Во время нашего шестого конкурса пилотов Frontier Technologies мы получили 23 заявки на инновации, содержащие компонент искусственного интеллекта. 13 из этих приложений предназначались для тестирования инноваций машинного обучения в Южной Азии. Здесь машинное обучение относится к определенной ветви искусственного интеллекта, которая связана с использованием данных и алгоритмов для имитации того, как люди учатся и постепенного повышения точности решения при выполнении задачи. Приложения определили ряд вариантов использования машинного обучения в Южной Азии, в том числе в отношении сельского хозяйства, управления окружающей средой, образовательных технологий и управления цепочками поставок.

Эти приложения могут в некоторой степени свидетельствовать о высоком уровне интереса к машинному обучению в Южной Азии. Более того, они указали, что решения на основе машинного обучения могут играть роль катализатора в выполнении процессов и предоставлении информации гораздо быстрее, чем это может сделать любой человек. Среди тех заявок, которые мы получили для использования машинного обучения в Южной Азии, были две ключевые отраслевые тенденции. Они выделены ниже.

Машинное обучение и датчики для управления сельским хозяйством и окружающей средой

Пять из полученных нами приложений предназначались для использования машинного обучения вместе с различными типами датчиков для сценариев использования, связанных с управлением сельским хозяйством и окружающей средой.

Приложения определили широкий спектр различных датчиков, которые можно использовать для измерения различных переменных в окружающей среде, включая изменения качества почвы, уровня грунтовых вод, уровня влажности, температуры и погоды. Они также определили различные способы использования данных датчиков вместе с географическими информационными системами (ГИС) и алгоритмом машинного обучения для создания прогностических моделей. Это модели, в которых со временем алгоритм может научиться идентифицировать различные закономерности в данных и делать новые прогнозы, не запуская для этого предварительно запрограммированные запросы. По мере того, как потребляется больше данных, алгоритмы становятся более точными в определении тенденций и прогнозировании.

Для сельскохозяйственного сектора заявители предложили разработать прогностические модели для прогнозирования рисков потери урожая из-за заражения вредителями или из-за засухи, наводнения или другого метеорологического явления. Другие приложения стремились предоставить решения, которые могли бы прогнозировать риски стихийных бедствий для местных сообществ, чтобы дать властям и сообществам время для принятия мер по снижению риска. Наш пилотный проект Call 6 «Система раннего предупреждения о лесных пожарах» является одним из таких примеров. Пилот предлагает использовать тепловые датчики и подходы машинного обучения для выявления горячих точек, уязвимых для возгорания. Это решение будет использоваться как часть системы раннего предупреждения для предотвращения лесных пожаров и борьбы с ними, а также для спасения лесов, сообществ и связанных с ними мест обитания.

Машинное обучение и «умные города» в Индии

Пять из полученных нами приложений Call 6 предназначались для тестирования решений, связанных с машинным обучением, для улучшения различных аспектов городской жизни в Индии.

Кандидаты изучили варианты использования, связанные с транспортным сектором и транспортным планированием. Это включало предложения по использованию аналитических моделей, чтобы помочь планировщикам прогнозировать заторы на дорогах и определять, где вмешательство больше всего необходимо. Кандидаты также стремились использовать машинное обучение вместе с камерами для управления толпой (особенно в перегруженных районах, таких как вокзалы).

Наряду с вариантами использования, связанными с транспортом, соискатели также изучали, как машинное обучение может использоваться для поддержки оптимизации распределения и потребления энергии в городах. Они также предложили разработать аналитические модели, которые могли бы помочь государственным чиновникам определить места в городах, где меры общественной безопасности были наиболее необходимы.

Это относительно большое количество приложений машинного обучения для вариантов использования, связанных с городом, в некоторой степени симптоматично более широким тенденциям в Индии, где в последние годы резко возросла урбанизация, до 45% населения в настоящее время проживает в городских районах. В рамках таких инициатив, как Миссия умных городов, национальное правительство разработало планы по пилотированию и тестированию технологий (включая ИИ и машинное обучение) как минимум в 99 различных городах для удовлетворения потребностей в инфраструктуре и уровне обслуживания в городах. В городах по всей Индии было проведено множество различных государственных, частных и некоммерческих пилотных проектов по машинному обучению, включая решения для мониторинга качества воздуха, общественной безопасности и кражи электроэнергии.

«Жадные до данных машины» и потребность в «хороших» данных

Многие из наших приложений машинного обучения Call 6 определили важную роль, которую данные будут играть в предлагаемом ими пилотном проекте. Кандидаты рассказали нам, что машинное обучение часто требует больших объемов данных и что алгоритмы машинного обучения часто должны получать большие объемы данных в правильном формате, чтобы научиться выявлять тенденции и закономерности.

Многие кандидаты предлагали планы доступа к историческим наборам данных, чтобы «кормить» решения информацией, необходимой для обучения. Они определили ключевые партнерские отношения с участниками экосистемы, которые могли бы предоставить данные, необходимые для решений.

