今年年初，我设定了目标和关键结果 (OKR) 来推动我的个人和职业发展。我努力实现 OKR，为研究项目做出贡献，指导和培训数据科学实习生，阅读 28 本书来扩展我的知识，并将我的 EFSET 考试成绩提高 15 分以达到英语水平。此外，我还通过完成多门课程的最高分专业化来加深我在生产机器学习 (MLOps) 方面的专业知识。
为了表彰这些成就，Galaksiya 授予我参加 ECAI 会议的机会，这是一次享有盛誉的活动，为了解人工智能的最新进展提供了宝贵的见解。会议在令人叹为观止的圣地亚哥德孔波斯特拉市举行，这个地方让人感觉仿佛回到了过去。走在鹅卵石街道和中世纪建筑中，感觉自己突然穿越到了 14 世纪，走过一本历史书的书页。这座城市的美丽和丰富的遗产使这次经历更加难忘。在这篇博客中，我将分享我的旅程和会议的主要收获。
第 27 届欧洲人工智能会议（ECAI）ECAI于19年24月2024日至1,600日举行，汇集了来自全球人工智能研究界的XNUMX多名代表。
会议内容丰富，包括技术论文演讲、研讨会、教程、受邀演讲和特别会议。在这篇博客中，我将总结我在会议期间参加的演讲和教程。所有文章均发表在 [1].
关键主题A. 道德与公平人工智能系统中的责任： 解决与通用人工智能相关的风险，并创建确保安全和合乎道德的部署的机制。
人工智能滥用： 解决人工智能的恶意使用等道德困境，特别是在社交媒体等敏感领域。
公平性和包容性： 倡导在人工智能驱动的决策系统中实现公平和比例的代表制。
人工智能的可解释性： 确保人工智能系统透明且可解释，以促进信任和理解，使利益相关者能够理解决策是如何做出的。
B. 可持续性人工智能对环境的影响： 承认机器学习过程不断增长的碳足迹并促进可持续的实践。
高效的资源利用： 专注于最大限度地减少资源浪费并提高人工智能系统的效率以减少环境危害。
C. 加强主动学习和优化主动学习： 开发更智能的算法，可以使用有针对性的查询和反例来完善自身，从而提高模型效率。
优化： 开展研究以提高传统人工智能规划系统的性能，使其更有效、更可靠。
D.人工智能在流程和系统中的应用声明过程： 使用人工智能优化流程挖掘、表示和综合，以实现更好的工作流程自动化。
多代理协作： 探索多智能体系统的挑战和机遇，特别是在解决复杂、多目标场景方面。
异常检测： 利用人工智能识别数据中可能表明存在错误、欺诈或系统故障的异常模式或偏差。这包括实时监控和预测分析，以增强决策能力并维护系统完整性。
E.通用人工智能 定义、评估和改进 AGI： 人们越来越关注识别局限性并提出可在各种任务中运行的人工智能的标准化解决方案。
主要方法A.大型语言模型
B.强化学习
C.多智能体系统
D.计算机视觉
会议亮点1. 道德与公平这个 通过行为视角实施人工智能伦理[2] 研讨会探讨了如何将人工智能系统与人类价值观相结合，强调公平、减少偏见和透明度。它强调需要超越传统的准确性指标，采用反映现实世界挑战的评估方法，例如医疗保健中以患者为中心的指标。研讨会还讨论了防止数据泄露和实施强大的多中心评估流程以确保可靠性的重要性。
另一个显著的贡献是 道德人工智能治理：评估可信人工智能的方法[3] ，将人工智能评估方法分为概念方法、手动方法、半自动化方法和自动化方法。该论文认为，虽然自动化工具可以有效地检测偏见和可解释性问题，但人类监督对于细致入微的道德决策仍然至关重要。论文还讨论了缺乏标准化和可信度评估不一致等挑战，强调了统一评估框架的必要性。
此外，该 PEACE（提供打击仇恨言论的解释和分析）[1] 论文介绍了一种网络工具，旨在检测传统模型经常忽略的微妙和隐藏的仇恨言论。通过整合可视化工具和可解释的人工智能技术，PEACE 帮助内容版主更好地理解和处理在线平台上的显性和隐性仇恨言论。
2。 可持续发展多（足够）即好：实现小样本非法填埋垃圾分类[1] 解决了在航拍图像中使用最少的标记数据检测非法垃圾场的挑战。所提出的方法利用少量学习技术和合成数据生成来提高检测准确性，同时最大限度地减少对大量手动注释的需求。这项研究强调了如何利用人工智能有效解决现实世界的环境问题。
另一篇重要的论文， 零浪费机器学习[1] 介绍了一种以可持续性为导向的 AI 模型优化方法。作者提出了一个受循环经济原则启发的框架，重点是重复使用计算和知识来提高模型效率。关键技术包括条件计算、持续学习和资源回收，确保 AI 系统在不牺牲性能的情况下保持资源高效。
在可持续发展背景下管理多主体和多目标决策的更广泛挑战在 世界是一个多目标多智能体系统：现在怎么样？[1] 。这项研究探讨了人工智能如何解决相互冲突的优先事项，例如平衡环境可持续性和经济目标。通过将可解释性和透明度集成到人工智能系统中，该研究旨在提高大规模决策应用中的信任度和采用率。
