Albertan tekoälyekosysteemi: Kuinka Amii yhdistää tutkimuksen, osaamisen ja teollisuuden

Tekoälyinnovaatiot ekosysteemi on muutakin kuin joukko koneoppimista hyödyntäviä yrityksiä. Se yhdistää pitkän aikavälin tutkimuksen, kokeneet mentorit, taitavat valmistuneet, jaetun infrastruktuurin, investoinnit, julkiset instituutiot ja organisaatiot, jotka pystyvät muuntamaan tutkimuksen vastuullisiksi tuotteiksi.

Alberta tarjoaa hyödyllisen tapaustutkimuksen. Alberta Machine Intelligence Institute (Amii) juontaa juurensa Alberta Ingenuity Centre for Machine Learning -keskukseen, joka perustettiin vuonna 2002, ja myöhemmin siitä tuli yksi Kanadan kansallisista tekoälyinstituutista Pan-Canadian AI Strategy -strategian alaisena.

Keskeiset havainnot

• Tutkimuslaitokset luovat arvoa ylläpitämällä asiantuntemusta, jota yksittäiset lyhytaikaiset projektit eivät pysty tarjoamaan.
• Osaaminen kehittyy jatko-opintojen koulutuksen, mentoroinnin, ammattilaisten koulutuksen ja mahdollisuuksien kautta työskennellä todellisissa ongelmissa.
• Teollisuuden soveltaminen vaatii ongelman valintaa, datan valmiutta, arviointia ja muutosjohtamista – ei pelkästään mallin käyttöoikeutta.
• Tapahtumat, kuten vuoden 2022 ensimmäinen AI Week, toimivat kokoontumismekanismeina; kestävä vaikutus mitataan tapahtuman jälkeen.

Pitkän aikavälin tutkimuksen perusta

Yliopistojen tutkimusryhmät voivat tutkia perustavaa laatua olevia kysymyksiä ennen kuin kaupallinen markkina on selvä. Vakaat instituutiot auttavat säilyttämään älyllisen jatkuvuuden, houkuttelemaan tiedekuntia ja opiskelijoita sekä luomaan tiiviitä verkostoja aloilla, kuten vahvistusoppimisessa ja tilastollisessa koneoppimisessa.

Amii:n historia heijastaa tätä pitkän aikavälin näkemystä: organisaatio aloitti AICML:nä vuonna 2002 ja laajensi myöhemmin rooliaan voittoa tavoittelemattomana kansallisena tekoälyinstituuttina. Opetus ei ole, että jokaisen alueen tulisi kopioida yksi rakenne, vaan että kestävä asiantuntemus kertyy ajan myötä.

Osaaminen on ekosysteemin tuotos

Tutkimusklusteri kouluttaa jatko-opiskelijoita ja postdoc-tutkijoita, mutta sen laajempi osaamiskokonaisuus sisältää myös teknisiä työpajoja, johtajuuslukutaitoa, harjoittelupaikkoja, mentoreita ja polkuja paikallisiin organisaatioihin. Pysyvyys riippuu merkityksellisestä työstä ja yhteisöstä, ei pelkästään koulutuksesta.

Vahvat ohjelmat opettavat kokeellista suunnittelua, ohjelmistojen ja datan käyttöä algoritmien ohella. Tämä yhdistää koneoppimisteorian käyttöönoton rajoitteisiin, ammatilliseen harkintaan ja vastuulliseen käyttöön.

Tutkimuksesta operatiiviseen arvoon

Soveltaminen alkaa ongelman valinnasta, jolla on hyödynnettävissä oleva data, vastuullinen omistaja ja parannettavaa tulosta. Tutkijoiden ja käytännön toimijoiden täytyy sitten olla yhteisymmärryksessä määritelmistä, lähtötasosta, validointisuunnitelmasta ja suunnitelmasta, miten järjestelmä integroidaan työhön.

Instituutio voi vähentää koordinointikustannuksia yhdistämällä aloitusorganisaatiot teknisiin asiantuntijoihin, mutta sen ei tulisi luvata, että jokainen yhteistyö muuttuu tuotteeksi. Negatiiviset löydökset, kyvykkyyden kehittäminen ja parannetut datakäytännöt voivat myös olla arvokkaita tuloksia.

Kokoontuminen ja yleinen lukutaito

Amii ilmoitti ensimmäisestä AI Week -tapahtumastaan toukokuussa 2022 merkitsemään kahta vuosikymmentä Albertan tekoälytoimintaa. Ohjelma yhdisti tutkimus-, liiketoiminta- ja yhteisöistuntoja. Sen kestävä arvo perustuu suhteisiin, jaettuun tietoon ja jatkotoimiin, ei itse tilapäiseen tapahtumaan.

