大流行時期負責任的人工智能

最近幾天，我收到了幾個關于人工智能(AI)對當前狀況的分析可能做出的貢獻以及幫助理解所實施的不同政策(例如本地或本地)可能產(chǎn)生的影響的問題。停業(yè)，檢疫或社會隔離。最具體地說，是如何負責任地進行AI。

首先，我想強調一點，人工智能確實可以幫助理解當前的狀況，因此，對于人工智能研究人員和專業(yè)人員而言，此時此刻要做的負責任的事情是利用我們的專業(yè)知識來分析和理解人工智能的傳播。，政策可能產(chǎn)生的影響，對社會和經(jīng)濟的長期影響以及其他此類問題。但是，為了負責任地做到這一點，重要的是要公開并明確AI可以做什么和不能做什么。正如我經(jīng)常強調的那樣，人工智能不是魔術，也不是我們所有問題的解決方案。負責任地開發(fā)和使用AI的一些主要要求包括健壯性，透明性以及對人權和原則的尊重。

首先，系統(tǒng)必須堅固。我們需要仔細研究所使用的技術和方法。特別地，使用數(shù)據(jù)驅動的方法來預測的傳播可能存在問題。這些方法通過關聯(lián)過去的數(shù)據(jù)來“學習”，目前我們還沒有足夠的關于類似情況的數(shù)據(jù)[1]。過去的結果并不能保證未來，尤其是當未來看起來與我們從過去所知的一切截然不同的時候。而且，可用的少量數(shù)據(jù)是不完整且有偏差的。例如，可以肯定的是，已經(jīng)確認的感染者多得多，并且還沒有對已恢復者的完整統(tǒng)計。將現(xiàn)有數(shù)據(jù)用于機器學習方法會導致許多假陰性和假陽性。當前的情況可能是模型驅動的方法比數(shù)據(jù)驅動的方法更適合的情況。實際上，目前有幾個小組致力于(基于代理的)模擬。但是，模型的選擇必須以流行病學，社會學和心理學方面的可靠研究為基礎，連同合適的計算表示。這種類型的模型傾向于對設計假設和初始參數(shù)敏感。在提出這些系統(tǒng)以支持決策者之前，需要進行敏感性分析測試。從研究的角度來看，結合數(shù)據(jù)驅動和模型驅動的混合方法的工作尤其重要。

無論是數(shù)據(jù)驅動還是模型驅動，透明度都是至關重要的。使用了哪些模型和數(shù)據(jù)集，以及為什么使用了什么，為什么要咨詢了哪些專家，如何測試和評估了系統(tǒng)……如果沒有這些問題的明確答案，結果將不可信賴?，F(xiàn)在，世界比以往任何時候都負擔不起基于“黑匣子”做出決定的能力。如果您的系統(tǒng)無法提供其結果的解釋，請在考慮使用它對流行病進行任何分析或預測之前三思。同時，強烈建議使用AI來支持識別虛假新聞并限制其傳播。