3. 增强主动学习和优化超越尝试与错误 (Beyond Trial & Error) 的教程： 自动强化学习教程[4] 深入了解强化学习 (RL) 过程的自动化。AutoRL 方法旨在简化传统的手动任务，例如超参数调整和算法选择，使 RL 更易于访问并适应实际应用。本教程还介绍了超参数对模型灵敏度和性能的影响，强调了自动优化技术的重要性。
一项相关研究， 多目标 AutoML 的超参数重要性分析[1]，探讨了超参数调整在平衡相互竞争的目标（例如模型准确率与计算成本）方面的作用。作者介绍了新颖的分析技术来确定哪些超参数具有最大的影响，为优化多目标 AI 模型提供了宝贵的见解。
此外， 适者生存：政策适应环境变化的进化[1] 介绍了一种基于进化的强化学习方法。该研究提出了进化稳健策略优化 (ERPO)，这是一种使 AI 模型能够适应不断变化的环境而无需大量再训练的技术。这项研究对于 AI 系统必须在动态和不可预测的环境中运行的应用具有重要意义，例如机器人技术和金融建模。
4. 流程和系统中的人工智能应用本文 用于工业异常检测的内存自适应和空间专业模型集成[1] 引入了一个框架，该框架动态集成了多个用于检测工业系统中异常的专用模型。通过将记忆适应与空间专业化相结合，该框架增强了人工智能处理多样化和不断变化的数据分布的能力。这种方法在工业应用中被证明是非常有效的，在这些应用中，传统的静态模型难以应对概念漂移和不断变化的操作条件。
另一项相关研究， 用于无监督异常检测的级联存储器[1]，解决了无监督模型中过度泛化的挑战。许多现有的异常检测方法难以区分正常数据和异常数据，导致假阳性率很高。所提出的级联内存架构细化了对正常模式的关注，同时允许系统更有效地隔离异常。该方法在各种基准数据集中表现出最先进的性能，特别是在复杂的现实场景中。
没有标记数据的异常检测模型的验证在 迈向无监督模型验证[1] 。这项研究建议使用“准确多样化”的模型组合来评估异常检测系统，利用基于相关性的排名技术来评估模型可靠性。通过提供一种结构化的无监督验证方法，该研究有助于使人工智能驱动的异常检测更加稳健和可扩展。
5.通用人工智能工作坊 人机时代的语言理解[5] 探讨了大型语言模型 (LLM) 在对话式 AI 和机器翻译等应用中不断演变的角色。虽然 LLM 已经展现出令人印象深刻的能力，但研讨会强调了它们在真正理解人类语言方面的局限性，特别是在需要深度推理和语境意识的语境中。
最后，本文 描述通用人工智能的注意事项和解决方案[1] 解决了衡量 GPAI 通用性和能力的更广泛挑战。作者提出了新的基准测试策略，包括评估 AI 在各种不断变化的任务中的表现的适应性测试。他们还提倡从哲学和认知科学的跨学科见解中完善 GPAI 的概念化，强调透明度和可解释性在 AI 评估中的重要性。
结语ECAI 探讨了塑造人工智能未来的关键主题，包括道德、可持续性、优化和现实世界的应用。关于道德和公平的讨论强调了符合人类价值观的透明、公正的人工智能系统的重要性。
可持续发展工作重点是通过节能方法和负责任的资源使用减少人工智能对环境的影响。主动学习和优化方面的进步突出了使人工智能系统自动化和适应动态环境的技术。在应用人工智能方面，流程优化和决策创新展示了工业和社会挑战的实用解决方案。会议还探讨了通用人工智能的复杂性，强调了适应性、透明度和跨学科合作的必要性。总体而言，ECAI 强调开发合乎道德、高效和适应性强的人工智能系统，以应对紧迫的全球挑战。
案例[1] ECAI 2024 会议记录 – 第 27 届欧洲人工智能会议 (ECAI)，19 年 24 月 2024 日至 XNUMX 日，西班牙圣地亚哥德孔波斯特拉。IOS Press。网址： https://ebooks.iospress.nl/volume/ecai-2024-27theuropean-conference-on-artificial-intelligence-1924-october-2024santiago-de-compostela-spain-including-pais-2024
[2] AIEB-ECAI 2024研讨会 – 通过行为视角实施人工智能伦理。ECAI 2024。网址： https://aieb-ecai2024.framer.ai/
[3] McCormack，L.，＆Bendechache，M.（2024）. 道德人工智能治理：评估可信人工智能的方法。arXiv。网址： https://arxiv.org/abs/2409.07473
[4] ECAI 2024 AutoRL 教程 – 超越反复试验：自动强化学习教程。可从以下网址获取： 链接
[5] LUHME 研讨会，ECAI 2024 – 人机时代的语言理解。可从以下网址获取： https://luhme.web.uah.es/
iremnur KULAKSIZ，机器学习工程师