Julkinen ohjelmointi voi tehdä teknisestä työstä selkeämpää, avata opiskelijoille urapolkuja ja antaa yhteisöille mahdollisuuden pohtia, miten tekoäly vaikuttaa heihin. Pääsy paranee, kun järjestäjät tarjoavat erilaisia tasoja, stipendejä, tallenteita ja formaatteja sen sijaan, että oletettaisiin yksi asiantuntijakunta.

Miten arvioida tekoälyhubia

Hyödyllisiä mittareita ovat tutkimuksen laatu, opiskelijoiden valmistuminen, osaamisen säilyminen, yritysten omaksuminen, toistuvat yhteistyöt, startupit, avoimet resurssit, vastuullisen tekoälyn käytännöt ja hyötyjen jakautuminen. Osallistuminen tai investointitiedotteet ovat syötteitä, eivät lopullisia tuloksia.

Arvioinnissa tulisi myös kysyä, mitä olisi tapahtunut ilman hubia, ja pysyvätkö projektit hyödyllisinä alkuperäisen tuen jälkeen. Luotettava ekosysteemi oppii epäonnistuneista siirroista eikä paisuta jokaisen data-science -yhteistyön taloudellista vaikutusta.

Miten tekoälyekosysteemi luo osaamisen ja tutkimuksen putken

Tekoälyekosysteemi yhdistää yliopistot, tutkimuslaitokset, yritykset, hallituksen, sijoittajat, kouluttajat ja yhteisöorganisaatiot. Sen arvo syntyy toistuvista ihmisten, tiedon, datan, infrastruktuurin ja ongelmien virtauksista – ei instituutioiden luettelosta. Albertassa University of Alberta:n vahvistusoppimishistoria, Amii:n tutkimus- ja teollisuusohjelmat sekä alueellinen julkinen tuki muodostavat tärkeitä ankkureita. Kattavan arvioinnin tulisi erottaa perustutkimus, sovellettu yhteistyö, startupien synty, työvoiman koulutus ja vakiintuneiden organisaatioiden omaksuminen.

Tutkimuslaitokset yhdistävät erilaisia kannustimia. Tiedekunnan henkilökunnan ja opiskelijoiden täytyy saada julkaistavia tieteellisiä kysymyksiä; yritykset tarvitsevat mitattavia tuloksia ja suojattua tietoa; julkiset rahoittajat tavoittelevat taloudellista ja sosiaalista hyötyä. Tehokkaat ohjelmat määrittelevät immateriaalioikeuksien ehdot, datan pääsyn, virstanpylväät, julkaisun tarkastuksen ja osaamisen valvonnan ennen työn aloittamista. Jaettu laskentakapasiteetti, tekninen henkilöstö ja arviointituki määräävät usein, ylittääkö idea pelkän demonstraation. Pitkäaikaiset suhteet ylittävät kertaluonteiset yhteensovittamistapahtumat, kun organisaatiot oppivat muotoilemaan hyödyllisiä tekoälyongelmia.

Ekosysteemin tulosten arviointi

Henkilöstömäärät ja ilmoitettu rahoitus ovat syötteitä, eivät tuloksia. Seuraa koulutettuja ihmisiä ja urapolkuja, vertaisarvioitua tutkimusta, avoimia työkaluja, patentteja tarvittaessa, startupien syntyä ja selviytymistä, teollisuusprojekteja, jotka saavuttavat toiminnan, tuottavuuden tai julkisen hyödyn, vastuullisen tekoälyn käytäntöjä ja jakautumista yhteisöjen kesken. Attribution on vaikeaa, koska valmistuneet ja yritykset toimivat useissa alueissa. Käytä pitkittäistutkimuksia ja vertailuja sen sijaan, että väittäisit jokaisen paikallisen menestyksen johtuvan yhdestä ohjelmasta.

Ekosysteemit voivat keskittää mahdollisuuksia tai luoda riippuvuutta lyhytaikaisista avustuksista. Esteitä ovat laskentakustannukset, maahanmuutto ja säilyttäminen, asuntotilanne, hankinnat, pienten yritysten pääsy, datanhallinta ja kaupallistamisen aukot. Sisällytä alkuperäiskansojen ja maaseutualueiden yhteisöt kumppanuuden ja hallinnon kautta sen sijaan, että ne olisivat pelkkiä resurssinottajia. Vastuullinen kasvu edellyttää yksityisyyttä, turvallisuutta, ympäristösuunnittelua ja toimialan valvontaa. Julkisessa raportoinnissa tulisi olla mukana epäonnistuneet pilottihankkeet ja opit, ei vain menestystarinoita.

Miten organisaatiot voivat osallistua

Yrityksen tulisi tulla paikalle rajatulla ongelmalla, omistajalla, data-inventaarioilla, lähtötasolla ja sitoutumisella toteutukseen. Oppijan tulisi yhdistää perusteet projekteihin ja tutkimusaltistukseen. Päättäjien tulisi rahoittaa kestävää infrastruktuuria ja arviointia, ei pelkästään lyhytaikaisia ilmoituksia. Albertan tekoälyekosysteemin terveys riippuu siitä, muuttuuko tutkimuksen huippuosaaminen luotettavaksi kyvykkyydeksi, pystyykö osaaminen rakentamaan kestäviä uria ja voivatko paikalliset organisaatiot omaksua tekoälyn luopumatta vastuusta tai julkisesta arvosta.

