IJCAI 2022: Najlepšie momenty z konferencie a jej doktorandského konzorcia

Branislav Pecher je jedným z našich doktorandov. Je členom tímu Web & User Data Processing, kde sa zameriava na modely učenia, ktoré zahŕňajú len obmedzený počet anotovaných vzoriek, najmä na meta-učenie. Jeho doménou je odhaľovanie dezinformácií a súvisiacich javov. V júli 2022 sa Branislav zúčastnil na konferencii IJCAI 2022 vo Viedni. Prečítajte si o jeho zážitkoch. 

Koncom júla som mal možnosť zúčastniť sa na 31. medzinárodnej združenej konferencii o umelej inteligencii (IJCAI), ktorá bola organizovaná spolu s 25. európskou konferenciou o umelej inteligencii (ECAI). S viacerými kolegami sme sa vybrali do Viedne, aby sme sa tohto prestížneho podujatia zúčastnili. IJCAI je najvýznamnejšie medzinárodné stretnutie výskumníkov v oblasti umelej inteligencie. Je to najdlhšie trvajúca konferencia zameraná na umelú inteligenciu, začala sa konať už v roku 1969. Zahŕňa všetky oblasti umelej inteligencie, od učenia s odmenou a trestom, kauzality, bayesovskej štatistiky, až po témy ako etika umelej inteligencie, dôvera a spravodlivosť.

Na konferencii som sa zúčastnil ako študentský dobrovoľník aj ako autor, keďže som na konferencii bol súčasťou doktorandského konzorcia. Podelím sa s vami o niekoľko postrehov z konferencie.

Konferencia sa začala trojdňovými workshopmi a seminármi. Každý z 32 workshopov bol zameraný na konkrétnu výskumnú tému, napríklad na vyhodnocovanie modelov umelej inteligencie, nepriaznivé vplyvy technológií umelej inteligencie alebo vysvetliteľnosť umelej inteligencie. Kompletný zoznam workshopov je k dispozícii na webovej stránke konferencie. Vďaka tomuto úzkemu zameraniu bola účasť na workshopoch skvelou príležitosťou nadviazať kontakty a diskutovať o našej práci s ľuďmi, ktorí sa venujú rovnakej výskumnej oblasti, čo môže viesť k budúcej spolupráci. 

Zúčastnil som sa na workshope, ktorý sa zaoberal vyhodnocovaním modelov umelej inteligencie. Hlavnou myšlienkou workshopu bolo, že jednoduché vyhodnocovanie vedie k modelom, ktoré dokážu dobre plniť požadované úlohy. Robia to však jednoducho zapamätaním si poskytnutých údajov, bez akéhokoľvek pochopenia danej úlohy. Takéto modely nedokážu dobre generalizovať a zlyhávajú, keď prejdeme na iné údaje. 

Jeden príklad mi mimoriadne utkvel v pamäti. „Ak chceme rozpoznať mačky a psy, môžeme to urobiť tak, že modelu ukážeme príklady. Ak potom chceme rozpoznať mačky s klobúkmi, tento model je nepoužiteľný, aj keď predtým fungoval bez chyby. Dôvodom je, že nikdy nevidel mačky s klobúkmi a je nereálne ukázať modelu každú jednu možnosť mačiek a psov.“ Zámerom workshopu bolo prekročiť rámec jednoduchého vyhodnocovania prostredníctvom hodnotenia „všeobecnej inteligencie“ modelov s využitím (okrem iného) konceptov z psychológie a hodnotenia inteligencie zvierat.

Ďalší zaujímavý workshop sa týkal nepriaznivých vplyvov technológií umelej inteligencie. Bol zameraný na etickú stránku umelej inteligencie, pričom mnohí prednášajúci pochádzali z netechnických oblastí. Súčasťou tohto workshopu boli aj príspevky a prezentácie kolegov z KInITu. Ján Čegiň prezentoval svoj príspevok o crowdsourcingu adverzných príkladov pomocou hry na zlepšenie detekcie falošných informácií. Adrián Gavorník mal príspevok o zlepšovaní hodnotenia dôveryhodnosti umelej inteligencie.

