demostración en pocos meses mostrando lo que la IA puede hacer. Se expandió a la competencia global XPRIZE.

6.- El Proyecto Resiliencia tiene como objetivo generalizar la plataforma más allá de la pandemia a otros desafíos sociales utilizando la misma tecnología.

7.- La plataforma permite a los equipos trabajar en un núcleo común, compartir datos. Proporciona soporte de decisiones basado en la nube a quienes no tienen acceso a científicos de datos.

8.- Se utilizó un enfoque de modelado basado en datos, en contraste con el modelado epidemiológico tradicional. Permite predicción y prescripción sin suposiciones.

9.- El sistema descubrió soluciones interesantes desde el principio, como la importancia de las escuelas/lugares de trabajo. Predijo el aumento de Delta en India.

10.- Asesoró al gobierno de Islandia sobre la reapertura de escuelas en 2021. Mostró el potencial de comunicarse con los tomadores de decisiones y tener un impacto positivo.

11.- Limitaciones: No se detectó el aumento de Ómicron ya que ocurrió en todas partes a la vez sin datos tempranos para aprender.

12.- También se evolucionaron reglas para proporcionar prescripciones explicables, no solo redes neuronales opacas, para ayudar a los tomadores de decisiones a entender las recomendaciones.

13.- El desafío de respuesta a la pandemia de XPRIZE involucró a equipos globales para desarrollar predictores y prescriptores. Informó algunas políticas gubernamentales.

14.- Se encontró que la IA puede aprovechar las ideas humanas colectivas utilizando prescripciones diseñadas por humanos como punto de partida para la optimización evolutiva.

15.- Trabajo continuo en múltiples frentes - con GPAI en múltiples modelos, NSF en comunicación. El Proyecto Resiliencia se está ampliando a nuevos dominios.

16.- Toby Phillips presentó el Rastreador de Respuesta del Gobierno de Oxford COVID-19 que recopila datos sobre políticas en más de 180 países para permitir el trabajo de modelado.

17.- Lecciones clave: La voluntad política es una barrera más que la tecnología para compartir datos globalmente. Los sistemas establecidos temprano son difíciles de agregar datos más tarde.

18.- Los datos subnacionales aumentan exponencialmente el esfuerzo de recolección, pero a nivel nacional se pierden variaciones importantes de políticas granulares. Se necesitan decisiones de diseño cuidadosas.

19.- Se confió en un enorme esfuerzo voluntario para recopilar datos de políticas manualmente todos los días. Motivar la participación a largo plazo es difícil. La frecuencia impacta la viabilidad.

20.- Se utilizó GitHub para compartir datos, pero tiene limitaciones. Carecía de API estándar. Se tuvo que construir una plataforma personalizada para usar los datos.

21.- Mongchul Lee enfatizó considerar todo el ciclo de vida de los datos, asegurando un entendimiento común a través de ontologías/modelos, construyendo confianza, gobernanza, enfoques descentralizados centrados en el usuario.

22.- Importante armonizar tecnologías como la nube, redes, IoT, big data, IA y ciberseguridad en un marco general.

23.- Se necesitan arquitecturas abiertas y espacios de datos para compartir datos y crear valor. Mecanismos de mercado y transacciones para incentivos.

24.- Los estándares globales comunes (por ejemplo, de ITU y otros) son clave para permitir la interoperabilidad y reutilización de datos a escala.

25.- Las arquitecturas futuras deben considerar datos de extremo a extremo, redes e IA - "ADN". La privacidad, ética, política y regulación son elementos críticos.

26.- Olivier Francon demostró aplicar el mismo marco utilizado para COVID-19 a la optimización del uso de la tierra para la captura de carbono.

27.- Modelos entrenados en datos históricos de uso de la tierra y emisiones. Las prescripciones sugieren cambios en el uso de la tierra para maximizar la captura y minimizar el costo.

28.- El frente de Pareto muestra compensaciones entre objetivos en competencia. Las visualizaciones ayudan a los tomadores de decisiones a entender los impactos de las elecciones de políticas.

29.- Se puede optimizar en diferentes granularidades geográficas. Las optimizaciones locales pueden tener impactos globales negativos que deben considerarse.

30.- Prem Natarajan presentó una arquitectura que permite el desarrollo colaborativo seguro y el despliegue de modelos por equipos distribuidos.

31.- Requisitos clave: seguridad, herramientas, CI/CD, gestión de datos, eficiencia de costos, control de acceso, intercambio de ideas y soporte para "traer su propio modelo".

32.- Utiliza servicios de AWS como Studio y Model Registry, pero busca evitar el bloqueo. Permite tuberías de ML de extremo a extremo.