Käytännön esimerkki: Albertan teollisuus‑tutkimusyhteistyö

Alueellinen energiayhtiö tekee yhteistyötä instituution ja yliopistolaboratorion kanssa laitteiden ennustamisessa. Ennen tutkimuksen aloittamista kumppanit määrittelevät tieteellisen kysymyksen, operatiivisen lähtötason, datan oikeudet, julkaisun tarkastuksen, turvallisuuden, laskennan, opiskelijoiden valvonnan ja sen, kuka voi ottaa tulokset käyttöön. Data pysyy hallitussa ympäristössä, kun taas anonymisoidut artefaktit ja toistettavat menetelmät tukevat tutkimusta. Virstanpylväät sisältävät lähtötason, riippumattoman arvioinnin, kenttäsivuttaisen tarkkailun ja dokumentoidut epäonnistumistavat – ei pelkästään artikkelia tai demoa.

Yhteistyö seuraa opiskelijakoulutusta, uudelleenkäytettäviä työkaluja, tutkimustuloksia, omaksumista, käyttökatkojen vaikutuksia ja oppeja epäonnistuneista lähestymistavoista. Operatiivinen henkilöstö ja turvallisuustekniikat tarkistavat jokaisen käyttöönotto-väitteen. Jos malli ei päihitä nykyistä ylläpitokäytäntöä, negatiivinen tulos säilytetään ja jaetaan sallituissa rajoissa. Projekti vahvistaa ekosysteemiä siirtämällä kyvykkyyden ja todisteet paikallisille tiimeille sen sijaan, että luodaan kertaluonteinen prototyyppi, joka riippuu ulkopuolisesta tutkijasta tai lyhytaikaisesta avustuksesta.

Toteutustodisteet ja operatiivinen valmius

Tuotantopäätös vaatii enemmän kuin onnistuneen demon. Määritä kohdekäyttäjät, käyttöympäristö, syötteet, tuotokset, riippuvuudet, omistaja ja kunkin merkittävän epäonnistumisen seuraukset. Perusta toistettavissa oleva lähtötaso ja versioitu arviointijoukko ennen säätöä. Testaa tavalliset tapaukset, reunakohdat, virheelliset tai puuttuvat syötteet, jakauman siirtymä, riippuvuuden katkeaminen, väärinkäyttö sekä ryhmät tai ympäristöt, jotka todennäköisesti jäävät vähemmälle huomiolle. Mittaa tehtävän laatu yhdessä kalibroinnin tai epävarmuuden, viiveen, läpimenon, resurssikustannusten, saavutettavuuden, yksityisyyden ja turvallisuuden kanssa. Tallenna jokainen muunnos ja raja-arvo, jotta riippumaton tarkastaja voi toistaa tuloksen ja erottaa todisteet houkuttelevasta prototyypistä.

Ennen käynnistystä määritä valtuudet julkaisulle, poikkeuksille, muutoksille, peruutukselle ja elinkaaren päättämiselle. Käytä vaiheistettua käyttöönottoa, säilytä turvallinen varmistus ja varmista valvonta tahallisesti injektoiduilla virheillä. Operatiivisen telemetrian tulisi paljastaa syötteen laatu, tuotoksen käyttäytyminen, mallin tai säännön versio, riippuvuuksien tila, ihmisen ohitukset ja vahvistetut tulokset keräämättä tarpeetonta arkaluonteista dataa. Määritä hälytysraja-arvot ja vastuu, tarkastele sitten todellista näyttöä käyttöönoton jälkeen sen sijaan, että oletaisit offline-suorituskyvyn jatkuvan. Arvioi uudelleen aina, kun datalähteet, käyttäjät, mallit, toimittajat, politiikat, laitteisto tai tavoitteet muuttuvat. Ylläpidettävä järjestelmä tarvitsee myös dokumentoidun palautumisen, tapausten oppimisen, poistamisen ja säilyttämisen menettelytavat sekä selkeän pisteen, jossa se tulee poistaa käytöstä tai korvata.

Usein kysytyt kysymykset

Mitä Amii tarkoittaa?

Amii on Alberta Machine Intelligence Institute, voittoa tavoittelematon tekoälyinstituutti, jonka pääkonttori sijaitsee Edmontonissa.

Oliko AI Week Albertan tekoälytutkimusyhteisön alku?

Ei. Vuoden 2022 tapahtuma juhli tutkimushistoriaa, jonka Amii jäljittää AICML:n perustamiseen vuodelle 2002.

Ensisijaiset lähteet

• Amii: Ensimmäisen AI Week -ilmoituksen ja historian esittely
• Amii: Tietoa
• CIFAR: Pan-Canadian tekoälystrategia