Τεχνητή νοημοσύνη για τους φτωχούς

Οι τεχνολογίες που επιτρέπουν αυτές τις πιθανές εφαρμογές θα συνεχίσουν να βελτιώνονται καθώς οι πλούσιες χώρες επενδύουν τεράστιους πόρους στην τεχνητή νοημοσύνη. Το κλειδί για τις αναπτυσσόμενες χώρες θα είναι να συμπληρώσουν αυτή την ροή επενδύσεων χρησιμοποιώντας τις τεχνολογίες που προκύπτουν σε προϊόντα και υπηρεσίες που ανταποκρίνονται στις τοπικές ανάγκες. Οι αναπτυσσόμενες χώρες διαθέτουν μεγάλο μέρος της κοινωνικής υποδομής που απαιτείται για την έναρξη νέων επιχειρήσεων: τεχνολογικά κέντρα, πανεπιστήμια, και ομάδες επιχειρηματιών. Οι εταιρείες τους, ωστόσο, έχουν ελάχιστα κίνητρα για να κατασκευάσουν εφαρμογές που απευθύνονται στους φτωχότερους ανθρώπους, η εξυπηρέτηση των οποίων σπάνια είναι κερδοφόρα. Ορισμένες μεγάλες χώρες μεσαίου εισοδήματος, όπως η Ινδία, έχουν την πολυτέλεια να ξεπεράσουν αυτό το πρόβλημα επενδύοντας σε τεχνολογίες τεχνητής νοημοσύνης για τους φτωχούς. Αλλά πολλές άλλες χώρες δεν διαθέτουν τους πόρους και την κλίμακα για να το πράξουν. Ως εκ τούτου, υπάρχει ένας ρόλος για τα δίκτυα των επιχειρηματιών, που μπορούν να μοιράζονται τη μάθηση διασυνοριακά, και για διεθνείς οργανισμούς όπως η Παγκόσμια Τράπεζα, που μπορούν να συντονίζουν τις επενδύσεις μεταξύ κυβερνήσεων και φιλανθρωπικών ιδρυμάτων.

ΚΑΜΠΥΛΗ ΕΚΜΑΘΗΣΗΣ

Υπάρχουν δύο βασικές κατευθύνσεις που θα μπορούσαν να ακολουθήσουν τα εργαλεία ΑΙ στον αναπτυσσόμενο κόσμο. Η πρώτη είναι να βρεθεί μια εργασία στην οποία η τεχνητή νοημοσύνη γίνεται καλή στις πλούσιες χώρες και να προσαρμοστεί για τις φτωχές χώρες. Για παράδειγμα, πολλοί επιχειρηματίες αναπτύσσουν δασκάλους chatbot για πλούσια σχολεία, εργαλεία που θα μπορούσαν να τροποποιηθούν ώστε να λειτουργούν σε μέρη με χειρότερη συνδεσιμότητα στο Διαδίκτυο και υψηλότερη αναλογία μαθητών προς δασκάλους. Η δεύτερη είναι να βρεθούν εντελώς νέες εφαρμογές για την Αι -νέα προϊόντα που θα μπορούσαν να καλύψουν τις ειδικές ανάγκες του αναπτυσσόμενου κόσμου. Για παράδειγμα, ένας οικονομικός σχεδιαστής με τεχνητή νοημοσύνη για αυτοσυντηρούμενους αγρότες θα μπορούσε να τους βοηθήσει να διαχειριστούν τους κινδύνους που ενέχουν οι αποφάσεις σχετικά με το τι να φυτέψουν. Πράγματι, ορισμένες καινοτομίες ξεκίνησαν σε μια φτωχή χώρα και έφτασαν σε πλουσιότερες χώρες αργότερα. Το σύστημα κινητών πληρωμών M-Pesa της Κένυας, για παράδειγμα, απογειώθηκε πολύ πριν από παρόμοιες εφαρμογές στις Ηνωμένες Πολιτείες.

