Świat muzyki i technologii został nieodwracalnie ukształtowany przez pionierskie wysiłki Toda Machovera, wybitnej postaci, której praca odbiła się echem poza granicami percepcji artystycznej. Znany ze swojej innowacyjności i wpływu, Machover niedawno otrzymał wyjątkowe wyróżnienie - Medal George'a Peabody'ego za wybitny wkład w muzykę i taniec w Ameryce. Ta szacowna nagroda jest najwyższym wyróżnieniem przyznawanym przez Peabody Institute of Johns Hopkins University, podkreślając głębię wpływu Machovera na krajobraz muzyczny.

Machover uosabia istotę pioniera, napędzając śmiałe postępy w muzyce jako profesor muzyki i mediów Muriel R. Cooper oraz dyrektor wydziału MIT Media Lab. Jego pomysłowe podejście zmieniło kontury muzyki i technologii, wprowadzając innowacje w operze partycypacyjnej, sztucznej inteligencji i technologicznych multimediach. Jego przełomowe badania nie tylko poszerzyły horyzonty artystyczne muzyków i kompozytorów, ale także zwiększyły magię muzycznego zaangażowania publiczności na całym świecie.

Tod Machover: Ceniony innowator, inspirujące dziedzictwo

Dzięki temu wyróżnieniu Machover dołącza do szacownego grona poprzednich laureatów Medalu George'a Peabody'ego, wśród których błyszczą tacy luminarze jak Stevie Wonder, Misty Copeland, Herbie Hancock i Yo-Yo Ma. Jego niezwykłe osiągnięcia sprawiły, że został uznany za czołowego twórcę współczesnej kompozycji, zdobywając uznanie jako “muzyczny wizjoner” i “najbardziej okablowany kompozytor w Ameryce”.

Słowa Freda Bronsteina, dziekana Peabody Institute, stanowią ciepłe świadectwo wpływowej kariery Machovera. Celebrując płodną pracę Machovera na styku muzyki i technologii oraz jego inspirujące przywództwo w MIT Media Lab, Bronstein podkreślił znaczący wpływ Machovera na amerykańską domenę muzyczną. Szczególnie docenił inspirującą podróż Machovera, a zwłaszcza jego ciągłe badanie dynamicznego związku między sztuczną inteligencją a kreatywnością.

Pielęgnowanie artystycznej błyskotliwości: Instytut Peabody i Tod Machover

Machover, którego droga do innowacji rozpoczęła się jako pierwszego dyrektora badań muzycznych w IRCAM w Paryżu, został doceniony przez wiele prestiżowych organizacji. Należą do nich Amerykańska Akademia Sztuki i Literatury oraz National Endowment for the Arts. Jego stypendium w Amerykańskiej Akademii Sztuki i Nauki w 2024 r. jeszcze bardziej ugruntowało jego pozycję jako wpływowej postaci w dziedzinie innowacji muzycznych.

Peabody Institute, szanowany jako inauguracyjne konserwatorium muzyczne w Ameryce, wzmacnia to dziedzictwo innowacji. Działając pod parasolem Uniwersytetu Johnsa Hopkinsa, wspiera doskonałość artystyczną, zachęcając do interdyscyplinarnych studiów i pielęgnując dynamiczną społeczność artystyczną. Nieoceniony wkład Machovera doskonale wpisuje się w misję Instytutu, ożywiając świat muzyki i tańca za pomocą technologii.

Aby uzyskać bardziej szczegółowy wgląd, można odnieść się do oryginalny artykuł prasowy. Jeśli szukasz więcej informacji na temat transformacyjnych możliwości oferowanych przez sztuczną inteligencję, sprawdź Implementi.ai, zaufany przewodnik po integracji automatyzacji AI z operacjami biznesowymi.

Odświeżanie słabszych

Tradycyjnie uważaliśmy niektóre architektury sieciowe za z natury wadliwe lub ograniczone w radzeniu sobie ze złożonymi zadaniami. Jednak te sieci neuronowe mogą być ofiarą niekorzystnego punktu początkowego w przestrzeni parametrów, a nie braku potencjału. Naukowcy odkryli, że łącząc te sieci z ustrukturyzowaną siecią “prowadzącą” przez krótki czas, mogli pokierować trudnymi sieciami w kierunku skutecznego uczenia się.

