Mfumo wa Wazi wa Akili Bandia kwa Masilahi ya Jamii: Mfumo wa Kawaida wa Athari Halisi

Yaliyomo

1. Utangulizi

Harakati za AI kwa masilahi ya jamii zimefikia hatua muhimu ambapo maonyesho mengi yameonyesha uwezo wa ushirikiano kati ya watendaji wa AI na mashirika ya mabadiliko ya kijamii. Hata hivyo, mpito kutoka kwa maonyesho ya mara moja hadi kwa athari zinazoweza kupimika na kudumu unahitaji mabadiliko ya msingi katika mbinu. Karatasi hii inapendekeza mifumo ya wazi iliyo na uwezo wa msingi wa AI ili kusaidia mahitaji ya kawaida kati ya mashirika mengi yanayofanya kazi katika nyanja sawa.

Harakati hii imetumia mifumo mbalimbali ya ushirikiano ikiwemo mashindano ya sayansi ya data, hafla za kujitolea, programu za udhamini, na hisani za makampuni. Licha ya juhudi hizi, vikwazo muhimu bado vipo: kutopatikana kwa data, uhaba wa talanta, na changamoto za utekelezaji wa 'maili ya mwisho'. Mbinu ya msingi wa mfumo inashughulikia vikwazo hivi kwa kuunda suluhisho zinazoweza kutumika tena na kupanuka.

2. Mifumo ya Matatizo katika AI kwa Masilahi ya Jamii

2.1 Usindikaji wa Lugha ya Asili kwa Ripoti za Maendeleo

Mashirika ya maendeleo ya kimataifa hutoa idadi kubwa ya ripoti za maandishi zisizo na muundo zikiandika maendeleo ya mradi, changamoto, na matokeo. Uchambuzi wa mikono wa nyaraka hizi unachukua muda mwingi na mara nyingi hukosa ufahamu muhimu. Mifumo ya NLP inaweza kutoa kiotomatiki uchimbaji wa habari muhimu, kutambua mada zinazoibuka, na kufuatilia maendeleo dhidi ya Malengo ya Maendeleo Endelevu (SDGs).

2.2 Uchambuzi wa Uthibitishaji wa Sababu kwa Watu Wenye Uhaba

Mashirika ya huduma za kijamii yanahitaji kuelewa athari za sababu za kuingiliwa kwa watu wenye uhaba. Masomo ya kitamaduni ya uchunguzi mara nyingi hukumbwa na vigeugeu vinavyochanganyikiwa na upendeleo wa uteuzi. Mbinu za uchambuzi wa uthibitishaji wa sababu, zikiwemo mechi ya alama ya mwelekeo na vigeugeu vyombo, zinaweza kutoa makadirio ya kuaminika zaidi ya ufanisi wa kuingiliwa.

2.3 Uainishaji Unaozingatia Ubaguzi

Maamuzi ya mgao katika huduma za kijamii lazima yawe ya haki na isiyo na upendeleo. Miundo ya kawaida ya kujifunza mashine inaweza kwa bahati mbaya kuendeleza au kukuza upendeleo uliopo. Mbinu za uainishaji zinazozingatia ubaguzi zinahakikisha kuwa algoriti za mgao wa rasilimali hazidhuru makundi yaliyolindwa huku zikiendelea kuwa na usahihi wa utabiri.

3. Utekelezaji wa Kiufundi

3.1 Msingi wa Kihisabati

Utekelezaji wa kiufundi unategemea dhana kadhaa za hali ya juu za kujifunza mashine. Kwa uchambuzi wa uthibitishaji wa sababu, tunatumia mfumo wa matokeo yanayowezekana:

Acha $Y_i(1)$ na $Y_i(0)$ ziwakilisha matokeo yanayowezekana kwa kitengo $i$ chini ya matibabu na udhibiti, mtawalia. Athari ya wastani ya matibabu (ATE) inafafanuliwa kama:

$$\text{ATE} = \mathbb{E}[Y_i(1) - Y_i(0)]$$

Kwa uainishaji wa haki, tunatekeleza vikwazo vya usawa wa kidemografia. Acha $\hat{Y}$ iwe matokeo yaliyotabiriwa na $A$ iwe sifa iliyolindwa. Usawa wa kidemografia unahitaji:

$$P(\hat{Y} = 1 | A = a) = P(\hat{Y} = 1 | A = b) \quad \forall a, b$$

3.2 Matokeo ya Majaribio

Majaribio yetu yanaonyesha ufanisi wa mbinu zenye msingi wa mfumo katika nyanja mbalimbali:

3.3 Utekelezaji wa Msimbo

Hapa chini kuna utekelezaji uliorahisishwa wa kainushi linalozingatia ubaguzi:

import numpy as np
from sklearn.linear_model import LogisticRegression
from fairlearn.reductions import ExponentiatedGradient, DemographicParity

class FairSocialClassifier:
    def __init__(self):
        self.base_estimator = LogisticRegression()
        self.constraint = DemographicParity()
        self.model = ExponentiatedGradient(
            self.base_estimator,
            self.constraint
        )
    
    def fit(self, X, y, sensitive_features):
        self.model.fit(X, y, sensitive_features=sensitive_features)
    
    def predict(self, X):
        return self.model.predict(X)

# Mfano wa matumizi
classifier = FairSocialClassifier()
classifier.fit(X_train, y_train, sensitive_features=A_train)
predictions = classifier.predict(X_test)

4. Matumizi na Mwelekeo wa Baadaye

Mbinu ya mfumo inaonyesha ahadi ya kuongeza athari za AI katika nyanja mbalimbali. Mwelekeo wa baadaye unajumuisha:

• Ujifunzaji wa uhamisho wa kuvuka nyanja: Kuendeleza miundo ambayo inaweza kuhamisha ufahamu katika nyanja tofauti za masilahi ya jamii
• Ujifunzaji wa shirikishi: Kuwezesha mafunzo ya mfano wa shirikishi bila kushiriki data nyeti
• Ukaguzi wa kiotomatiki wa haki: Kujenga zana za ufuatiliaji endelevu wa haki za kialgoriti
• Ushirikiano wa AI inayoweza kuelezewa: Kufanya maamuzi ya mfono yaeleweke kwa wafanyakazi wa kijamii na waandishi wa sera

Teknolojia zinazoibuka kama usanifu wa transformer na mitandao ya neva ya grafu zinatoa fursa mpya za kuelewa mifumo changamano ya kijamii. Ushirikishaji wa teknolojia hizi kwenye mifumo ya wazi utaongeza zaidi uwezo wake.

5. Marejeo

1. Varshney, K. R., & Mojsilović, A. (2019). Open Platforms for Artificial Intelligence for Social Good: Common Patterns as a Pathway to True Impact. arXiv:1905.11519.
2. Chui, M., Harrysson, M., Manyika, J., Roberts, R., Chung, R., & Van Heteren, A. (2018). Applying AI for social good. McKinsey Global Institute.
3. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition.
4. Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv:1810.04805.
5. Pearl, J. (2009). Causality: Models, reasoning, and inference. Cambridge University Press.
6. Kairouz, P., McMahan, H. B., Avent, B., Bellet, A., Bennis, M., & Bhagoji, A. N. (2021). Advances and open problems in federated learning. Foundations and Trends® in Machine Learning.
7. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative adversarial nets. Advances in neural information processing systems.