Ενώ ορισμένα εργαλεία τεχνητής νοημοσύνης που αναδύονται από τις πλούσιες χώρες μπορεί να λειτουργήσουν καλά στον αναπτυσσόμενο κόσμο, άλλα θα χρειαστούν προσαρμογή. Ένα πρόβλημα είναι ότι τα περισσότερα συστήματα τεχνητής νοημοσύνης έχουν εκπαιδευτεί σε δεδομένα ειδικά για τον ανεπτυγμένο κόσμο, δεδομένα που συλλέγονται από ανθρώπους με σχετικά υψηλά εισοδήματα και είναι συνήθως γραμμένα στα αγγλικά. Μικρό μέρος του σώματος των γραπτών γνώσεων στον κόσμο αφορά τους φτωχούς ή παρουσιάζεται σε γλώσσες μειονοτήτων. Επιπλέον, τα συστήματα τεχνητής νοημοσύνης εκπαιδεύονται κυρίως για να παράγουν αποφάσεις και αποτελέσματα που ικανοποιούν τους πλούσιους καταναλωτές στην Δύση, οπότε μπορεί να κάνουν λάθη όταν συναλλάσσονται με φτωχότερους σε άλλα μέρη -για παράδειγμα, να χαιρετούν τους πελάτες με το μικρό τους όνομα σε μια κουλτούρα που θεωρεί μια τέτοια οικειότητα ως ασέβεια.

Οι πλούσιες Δυτικές κοινωνίες είχαν ένα προβάδισμα στην συγκέντρωση δεδομένων εκπαίδευσης, οπότε θα χρειαστεί χρόνος για να μπορέσουν τα μοντέλα τεχνητής νοημοσύνης να αντιπροσωπεύουν πλήρως ανθρώπους από τον υπόλοιπο κόσμο. Αλλά η διαδικασία μπορεί να επιταχυνθεί. Οι ερευνητές μπορούν να εντοπίσουν εφαρμογές που θα μπορούσαν να αποδειχθούν μετασχηματιστικές, αρκεί να μπορέσει κάποιος να κάνει τα data πίσω από αυτές πιο αντιπροσωπευτικά. Ένας ιατρικός σύμβουλος με τεχνητή νοημοσύνη, για παράδειγμα, μπορεί να είναι καλός στο να βοηθήσει ένα άτομο με υψηλή αρτηριακή πίεση στην Silicon Valley, αλλά λιγότερο χρήσιμος για κάποιον στο Λάγος που αντιμετωπίζει ελονοσία, επειδή δεν έχει έκθεση σε τοπικές ιατρικές περιπτώσεις. Ή ένα τέτοιο σύστημα θα μπορούσε να αποδειχθεί δημοφιλές μεταξύ των αγγλόφωνων, αλλά να μην είναι διαθέσιμο στα Γιορούμπα, μια από τις κύριες μητρικές γλώσσες της Νιγηρίας.

Για να αντισταθμιστεί η έλλειψη data από τον αναπτυσσόμενο κόσμο, πρέπει να δημιουργηθεί νέο περιεχόμενο για την εκπαίδευση των μοντέλων. Σε αυτό θα μπορούσε να βοηθήσει το crowdsourcing. Το κίνημα WikiAfrica, για παράδειγμα, συντόνισε την προσθήκη αφρικανικού περιεχομένου στην Wikipedia. Τέτοιες πρωτοβουλίες είναι ακόμη πιο πολύτιμες τώρα που αυτή η γνώση μπορεί να βελτιώσει τις αποφάσεις των μηχανών. Σε άλλους τομείς όπου η ορθότητα είναι πιο δύσκολο να διακριβωθεί -όπως η ιατρική ή η γεωργία-, το crowdsourcing δεν θα είναι αρκετό. Θα πρέπει να προσληφθούν εμπειρογνώμονες ή να ψηφιοποιηθούν αναλογικά δεδομένα, όπως τα χάρτινα αρχεία των κλινικών. Η παρουσίαση είναι μόνο ένα μέρος του παζλ, επειδή οι προγραμματιστές θα πρέπει να διαιτητεύσουν μεταξύ ομάδων με διαφορετικές αξίες. Διαφορετικές θρησκευτικές ομάδες στην Ινδία, για παράδειγμα, ίσως να διαφωνούν σχετικά με το τι συνιστά κατάλληλη ιατρική συμβουλή.