Technika ta, w przeciwieństwie do destylacji wiedzy - w której model ucznia naśladuje wyniki nauczyciela - opiera się na wewnętrznych reprezentacjach. W tym przypadku sieć docelowa absorbuje sposób, w jaki sieć prowadząca organizuje informacje w swoich warstwach, zamiast naśladować jej przewidywania. Nawet jeśli sieć przewodnika nie jest przeszkolona, proces ten ułatwia znaczący transfer wiedzy, zwiększając tym samym zdolność uczenia się.

Teoria ta została przetestowana przy użyciu głębokich, w pełni połączonych sieci (FCN). Naukowcy krótko dopasowali sieci do sieci prowadzącej przy użyciu losowego szumu przed faktycznym treningiem. Wyniki były zdumiewające - znane z nadmiernego dopasowania, sieci te stały się bardziej stabilne, uniknęły typowych pułapek FCN, wykazywały niższe straty treningowe i poprawiły swoją wydajność. “To imponujące, że mogliśmy wykorzystać podobieństwo reprezentacyjne, aby te tradycyjnie ‘kiepskie’ sieci faktycznie działały” - mówi Vighnesh Subramaniam ’23, MEng ’24, doktorant na Wydziale Elektrotechniki i Informatyki MIT i główny autor badania.

Zmiana gry dla sieci neuronowych

Badanie pokazuje, że poradnictwo, w przeciwieństwie do destylacji wiedzy, nie zawodzi w przypadku korzystania z sieci nieprzeszkolonych nauczycieli. Poradnictwo opiera się na wewnętrznej strukturze sieci, która niesie ze sobą cenne uprzedzenia architektoniczne. Te uprzedzenia działają jak kompas, kierując sieć na lepsze ścieżki uczenia się.

Implikacje tych badań nie kończą się jednak na poprawie wydajności. Sugerują one, że sukces sieci może być bardziej zależny od jej punktu początkowego w przestrzeni uczenia się niż od danych, na których jest trenowana. Dzięki połączeniu sieci z przewodnikiem, wpływ projektu architektonicznego można odizolować od wyuczonego doświadczenia. Wprowadzenie wskazówek zapewnia nową perspektywę oceny wkładu struktur sieciowych w efektywne uczenie się. Daje również naukowcom sposób na zrozumienie różnic między architekturami, pomagając udoskonalić teorie dotyczące optymalizacji sieci neuronowych i identyfikując, które komponenty mają wpływ na uczenie się.

Najważniejsze jest jednak to, że żadna sieć nie jest nie do naprawienia. Nawet te, które kiedyś zostały uznane za nieefektywne, mogą zostać dostosowane do nowoczesnych standardów dzięki odpowiednim wskazówkom. Obecnie zespół CSAIL bada, które elementy architektoniczne w największym stopniu przyczyniają się do tych ulepszeń, zamierzając wpłynąć na przyszłe projekty sieci neuronowych.

“Ogólnie przyjmuje się, że różne architektury sieci neuronowych mają określone mocne i słabe strony” - zauważyła Leyla Isik, adiunkt nauk kognitywnych na Uniwersytecie Johnsa Hopkinsa, która nie była zaangażowana w badanie. “To ekscytujące badanie pokazuje, że jeden typ sieci może odziedziczyć zalety innej architektury, nie tracąc przy tym swoich pierwotnych możliwości”.”

Badania, będące wspólnym wysiłkiem Subramaniama i jego współpracowników z MIT CSAIL, były wspierane przez takie organizacje jak Center for Brains, Minds, and Machines, National Science Foundation, MIT-IBM Watson AI Lab oraz U.S. Department of the Air Force Artificial Intelligence Accelerator. Ich przełomowe odkrycia zostały niedawno zaprezentowane na konferencji i warsztatach poświęconych neuronowym systemom przetwarzania informacji (NeurIPS).

