Какие проблемы может разрешить машинное обучение и AI в Центральной Азии? Какие страны или стейкхолдеры, могут внести вклад в продвижение машинного обучения и AI? Какие вызовы и риски встают перед обществами с постепенным внедрением AI и машинного обучения в нашу жизнь в политические процессы? Эти и другие вопросы редакция нашего сайта обсудила с профессором Высшей школы экономики (Россия) Евгением Седашовым.
Евгений Седашов получил степень Ph.D. по политической науке в Университете Штата Нью-Йорк в Бингемтоне в 2019 году. Сейчас занимает должность доцента в Департаменте политики и управления Национального исследовательского университета «Высшая школа экономики» (Москва, Россия). Исследовательские интересы Евгения Седашова лежат в плоскости электоральных исследований, конфликтологии, коалиционной политики, количественной политической методологии, и российской политики. Статьи Евгения Седашова опубликованы в научных журналах Journal of Conflict Resolution, Political Analysis, Политическая Наука, SİYASAL: Journal of Political Sciences. Евгений Седашов является обладателем большого количества образовательных грантов, стипендий и наград, в числе которых Sakip Sabanci International Research Award (2022), US Fulbright Fellowship (2013), стипендия Благотворительного Фонда В. Потанина (2010-2012).
Как Вы оцениваете современную ситуацию и положение в Центральной Азии с применением машинного обучения и искусственного интеллекта в сфере госуправления и политики в целом, особенно в процессе принятия политических решений?
На мой взгляд, прогресс в этом направлении есть. Существуют экспертные центры (например, Назарбаев университет) и частные инициативы (например, zypl.ai). Вместе с тем, я бы всё-таки отметил, что необходимы дальнейшие шаги для того, чтобы рынок услуг в сфере искусственного интеллекта в Центральной Азии эффективно и динамично развивался. В качестве возможных шагов я бы предложил следующие.
Во-первых, необходимо привлекать экспертов международного уровня к работе в регионе. Особенно актуально привлечение учёных и преподавателей в сферах программирования, прикладной статистики и науках о данных. Высокий уровень преподавания в университетах и открытие образовательных программ, связанных с искусственным интеллектом и науками о данных, позволит в течение нескольких лет обеспечить рынок высококлассными специалистами.
Во-вторых, необходимо развитие обменных программ, в рамках которых студенты и выпускники могут получить образование в ведущих мировых научно-исследовательских центрах по искусственному интеллекту и наукам о данных. Даже один год обучения в таких центрах позволит выйти на новый уровень профессиональной компетентности. С ростом количества специалистов будет расти и количество управленческих решений, в которых применяются технологии искусственного интеллекта и продвинутые методы анализа данных.
Какие страны, доноры, международные организации или стейкхолдеры, могут внести определенный вклад в продвижение машинного обучения и AI в нашем регионе? Какие существуют проекты или центры, специализирующиеся в этой сфере?
На мой взгляд, есть смысл развивать сотрудничество со всеми лидерами в области цифровых технологий. Если говорить о конкретных странах, то выбор здесь достаточно очевиден: США, Россия и Китай.
У России есть программы привлечения иностранных абитуриентов как в рамках Россотрудничества, так и на уровне отдельных университетов. В ведущих университетах (НИУ ВШЭ, МФТИ, Сколтех) созданы образовательные программы мирового уровня, готовящие специалистов по наукам о данных и искусственному интеллекту. Возможно также привлечение специалистов из России под реализацию конкретных проектов в сфере IT.
Применительно к США можно расширять сотрудничество в рамках программ обмена, таких, как программа Фулбрайта. Правительственные программы, в рамках которых государство оплачивает студентам обучение в ведущих университетах в обмен на обязательство вернуться в страну, являются другим перспективным направлением. После обучения в рамках таких программ выпускники смогут внести серьёзный вклад в развитие IT-индустрий в своих странах. Наконец, есть Китай. Применительно к Китаю, я бы рекомендовал схожие шаги, связанные с развитием сотрудничества в образовательной сфере и привлечением специалистов.
Как соединить навыки и знания гуманитарных наук с языком программирования и машинного обучения? Возможно ли взрастить поколение подобных специалистов в Центральной Азии? Нужно ли на это мотивировать молодежь?
