El Fin Del Conocimiento - Bóveda 6/82 - CVPR - 2023 - Aprendizaje Automático con Propósito Social

graph LR classDef social fill:#f9d4d4, font-weight:bold, font-size:14px classDef global fill:#d4f9d4, font-weight:bold, font-size:14px classDef impact fill:#d4d4f9, font-weight:bold, font-size:14px classDef fairness fill:#f9f9d4, font-weight:bold, font-size:14px A["Aprendizaje Automático con
Propósito Social"] --> B["Propósito
Social"] A --> C["Impacto
Global"] A --> D["Impacto en la
Investigación"] A --> E["Justicia
y
Participación"] B --> B1["Discute IA, ML
con propósito
social. 1"] B --> B2["Enfoque en clima,
tiempo, comunidad
global. 2"] B --> B3["ML probabilístico
sigue siendo un área
central. 3"] B --> B4["Modelos generativos
impactan investigación
de sistemas terrestres. 4"] B --> B5["Portafolio de investigación
en IA socio-técnica. 5"] B --> B6["IA socio-técnica
considera aspectos
sociales. 13"] C --> C1["AI global cambia
a propósito
social general. 6"] C --> C2["Modelos de sistemas
terrestres para vida
sostenible. 7"] C --> C3["ML en pronósticos
globales del tiempo
aplicaciones. 8"] C --> C4["Tarjetas resumen
rendimiento de modelos
visualmente. 9"] C --> C5["ML apoya decisiones
vitales sobre el tiempo. 10"] C --> C6["Mejores pronósticos dañan
comunidades
marginadas. 11"] D --> D1["Ningún sistema existe
independiente del contexto
social. 12"] D --> D2["Vista del ecosistema de IA:
investigación, despliegue,
gobernanza. 14"] D --> D3["Investigación en ML permite
reclamos de propósito
social. 16"] D --> D4["Intersección de salud y
medio ambiente necesita
ML. 17"] D --> D5["Predicciones de lluvia necesitan
modelos de hidrología.
26"] D --> D6["Código abierto asegura
reproducibilidad, evaluación. 27"] E --> E1["Diseño participativo
involucra comunidades
afectadas. 15"] E --> E2["Nuevos enfoques de justicia
para características
incognoscibles. 18"] E --> E3["Investigadores diversos exploran
problemas socio-técnicos.
19"] E --> E4["Diálogo intercultural,
construcción de comunidad
global. 20"] E --> E5["Organizaciones de base apoyan
diálogo de
IA. 21"] E --> E6["Crecimiento del campo de AI
debido al trabajo de base.
22"] class A,B,B1,B2,B3,B4,B5,B6 social class C,C1,C2,C3,C4,C5,C6 global class D,D1,D2,D3,D4,D5,D6 impact class E,E1,E2,E3,E4,E5,E6 fairness

Resumen:

1.- Shakir Mohamed, un destacado investigador de IA, discute el aprendizaje automático con propósito social, conectándolo con nuestro planeta y entre nosotros.

2.- El trabajo de Shakir se centra en el clima y el tiempo, la ciencia y la sociedad, la construcción de comunidades globales, y la diversidad y equidad.

3.- La evidencia muestra que el aprendizaje automático probabilístico es importante y debe seguir siendo un área de inversión central para la comunidad investigadora.

4.- Mezclar modelos generativos con investigación de sistemas terrestres crea caminos hacia el impacto, descubre nuevas preguntas, construye productos y se conecta con necesidades urgentes.

5.- La investigación en tecnología y sociedad debe realizarse conjuntamente, profundizando un portafolio de investigación en IA socio-técnica.

6.- Un campo y una industria de IA más global pueden cambiar el aprendizaje automático para ser más general, magnificando el propósito social.

7.- Los modelos de sistemas terrestres, que representan procesos planetarios, son herramientas centrales para comprender nuestro planeta cambiante y vivir de manera sostenible.

8.- El aprendizaje automático está avanzando en los pronósticos meteorológicos globales a medio plazo, con aplicaciones en necesidades comerciales, industriales y sociales.

9.- Las tarjetas resumen visualmente el rendimiento del modelo en variables, métricas y subconjuntos de datos importantes, mostrando que ML puede superar los sistemas meteorológicos operativos.

10.- Se están logrando avances rápidos en ML para el tiempo, abriendo nuevas formas de apoyar la toma de decisiones vitales dependientes del tiempo.

11.- Mejores pronósticos pueden a veces llevar a mayores daños y vulnerabilidad para comunidades pobres y marginadas.

12.- Ningún sistema técnico existe independientemente del mundo social; lo social y lo técnico están entrelazados en todos los niveles.

13.- La IA socio-técnica adapta las aperturas conceptuales utilizadas en el trabajo técnico para tener en cuenta un conjunto más amplio de consideraciones sociales.

14.- Una vista del ecosistema de IA expone diferentes niveles (investigación, despliegue, gobernanza, cooperación) para nuevas direcciones de investigación y acciones responsables.

15.- Incluir comunidades afectadas en el diseño de IA a través de enfoques participativos coloca el trabajo sobre bases éticas más sólidas.

16.- La investigación teórica y metodológica en ML, como la evaluación de modelos generativos, es vital para habilitar reclamos de propósito social.

17.- La intersección de salud y medio ambiente es otra área de propósito social que necesita más investigación en ML.

18.- Analizar la justicia del modelo a través de subgrupos demográficos es común, pero muchas características humanas son incognoscibles, requiriendo nuevos enfoques de justicia.

19.- Grupos diversos de investigadores pueden aprovechar sus identidades y experiencias para explorar soluciones a problemas complejos socio-técnicos en ML.

20.- Un diálogo intercultural significativo y el fortalecimiento de comunidades políticas variadas a nivel global son clave para hacer el desarrollo de IA más equitativo.

21.- Las organizaciones de base en África y en todo el mundo están construyendo comunidades y movimientos que apoyan el diálogo y la transformación de IA localmente fundamentados.

22.- El campo de IA se está volviendo más global debido al trabajo comprometido de grupos de base; el apoyo continuo es vital.

23.- Los investigadores deben motivar su trabajo a través de un impulso por el propósito social, ampliando la visión de sus responsabilidades.

24.- Una perspectiva de ecosistema permite a los investigadores identificar dónde y cómo intervenir para remodelar la trayectoria de los desarrollos de IA.

25.- El apoyo a las iniciativas de IA de base está trabajando para expandir la participación global en IA; aún se puede hacer más.

26.- Una vez que se predice la lluvia, se necesitan modelos de hidrología para simular el flujo de agua e inundaciones; un área para futuros trabajos.

27.- La liberación de código abierto de modelos de IA lleva tiempo para asegurar la reproducibilidad pero permite la evaluación independiente por parte de agencias ambientales.

28.- La IA participativa es un proceso continuo donde las comunidades afectadas pueden cambiar la dirección del trabajo, no solo el despliegue.

29.- La experimentación pública con modelos de IA plantea preguntas socio-técnicas sobre marcas de agua, código abierto, comunicación y la base de los sistemas de valor.

30.- Los investigadores de aprendizaje automático, especialmente los estudiantes, deben salir de dominios estrechos y estar abiertos a cambiar completamente el campo.

Bóveda de Conocimiento construida porDavid Vivancos 2024