Przeczytaj oryginalny artykuł z MIT News tutaj: https://news.mit.edu/2025/guided-learning-lets-untrainable-neural-networks-realize-their-potential-1218

Oto Justin Reich, profesor nadzwyczajny na Wydziale Porównawczych Studiów Mediów/Programu Pisania MIT. Reich napisał szalupę ratunkową dla nauczycieli w formie przewodnika zatytułowanego "Przewodnik po sztucznej inteligencji w szkołach: Perspektywy dla zakłopotanych"przez MIT Teaching Systems Lab. Publikacja ma na celu pomóc nauczycielom K-12 w żeglowaniu po niezbadanych wodach sztucznej inteligencji w edukacji. "Przez całą moją karierę starałem się być pomostem między badaniami edukacyjnymi a praktycznymi spostrzeżeniami. Moim celem jest uproszczenie i dzielenie się spostrzeżeniami na temat złożonych koncepcji, takich jak sztuczna inteligencja", mówi Reich.

Kompas, nie mapa

W tym przewodniku nie znajdziesz ścisłych zasad ani "najlepszych praktyk". Treść jest zróżnicowana i zawiera prowokujące do myślenia doświadczenia i spostrzeżenia ponad 100 uczniów i nauczycieli z całej Ameryki. Zamiast naciskać na podejście "jeden rozmiar dla wszystkich", stymuluje dialog i zachęca do kultury eksperymentowania w klasach. Etos Reicha jest zgodny z tym podejściem, opowiadając się za pokorną akceptacją faktu, że niektóre strategie mogą działać lepiej niż inne - zrozumienie, które z czasem stanie się jaśniejsze.

Ważne pytania i rozmowy

Pojawienie się sztucznej inteligencji spowodowało napływ pytań. Jak chronić integralność akademicką? Jak chronić prywatność danych studentów? I jak zmienia się nauka, gdy uczniowie mogą korzystać ze sztucznej inteligencji, aby ominąć ciężką pracę myślenia? Reich twierdzi, że dopiero zaczynamy zastanawiać się nad tymi pytaniami. Scenariusz, na który zwraca uwagę, jest podobny do tego, w którym siedzimy w pokoju nauczycielskim, rozmawiając o sztucznej inteligencji, zanim zaprosimy uczniów, rodziców i inne osoby do przyłączenia się do dyskusji. Porównując to do wczesnych dni lotnictwa, autorzy przewodnika zauważają, że przewidywanie, co zadziała, byłoby na tym etapie przedwczesne.

Wyciąganie wniosków z historii

Reich otwarcie mówi o potencjalnych problemach, które przed nami stoją. "Poruszamy się po omacku", szczerze przyznaje, rysując podobieństwa do wcześniejszych błędów związanych z technologią w klasie. Zastanawiając się nad błędnymi strategiami, takimi jak zniechęcanie uczniów do korzystania z Wikipedii lub szukanie przestarzałych znaczników wiarygodności na stronach internetowych, Reich wzywa do ostrożności. Opowiada się za podejściem opartym na dowodach, a nie na szeroko zakrojonych założeniach dotyczących sztucznej inteligencji, opowiadając się za próbami, obserwacją i uczeniem się na podstawie wyników.

Tak więc przewodnik Reicha i odpowiadająca mu seria podcastów "Maszyna do prac domowych"we współpracy z dziennikarzem Jesse Dukesem, zapewniają istotne zasoby dla nauczycieli poruszających się po sztucznej inteligencji w klasie. Reich zachęca do zróżnicowanej rozmowy na temat sztucznej inteligencji, angażując głosy różnych interesariuszy. Dialog ten został dodatkowo wzmocniony poprzez godzinny program radiowy, który był emitowany w publicznych stacjach radiowych w całym kraju, docierając w ten sposób do szerszej publiczności.