Okrem týchto dvoch workshopov sme sa zúčastnili aj na workshope o vysvetľiteľnosti umelej inteligencie. Súčasťou tohto workshopu bola aj prezentácia našich výskumníkov Martina Tamajku a Marcela Veselého o hľadaní verných a zrozumiteľných vysvetlení pre kombináciu modelu, úlohy a údajov. Ako napovedá názov workshopov, zamerali sa na vysvetlenia rozhodnutí umelej inteligencie vo všetkých podobách a formách.

V neposlednom rade sa Peter Pavlík zúčastnil na workshope Complex Data Challenges in Earth Observation. Prezentoval svoju prácu s názvom Radar-Based Volumetric Precipitation Nowcasting: A 3D Convolutional Neural Network With U-Net Architecture. Ukázal, ako môže použitie volumetrických údajov na trénovanie modelu nowcastingu zlepšiť presnosť predpovedí v tejto oblasti. Jeho prezentáciu si môžete pozrieť tu.

Počas posledného dňa seminárov som sa zúčastnil doktorandského konzorcia konferencie IJCAI. Pozostávalo z dvoch častí. V prvej časti prítomní doktorandi, medzi ktorými som bol aj ja, predstavili krátku prezentáciu o svojom doktorandskom výskume. 

Potom sme diskutovali a získali spätnú väzbu ohľadom aktuálnych a budúcich smerovaní našich výskumov od ostatných študentov a vybraných odborníkov v tejto oblasti. Prvá časť bola skvelá príležitosť na nadviazanie kontaktov medzi študentmi. Získal som veľa cennej spätnej väzby a prediskutoval svoje predstavy o tom, ako si predstavujem smerovanie môjho výskumu. 

Najdôležitejšou radou bolo zamerať sa na užší rozsah výskumu. Túto odporúčanie zopakovali viacerí účastníci, keďže mnohí študenti majú problém s príliš širokou témou. Cieľ, ktorý som si predstavoval, bol príliš ambiciózny na to, aby som ho dôkladne splnil v čase určenom na doktorandské štúdium. Zameranie sa na užšiu tému vždy povedie k lepším výsledkom. 

Objavil som tiež nové a zaujímavé možnosti smerovania môjho výskumu a spoznal som študentov, ktorí pracujú na podobných témach.

V druhej časti sme mali naozaj zaujímavú prednášku na tému, s ktorou sa trápi väčšina výskumníkov v oblasti umelej inteligencie – ako komunikovať náš výskum širokému neodbornému publiku. Táto prednáška obsahovala množstvo tipov a trikov, čo robiť, na čo sa zamerať a čo nerobiť, aby publikum náš výskum pochopilo. Jedným z tipov, ktorý ma zaujal, bolo vytváranie paraliel s bežnými vecami, ktoré každý pozná. Napr. ak si chceme zapamätať rok podpísania Magny Charty (1215), môžeme si jednoducho spomenúť, že bola podpísaná v „čase obeda“.

Po prednáške sme mali panelovú diskusiu o kariére s Andreou Rendl, Barrym O’Sullivanom a Petrom Wurmanom. Mohli sme sa pýtať akékoľvek otázky týkajúce sa doktorandského štúdia. Dozvedieť sa od expertov, ako vnímajú doktorandské štúdium a ako by sa malo podľa nich k štúdiu pristupovať, bolo naozaj prínosné.

Pripájam zopár myšlienok a názorov, ktoré ma zaujali:

Okrem krátkych prezentácií na doktorandskom konzorciu mal každý účastník aj plagát na hlavnej poster session konferencie nasledujúci deň. Poster session slúžila ako príležitosť na networking so všetkými účastníkmi konferencie. Pre mňa to boli dve hodiny nepretržitých diskusií o mojej práci, jej smerovaní a získavania ďalšej hodnotnej spätnej väzby. Dostal som podnety, ako môže moja práca pomôcť, ako ju možno zlepšiť a dokonca ako ju lepšie prezentovať. 

Myslím si, že kombinácia diskusií doktorandského konzorcia a poster session mi poskytla vynikajúci feedback. Pomohlo mi to skonkretizovať tému mojej dizertačnej práce, výrazne ju zlepšiť a identifikovať budúce smerovanie, ktoré mi (dúfam) umožní zvýšiť potenciálny vplyv mojej dizertačnej práce.