На мой взгляд, эта перспектива вполне реальна. Современные методы машинного обучения уже позволяют решать задачи, которые раньше решались исключительно человеком. В частности, достигнут серьёзный прогресс в методах, позволяющих автоматически определять тональность текста и темы, которые в нём представлены. Прежде всего, необходимо избавиться от традиционного стереотипа, проводящего чёткое разделение между точными и гуманитарными областями знания.Науки о данных и машинное обучение будут всё больше проникать во все области нашей жизни. Соответственно, знания в этих областях вскоре могут стать вопросом профессиональной пригодности специалиста.
Уверен, что образование, сочетающее подготовку в области методов анализа данных и машинного обучения, с одной стороны, и содержательные знания по социальным наукам, с другой стороны, это тренд будущего. Частой проблемой является то, что специалисты либо имеют хорошую методологическую подготовку, но не умеют находить интересные вопросы для исследований и аналитических докладов, либо обладают качественной подготовкой в предметной области, но не всегда понимают, как тот или иной вопрос можно перевести на язык анализа данных. Именно специалисты, сочетающие лучшее из обоих миров, будут востребованы в будущем как академические исследователи и руководители управленческих команд.
Какие проблемы потенциально может помочь разрешить машинное обучение и AI в Центральной Азии?
Мне кажется, здесь есть достаточно большой потенциал в самых различных сферах. Во-первых, медицина. Некоторый прогресс в этой сфере есть, но он, безусловно, недостаточный. Так, наивысшее место по качеству медицинских услуг среди стран Центральной Азии занимает Казахстан – 62 из 167 стран, представленных в рейтинге. Качество медицинских услуг, особенно в небольших городах, оставляет желать лучшего. Решение в сфере искусственного интеллекта, такое, как IBW Watson, могло бы стать хорошим помощником врачам и улучшить качество диагностики, особенно в ситуациях, когда нет доступа к точным диагностическим приборам.
Другим возможным направлением является краудсорсинг.
В ситуации, когда мониторинговые ресурсы государства ограничены, крайне важным является обратная связь со стороны граждан, позволяющая оперативно выявлять проблемы и реагировать на наиболее важные из них. Система автоматизированного сбора и ранжирования таких обращений по степени важности смогла бы существенно улучшить качество государственного управления. Очевидно, что подобные системы существуют, но здесь вопрос именно в качестве ранжирования и определения важности проблемы по заранее определенным параметрам. Также актуальным стоит вопрос вовлечения большего числа граждан в работу подобных систем.
Какие вызовы и риски встают перед обществами с постепенным внедрением AI и машинного обучения в нашу жизнь, в политические процессы?
Большинство дискуссий в этой сфере можно обозначить как трейд-офф между увеличением качества жизни, связанном с технологиями, и уменьшением частного пространства пользователей данных технологий. Практически любое приложение в смартфоне собирает данные о пользователях, закономерным образом актуализируя вопрос об этичности использования этих данных.
Алгоритмы машинного обучения уже сейчас довольно точны в предсказании предпочтений людей. Но если алгоритм может точно предсказывать предпочтения пользователей, не приведёт ли это к плановой экономике и ассоциированной с ней несвободе? Советская экономика была неэффективной не в последнюю очередь из-за трудностей в обработке больших массивов информации. В рамках рыночной экономики процесс передачи и обработки информации происходил быстрее, а качество информации было выше, потому что потребитель напрямую был связан с продавцом. Но что если современные вычислительные алгоритмы смогут обрабатывать информацию достаточно быстро для того, чтобы сделать централизованное планирование эффективным?
Есть и другие риски, уже напрямую повлиявшие на жизнь людей. В политической науке известен феномен так называемых «эхо-камер». Суть данного феномена в том, что до недавнего времени новостные алгоритмы ведущих технологических компаний подстраивали выдачу под предпочтения пользователей. Либеральные пользователи, таким образом, читали всё больше либеральных СМИ, а консервативные – всё больше консервативных СМИ. В США это, по мнению некоторых исследователей, привело к увеличению поляризации и нетерпимости к противоположной точке зрения. Компании впоследствии адаптировали алгоритмы с целью более диверсифицированной выдачи информации, но это пока не привело к ощутимому снижению поляризации. Во многом сам формат общения в социальных сетях подразумевает появление микро «эхо-камер», в которых люди схожих убеждений обмениваются схожими мнениями, создавая эффект информационного пузыря.
В заключении отмечу, что всё-таки, несмотря на все риски, я больше верю в созидательный потенциал наук о данных и технологий искусственного интеллекта. Риски есть у любой технологии, вопрос лишь в том, как создать систему институтов, позволяющую эффективно управлять этими рисками.