Podczas gdy wymagania związane z poruszaniem się po nowych technologiach, takich jak sztuczna inteligencja, mogą być wysokie, Reich podkreśla potrzebę ostrożności, współpracy i zbiorowej chęci uczenia się na podstawie naszych wcześniejszych doświadczeń - ponieważ w przeciwieństwie do poprzednich technologii, sztuczna inteligencja przeniknęła do życia uczniów nie za pośrednictwem tradycyjnych kanałów, ale za pośrednictwem ich smartfonów. Wywiera to jeszcze większą presję na nauczycieli, aby reagowali bez jasnych wskazówek lub wypróbowanych i przetestowanych praktyk. Nie oznacza to jednak, że należy odmówić im głosu w kształtowaniu jej wykorzystania. Jak mówi Reich: "Sztuczna inteligencja już tu jest. Nauczyciele nie mogą decydować o jej istnieniu, ale powinni mieć duży wpływ na kształtowanie jej przyszłości".

Aby uzyskać więcej informacji i dołączyć do tej trwającej rozmowy, możesz odwiedzić oryginalny artykuł z MIT News: Pomoc szkołom K-12 w poruszaniu się po złożonym świecie sztucznej inteligencji.

Naukowcy z MIT, Lawrence Berkeley National Lab i University of Orléans zajmują się tą sprawą, a ich najnowsze odkrycia przynoszą bardzo potrzebną jasność. W badaniu opublikowanym niedawno w PNAS, Zespołowi udało się stworzyć modele komputerowe, które z imponującą dokładnością odzwierciedlają rzeczywiste eksperymenty. Może to brzmieć technicznie, ale to wielka sprawa: posiadanie modeli, którym możemy zaufać, znacznie ułatwia projektowanie bezpieczniejszych metod przechowywania.

To, co sprawia, że badania te są przełomowe, to ich związek z laboratorium Mont Terri w Szwajcarii, miejscem, które od lat 90. znajduje się w czołówce badań nad odpadami nuklearnymi. Naukowcy skupili się na glinie Opalinus, naturalnym materiale uważanym za idealny do przechowywania materiałów radioaktywnych. Przeprowadzając eksperymenty w Mont Terri, a następnie wprowadzając te dane do zaawansowanych symulacji komputerowych, byli w stanie zobaczyć, jak sztuczne bariery (takie jak cement) oddziałują z gliną głęboko pod ziemią, nie tylko przez miesiące lub lata, ale potencjalnie przez wieki.

Postęp ten zawdzięczamy w dużej mierze nowym narzędziom. Najnowszy model komputerowy, zwany CrunchODiTi, jest znaczącym ulepszeniem w stosunku do starszych programów. W przeciwieństwie do poprzednich wersji, CrunchODiTi może uwzględniać niewielkie ładunki elektryczne w minerałach ilastych. Te szczegóły mają znaczenie, ponieważ pomagają przewidzieć, w jaki sposób cząstki radioaktywne mogą się poruszać - lub pozostawać w miejscu - przez bardzo długi czas.

Zespół skupił się na niewielkiej, kluczowej warstwie “skóry” o grubości zaledwie centymetra, gdzie cement i glina spotykają się. Interfejs ten odgrywa ogromną rolę w powolnej migracji pierwiastków promieniotwórczych przez podpowierzchnię. Dane z 13-letniego eksperymentu w Mont Terri dały naukowcom rzadkie, długoterminowe spojrzenie na zmiany w tej strefie skóry. Ich model komputerowy pasował do fizycznych obserwacji, dając prawdziwą pewność, że są na dobrej drodze.

Dauren Sarsenbayev, główny autor badania, uważa, że obserwowanie tych zmian jest niezwykłe. Zobaczenie, jak z czasem zmienia się połączenie cementu i gliny, pomaga wypełnić lukę między teorią a rzeczywistością. Obserwacje zespołu potwierdzają również istniejące od dawna koncepcje dotyczące sposobu gromadzenia się minerałów i zmian porowatości materiału, które mają znaczenie dla długoterminowego przechowywania odpadów.