Чтобы обеспечить согласованность и высокое качество данных, некоторые приложения также предлагают планы по очистке данных в форматы, которые затем можно использовать для обучения машин. Здесь очистка данных означала что угодно: от форматирования разрозненных наборов данных, чтобы они соответствовали схожим структурам и таксономиям, до обеспечения четкости фотографических данных (а не размытости или расфокусировки).

Эти типы соображений, связанных с данными, были подчеркнуты предыдущими пилотными проектами машинного обучения Frontier Technologies Hub. Наш пилотный проект по машинному обучению для анализа дорожных условий на Занзибаре ранее опубликовал в блоге сообщение о проблемах, с которыми они столкнулись при доступе и структурировании данных в формате, необходимом для обучения алгоритма машинного обучения. В сообщении блога рассказывается об их опыте, в том числе о ручном исправлении наборов данных. В нем также представлены некоторые более общие уроки для любого пилота, который хочет проводить машинное обучение для международных проектов развития, в том числе урок для пилотных групп, который должен действовать как можно раньше и более активно участвовать в доступе и обработке данных, необходимых для машинного обучения.

Наложение ограничений на машинное обучение, определение рисков и добавленной стоимости

Ряд приложений Call 6 продемонстрировал понимание того, где они могут наложить ограничения на использование и роль машинного обучения как части более широкого решения. Это включало признание того, что, по их мнению, машинное обучение не должно использоваться в качестве замены человеческого опыта и суждений. Кандидаты также признали, какие подходы будут (и не будут) приемлемыми для заинтересованных сторон. Большинство приложений машинного обучения, которые мы получили, не пытались полностью автоматизировать сквозные процессы. Многие стремились предоставить конечным пользователям, таким как фермеры или природоохранные органы, более качественную информацию для принятия решений с помощью таких решений, как онлайн-панели мониторинга или консультационные услуги на основе SMS.

Рассмотрение роли машинного обучения в более широких решениях изучалось предыдущими пилотными проектами Frontier Technologies. Наш предыдущий пилотный проект Искусственный интеллект для туберкулеза протестировал решение для машинного обучения, способное выявлять наличие туберкулеза и силикоза на рентгенограммах органов грудной клетки. Во время пилотного проекта группа по реализации признала, что на данном этапе инструмент не может дифференцировать туберкулез от силикоза на рентгеновских снимках с высокой степенью чувствительности и специфичности. Следовательно, пилот пришел к выводу, что в процессе диагностики по-прежнему требуется медицинская экспертиза человека. Команда AI для борьбы с туберкулезом также обнаружила, что, будучи менее амбициозными в отношении того, чего должно достичь их машинное обучение, они смогли добиться большей поддержки со стороны заинтересованных сторон и более быстрого пути к внедрению и масштабированию.

После завершения пилотного проекта команда ИИ для борьбы с туберкулезом провела подробное исследование различных способов, которыми внедрение подрывных технологий, таких как машинное обучение, может привести к недоверию со стороны заинтересованных сторон. Они определили риски и этические последствия, которые может создать машинное обучение. Это включает в себя риск для конфиденциальности (когда личная информация создается, передается и используется не по назначению без согласия) или более широкие риски для поддерживающих экосистем. Для ИИ для борьбы с туберкулезом это означало риск снижения прозрачности, подотчетности, точности и человеческих навыков в системах здравоохранения. Команда ИИ для борьбы с туберкулезом написала журнальную статью, используя ИИ для борьбы с туберкулезом в качестве тематического исследования, чтобы изучить эти различные риски и потенциальные способы их снижения.

Ряд приложений машинного обучения Call 6 исследовал потенциальные риски предлагаемых ими решений. Некоторые приложения признали, что их решение будет собирать личные данные, и определили необходимость пилотного проекта для изучения ряда рисков (таких как риски для конфиденциальности и риски слежки), которые необходимо снизить. Точно так же некоторые из приложений, связанных с «умными городами», признали дополнительный риск того, что их решение укоренит существующие предубеждения в городах. Они признали, что для обеспечения справедливого воздействия необходимы более полные и репрезентативные наборы данных, которые позволили бы решениям выявить области, в которых есть наибольшая потребность.

Признавая риски и ограничения решений машинного обучения, приложения, тем не менее, также смогли сформулировать добавленную стоимость для внедрения машинного обучения в свои варианты использования. Во многих случаях это включало демонстрацию преимуществ подхода машинного обучения по сравнению с другими подходами, такими как традиционный анализ данных и моделирование. Это включало демонстрацию значительной эффективности или дополнительных идей, которые может открыть машинное обучение. Это преимущества, которые помогли продемонстрировать бывшие пилоты Frontier Technologies. В случае с ИИ для борьбы с туберкулезом пилотный проект продемонстрировал потенциал машинного обучения для более эффективного рассмотрения требований о компенсации от бывших золотодобытчиков с профессиональным заболеванием легких, в частности, за счет сокращения объема информации, требуемой от (и без того дефицитных) медицинских работников. .

В этом посте мы поделились ключевой тенденцией тех приложений Call 6, которые хотели опробовать технологии в Южной Азии. Следите за нашим пятым и последним сообщением в блоге о тенденциях из Call 6, где мы поделимся ключевой тенденцией, касающейся Восточной Африки!