33.- Diseñado para reutilización en múltiples dominios de problemas y casos de uso. Se enfoca en MVP iterativos para gestionar costos.

34.- Grupo 1 sobre casos de uso: Educación para optimizar la asignación de recursos. Reducción de pobreza mediante simulación de políticas. Agricultura para optimizar el uso de la tierra.

35.- Otros casos de uso: Sistemas de armas y conflictos autónomos. Asistencia en maniobras de evitación de escombros espaciales. Gestión de existencias de pesca.

36.- Necesidad de considerar la optimización multiobjetivo y las consecuencias globales no deseadas de decisiones locales. Trabajar estrechamente con expertos en el dominio.

37.- Grupo 2 sobre colaboración: Definir objetivos claros y propuesta de valor. Identificar partes interesadas, patrocinadores, expertos en el dominio, voluntarios.

38.- Planificar comunicación y participación adaptadas para cada grupo. Construir asociaciones estratégicas para reputación y confianza.

39.- Definir recursos, hitos, fuentes de datos, roles de implementación. Considerar la precisión de los datos. Tener demostraciones regulares y actualizaciones de progreso.

40.- Construir asociaciones antes de que surjan crisis para permitir una respuesta rápida cuando sea necesario. La agregación de datos entre organizaciones es un papel clave que falta.

41.- Grupo 3 sobre desafíos técnicos: Visualizar y explicar la incertidumbre de datos y modelos es crítico pero difícil.

42.- Se necesitan plantillas de proyectos reutilizables para acelerar nuevas aplicaciones. Debe considerarse los datos como una mercancía y habilitar el intercambio.

43.- Explorar interfaces conversacionales para informes, explicaciones y preguntas y respuestas. Pero tener cuidado con la dependencia excesiva de la IA generativa.

44.- La actualización continua de modelos, el manejo de retrasos en decisiones/efectos y las interdependencias complejas de objetivos son desafíos.

45.- Debe abordarse el acceso a la computación y las barreras de costo para la participación de países en desarrollo. El aprendizaje por transferencia puede ayudar con datos limitados.

46.- Los Post-its generaron ideas de casos de uso: paz sostenible, optimización del estilo de vida, cirugía, gestión de recursos, educación, migración, agua, pesca, presupuestos.

47.- Sobre colaboración: Recolección de datos más fácil, involucrar al público y expertos en el dominio, vocabularios comunes, comunicación adaptada, saber cuándo terminar esfuerzos fallidos.

48.- Ideas técnicas: Plantillas reutilizables, intercambio de datos por computación, IA conversacional, incertidumbre de modelos, IA generativa para transparencia, involucrar startups.

49.- Visualizar la incertidumbre fue el principal desafío técnico. También latencia, compensaciones de objetivos complejos, explicabilidad, acceso a infraestructura.

50.- La IA generativa tiene potencial para explicaciones más fáciles pero tiene riesgos. Las herramientas sin código pueden acelerar la adopción. Las tarjetas de modelos ayudan a la transparencia.

51.- El sesgo no puede ser eliminado ya que es fundamental para el razonamiento humano e IA. Pero la diversidad de perspectivas ayuda.

52.- Los tomadores de decisiones actuales a menudo no usan directamente herramientas analíticas/IA. Necesitan adaptar la UX a sus flujos de trabajo para lograr adopción.

53.- Lo mejor es involucrar a los tomadores de decisiones desde el principio. Proporcionar resultados relevantes en sus formatos preferidos. Mostrar beneficios tangibles.

54.- Permitirles explorar interactivamente compensaciones e incertidumbres. Apoyar todo el ciclo de vida de la decisión, no solo el punto de decisión.

55.- La adopción puede ser más fácil si proporciona "cobertura" para decisiones impopulares pero necesarias. Construir confianza gradualmente.

56.- Considerar la línea base - la IA puede no ser perfecta pero aún puede mejorar la toma de decisiones solo humanas en entornos complejos.

57.- Comunicar incertidumbre probabilística intuitivamente. Establecer expectativas apropiadas de que todavía habrá algunos errores.

58.- El Proyecto Resiliencia depende en gran medida de voluntarios y necesita ayuda con desarrollo, pruebas, implementación, divulgación y más.

59.- Se realizan reuniones comunitarias abiertas quincenales para coordinar el trabajo. Grabaciones disponibles. Nuevos colaboradores son bienvenidos activamente.

60.- Los materiales del taller se compartirán a través del sitio web y correo electrónico. La colaboración continua se habilita a través de la lista de correo. Se planean más talleres.

Bóveda del Conocimiento construida por David Vivancos 2024