Co to wszystko oznacza dla zarządzania odpadami jądrowymi? Po pierwsze, dokładniejsze modele mogłyby zastąpić przestarzałe symulacje wykorzystywane obecnie do oceny bezpieczeństwa składowisk odpadów jądrowych. Ma to kluczowe znaczenie, jeśli Stany Zjednoczone - lub jakikolwiek inny kraj - chcą ruszyć naprzód z budową stałego składowiska odpadów. Modele te są również elastyczne w ocenie różnych rodzajów skał, w tym formacji solnych, co zwiększa ich przydatność w przyszłości.

Patrząc w przyszłość, naukowcy planują jeszcze bardziej udoskonalić swoje symulacje, być może integrując uczenie maszynowe w celu przyspieszenia procesu. Naukowcy chcą również zebrać więcej danych z trwających eksperymentów, zbliżając się do momentu, w którym składowanie odpadów nuklearnych będzie rozwiązanym problemem, a nie zbliżającym się ryzykiem.

Dla Sarsenbajewa i jego zespołu ostateczny cel jest prosty: stworzyć solidne naukowo, godne zaufania rozwiązanie dla odpadów nuklearnych, któremu decydenci - i społeczeństwo - będą mogli zaufać. Jak sam mówi, ich praca znajduje się na przecięciu nauki, systemów i społeczeństwa: prawdziwie wspólne podejście do jednego z najbardziej zniechęcających wyzwań inżynieryjnych naszej ery.

Przeczytaj całą historię na stronie MIT News.

Kiedy mówi się o sztucznej inteligencji ogólnej (AGI), łatwo wyobrazić ją sobie jako odległą, zaawansowaną technologicznie koncepcję, która ma znaczenie tylko dla najbardziej zaawansowanych miast na świecie. W rzeczywistości jednak AGI - i jej młodsze rodzeństwo, codzienna technologia AI - ma potencjał, aby dokonać największych zmian tam, gdzie zasoby tradycyjnie pozostawały w tyle. Mój czas pracy u boku iCog Labs w Etiopii, firma współzałożona przez Bena Goertzela i Getneta Aseffę, pokazała mi, jak wiele obietnic i jak wiele wyjątkowych przeszkód pojawia się podczas pielęgnowania projektów AI w krajach rozwijających się. Jest tu ogromny potencjał, ale także wiele do nauczenia się.

Jak sztuczna inteligencja może pomóc zniwelować luki w edukacji

Sztuczna inteligencja może być prawdziwym przełomem w edukacji - zwłaszcza w miejscach, w których niedobór nauczycieli, podręczników, a nawet podstawowej infrastruktury jest codziennym wyzwaniem. A jeśli sięgniemy głębiej, przeszkody nie dotyczą tylko brakujących tablic: wiele dzieci w krajach takich jak Etiopia ma uczyć się w językach, które ledwo rozumieją, przy użyciu materiałów, które nie odzwierciedlają ich prawdziwego życia ani kultury. Odpowiedzią nie jest tylko technologia dla samej technologii; zamiast tego chodzi o rozwiązania zrodzone z lokalnych spostrzeżeń, kreatywności i praktycznego partnerstwa.

UNESCO szacuje, że około 40% dzieci na całym świecie chodzi do szkoły w języku, którego w pełni nie rozumie, co oznacza, że tracą nie tylko słowa, ale także wszelkiego rodzaju możliwości. To jest właśnie miejsce, w którym narzędzia językowe oparte na sztucznej inteligencji błyszczą. Podczas gdy globalni giganci technologiczni często nie mają motywacji do wspierania małych lub niedofinansowanych społeczności językowych, ukierunkowane projekty wypełniają tę lukę. Obok Ciekawa nauka, Stworzyliśmy wspierane przez sztuczną inteligencję aplikacje do czytania w lokalnych językach Etiopii, z których korzysta obecnie ponad 85 000 osób. Są to proste narzędzia o niewielkich zasobach, które radzą sobie z najtrudniejszymi wyzwaniami językowymi, z którymi boryka się tak wiele dzieci.

Aby sięgnąć jeszcze głębiej, uruchomiliśmy Leyu - zdecentralizowaną platformę gromadzenia danych - skoncentrowaną na zbieraniu próbek językowych bezpośrednio z odległych wiosek. Gromadzone przez nas dane szkolą systemy tłumaczeń AI, dzięki czemu kolejny niedostatecznie reprezentowany język nie zostanie pominięty w cyfrowej rozmowie jutra.