Hlavná časť konferencie sa začala (podľa môjho názoru) najzaujímavejšou prednáškou Gerharda Widmera. Hlavnou témou bola úloha umelej inteligencie v hudbe – štúdium hudby, ale aj hranie a dokonca vyučovanie hudby. Napodobňovanie hudby pomocou umelej inteligencie je problematické. Aj keď AI už dokáže zahrať akúkoľvek hudobnú skladbu, chýba jej ľudskosť. Keďže každý umelec interpretuje skladbu po svojom a zanecháva v hudbe kúsok seba, každé vystúpenie znie trochu inak. Výkon umelej inteligencie je však monotónny, pretože nedokáže napodobniť toto správanie – najmä kvôli nedostatku dát a problémom s vyhodnocovaním. Vrcholom tejto prednášky bol živý duet umelej inteligencie s človekom. Model umelej inteligencie napodobňoval rýchlosť, tón a hlasitosť ľudského interpreta, čím vytváral vystúpenie podobné ľudskému.

Ďalšie 2 keynotes sa zaoberali vysvetliteľnosťou umelej inteligencie. Prvá z nich bola kritikou súčasných metód vysvetliteľnosti, ktoré v skutočnosti nezohľadňujú laickú ľudskú perspektívu. To ich robí v praxi nepoužiteľnými, keďže ich navrhli odborníci na AI, ktorí nemajú dobré predpoklady na vytvorenie nástrojov vysvetliteľnosti pre laikov. Prednášajúci použil prirovnanie k pacientom, ktorí sami riadia blázinec. Vyjadril presvedčenie, že by sme sa mali obrátiť na spoločenské vedy, aby sme tento problém vyriešili. 

Druhá prednáška predstavila nový súbor metód vysvetliteľnosti na odhaľovanie základných určujúcich rovníc medicíny z údajov, čo umožní vedcom robiť nové objavy a laikom  ľahko využívať tieto vysvetlenia.

Ostatné prednášky boli rovnako dobré, zaoberali sa sociálnymi aspektmi umelej inteligencie, využívaním umelej inteligencie na pomoc pri výučbe programovania alebo diskutovali o tom, kam smeruje dátová veda a prečo je potrebné viac sa zamerať na kauzálne inferencie. Abstrakt každej keynote je k dispozícii tu.

Okrem keynotes bolo v hlavnej časti konferencie veľa zaujímavých prezentácií. Témy zahŕňali spracovanie prirodzeného jazyka, učenie s odmenou a trestom, agentové systémy a etiku, sociálne aspekty umelej inteligencie a mnohé ďalšie. Jedným z hlavných bodov programu bol blok “AI for good”, ktorý pozostával z príspevkov na tému, ako sa AI využíva na zlepšovanie sveta. Napríklad na prideľovanie vakcín, riešenie pandémie a iných problémov súvisiacich so zdravím alebo riešenie klimatických zmien.

V rámci hlavnej konferencie náš výskumník Róbert Móro prezentoval našu prácu o audite platformy YouTube. Jeho prezentácia bola súčasťou bloku Sister Best Paper Conference. Tento blok zahŕňal najlepšie príspevky z iných konferencií zameraných na umelú inteligenciu. Cieľom bolo umožniť lepšie šírenie týchto tém. Publikácia bola tiež zaradená do poster session, čo prinieslo mnoho zaujímavých rozhovorov o tejto problematike.

Na konferencii som sa zúčastnil ako študentský dobrovoľník, pomáhal som s organizáciou počas dvoch dní konferencie. Tieto aktivity by sa mohli považovať za rozptýlenie od konferencie. Dobrovoľníctvo však bola skvelá príležitosť na nadviazanie ďalších kontaktov – s ostatnými dobrovoľníkmi aj so všetkými účastníkmi.

Najzaujímavejšiu diskusiu som mal počas dobrovoľníckej služby v posledný deň konferencie s predsedom jedného z blokov konferencie. Pracuje na podobnej téme ako ja – zlepšovanie hodnotenia modelov nad rámec jednoduchých metrík a práca na učiacich sa modeloch len s niekoľkými označenými vzorkami. Rozdielom je, že sa venuje téme v kontexte modelu učiteľa, ja sa zameriavam na nedostatok dostatočne označených údajov. Tento rozhovor mi naozaj otvoril oči, pretože som si uvedomil všetky možnosti mojej výskumnej témy a dostal som zopár nápadov, ako ďalej smerovať moju prácu.