Sprawianie, by nauka była ekscytująca i istotna

Oczywiście język to tylko część równania. Prawdziwy postęp edukacyjny zależy od treści, które mają znaczenie lokalne. Sztuczna inteligencja również odgrywa tu pewną rolę: może generować lekcje nauki o uprawach, które lokalne dzieci widzą każdego dnia, lub zadania matematyczne zbudowane wokół rytmów ich własnych rynków. To jest edukacja, która klika, ponieważ w końcu chodzi o nich.

Niektóre z naszych najbardziej dumnych prac zostały wdrożone na drodze dzięki Digitruck - w pełni mobilnej klasie wbudowanej w ciężarówkę. Częściowo dzięki wsparciu SingularityNET, Pojazd Digitruck jest wyposażony w komputery i urządzenia i dociera do najbardziej odległych miejsc w Etiopii. Dzieci testują kodowanie, a nawet zdobywają praktyczne doświadczenia ze sztuczną inteligencją - a wszystko to pozostając blisko swoich korzeni.

Patrząc wstecz, były też radosne, niezapomniane chwile. W latach 2015-2019 w ramach programu RoboSapiens studenci uniwersytetów programowali humanoidalne roboty do gry w piłkę nożną - połączenie kultury i zaawansowanych technologii, które wywołało natychmiastowy szum od Etiopii po Kenię i Nigerię. Niestety, praktyczne przeszkody, takie jak drogie cła importowe na elektronikę, wstrzymały program, przypominając, że ambicje techniczne wymagają wsparcia ze strony silnej polityki i infrastruktury.

Zakorzenienie AI w rzeczywistych potrzebach społeczności

Całej tej energii musi towarzyszyć ostrożność i rozwaga. W miarę jak sztuczna inteligencja wkracza do sal lekcyjnych i codziennego życia, ważne jest, aby nie pozwolić tym narzędziom zastąpić podstawowych umiejętności lub osłabić nauczycieli. Celem jest raczej pomoc nauczycielom w robieniu tego, co robią najlepiej - rozwijaniu ciekawości i niezależnego myślenia - przy jednoczesnym wspieraniu ich nowymi zasobami.

Nie chodzi o uniwersalne zasady. Zamiast tego same społeczności muszą kierować tym, co robi dla nich sztuczna inteligencja. Ten rodzaj znaczącego, oddolnego zaangażowania jest tym, co zapewni, że sztuczna inteligencja poprawi edukację, a nie stanie się tylko kolejną barierą.

Sprawiedliwa, odpowiedzialna sztuczna inteligencja w edukacji nie jest prosta ani szybka. Oznacza to pracę ramię w ramię z lokalnymi liderami, utrzymywanie niuansów kulturowych na pierwszym planie i planowanie ryzyka etycznego. Ale jest to warte każdego wysiłku. Kiedy dziecko w wiejskiej Etiopii po raz pierwszy koduje na laptopie Digitruck, wtedy wielkie tematy równości i wzmocnienia pozycji przestają być modnymi hasłami - i stają się prawdziwymi, żywymi doświadczeniami.

Oryginalny artykuł na Unite.AI

Niewidoczne niedociągnięcia w danych dotyczących opieki zdrowotnej oraz rola edukacji w zakresie sztucznej inteligencji

Jak znakomicie podkreślił Leo Anthony Celi, uznany lekarz i starszy pracownik naukowy w Instytucie Inżynierii Medycznej i Nauk Medycznych MIT, to przeoczenie w edukacji w zakresie sztucznej inteligencji może spowodować problemy w przyszłości. W najnowszy artykuł, wyjaśnia, w jaki sposób stronniczość danych – zwłaszcza danych klinicznych gromadzonych głównie wśród białych mężczyzn – może prowadzić do nieefektywności systemów sztucznej inteligencji w przypadku stosowania ich w odniesieniu do bardziej zróżnicowanych populacji. Na przykład pulsoksymetry często zawyżają poziom nasycenia tlenem u osób o innym kolorze skóry ze względu na ich niedostateczną reprezentację w badaniach klinicznych. To tylko wierzchołek góry lodowej – istnieje niezliczona ilość innych przypadków, w których sprzęt medyczny i systemy danych pomijają różnorodność populacji, generując zniekształcone wyniki i potencjalnie szkodliwe decyzje.

Kolejna kluczowa kwestia dotyczy wykorzystania elektronicznej dokumentacji medycznej (EHR) jako podstawy dla modeli sztucznej inteligencji. Chociaż EHR stanowi istotny element medycyny, nigdy nie była ona przeznaczona do pełnienia funkcji systemów uczących się i zawiera wiele niespójności oraz tendencyjności. Celi nie maluje jednak wyłącznie ponurej przyszłości, opowiadając się za pomysłowymi sposobami odpowiedzialnego wykorzystania istniejących danych zamiast zastępowania całej infrastruktury EHR – co obecnie nie jest wykonalne. Na szczęście badane są innowacyjne podejścia, takie jak modele transformatorowe, mające na celu lepsze zrozumienie korelacji między wynikami badań laboratoryjnych, parametrami życiowymi i metodami leczenia. To fascynujące podejście może pomóc w zmniejszeniu wpływu brakujących lub stronniczych danych, na które często wpływają społeczne determinanty zdrowia oraz ukryte uprzedzenia personelu medycznego.

Radzenie sobie z niedoskonałościami i maksymalizacja efektów nauki

Wyzwania te stają się oczywiste, gdy przyjrzymy się doświadczeniom Celiemu związanym z nauczaniem sztucznej inteligencji w służbie zdrowia. Od momentu rozpoczęcia działalności w 2016 roku jego zespół z MIT zdał sobie sprawę, że studenci byli uczeni optymalizacji modeli pod kątem wyników statystycznych, zamiast kwestionować rzetelność danych. Przegląd 11 kursów internetowych ujawnił skalę tego problemu – tylko pięć kursów poruszało temat stronniczości danych, a zaledwie dwa zawierały merytoryczną dyskusję na ten temat. W miarę jak sztuczna inteligencja coraz bardziej zaznacza swoją obecność w służbie zdrowia, na nauczycielach spoczywa obowiązek zapewnienia, by studenci potrafili nie tylko tworzyć modele, ale także krytycznie analizować dane, na których się opierają. Wypełnienie tej luki będzie wymagało przesunięcia punktu ciężkości z samego tworzenia modeli na zrozumienie danych – obszar, który według Celi powinien stanowić co najmniej połowę treści kursu.

Jedną z inicjatyw pomagających rozwiązać tę zagadkę jest konsorcjum MIT Critical Data. Od 2014 roku organizuje ono międzynarodowe datatony. Sesje te łączą lekarzy, analityków danych i pracowników służby zdrowia, którzy wspólnie analizują lokalne zbiory danych, dążąc do zrozumienia zdrowia i chorób w unikalnym kontekście kulturowym i systemowym każdego regionu. Współpraca ta sprzyja tworzeniu środowiska, w którym krytyczne myślenie rozwija się w sposób naturalny.

Akceptacja niedoskonałości danych może być również krokiem w kierunku poprawy, choć jest to wyzwanie. Dobrym przykładem jest baza danych MIMIC, której opracowanie użytecznego schematu zajęło ponad 10 lat, głównie dzięki temu, że użytkownicy dostrzegali i wskazywali jej wady. W tym miejscu warto przytoczyć trafną uwagę Celi, że nawet bez wszystkich odpowiedzi inspirowanie ludzi do zadawania właściwych pytań może całkowicie zmienić sytuację. Studenci i naukowcy angażujący się w rozwój sztucznej inteligencji w służbie zdrowia muszą mieć świadomość jej potencjału transformacyjnego oraz związanych z tym obowiązków etycznych.

Aby zapoznać się z bardziej szczegółową dyskusją na ten temat z Leo Anthonym Celi, odwiedź stronę MIT News.