Big data é o futuro da IA?

Is big data the future of AI? é perfilado pela BTW Media porque evidências publicadas o vinculam à infraestrutura de internet, governança, dependências operacionais ou visibilidade de mercado.

A gigante de tecnologia Tencent realizou seu Hi Tech Day e a Conferência 2023 Digital Open Things no Centro Nacional de Convenções da China em Pequim no dia 14 de dezembro, com o tema “A inteligência emerge e abre todas as coisas”. Jiang Chunyu disse que o desenvolvimento de IA da China precisa urgentemente de conjuntos de dados de alta qualidade e treináveis. Jiang revelou que um white paper sobre governança de dados de IA será divulgado em breve para estabelecer um sistema de métodos e regras nesse campo.

A China está acelerando sua transformação digital e diminuindo a exclusão digital, com forte apoio à aplicação de novas tecnologias como dados, computação em nuvem, inteligência artificial e computação quântica. A gigante de tecnologia Tencent realizou o Hi Tech Day e a Conferência 2023 Digital Open Things com o tema “Inteligência Emerge, Digital Abre Todas as Coisas” no Centro de Convenções Nacional da China em Pequim em 14 de dezembro, convidando grandes nomes de todas as áreas para discutir as tendências da inteligência artificial.

Na conferência, Jiang Chunyu, diretor do Cloud Data and Blockchain Department da China Academy of Information and Communication Research, fez uma palestra sobre o tema “governança de dados de IA provoca reflexão”. Um grande banco de dados de alta qualidade é o próximo objetivo evolutivo “Não há muitos conjuntos de dados treináveis e de alta qualidade no mercado, especialmente no contexto chinês, onde muitos dados de alta qualidade estão ocultos.

Precisamos urgentemente aprovar um modelo comercializável e aberto, ou qual modelo pode liberar os dados e pode ser usado por todos.” Jiang Chunyu, diretor do Cloud Data and Blockchain Department da China Academy of Information and Communication Research, desde 2018, a IA geral está liderando a onda tecnológica. Todas as partes deram o máximo e investiram dinheiro no treinamento de grandes modelos, criando uma enorme tendência competitiva. No entanto, Jiang Chunyu acredita que o desenvolvimento doméstico deve focar no aprimoramento de dados, não apenas em termos de quantidade, mas também de qualidade.

A China, como potência natural de dados, em vez de focar na lacuna de algoritmos e poder computacional entre as partes (que não é grande), o enorme custo da “involução” no setor, em vez de melhorar a qualidade dos dados, pode trazer melhores resultados. Ele listou para o público os conjuntos de dados em grande escala, diversos e de alta qualidade necessários para o treinamento de grandes modelos: o GPT-1, há quatro ou cinco anos, exigia 4,8 GB de dados de alta qualidade; o GPT-2, 40 GB; o GPT-3, 570 GB; e este ano, a Meta lançou um grande modelo cujo banco de dados atingiu impressionantes 4.000 GB.

Jiang expressou sua preocupação: “Não há muitos conjuntos de dados treináveis e de alta qualidade no mercado, especialmente no contexto chinês, onde muitos dados de alta qualidade estão ocultos. Precisamos urgentemente aprovar um modelo comercializável e aberto, ou qual modelo pode liberar os dados e ser usado por todos.” Leia também: Amazon Q AI assistant: AWS lança uma abordagem revolucionária para consulta de dados. Jiang esteve presente para levantar três problemas no desenvolvimento atual da indústria: a qualidade dos dados é geralmente tendenciosa.

Para transformar conjuntos de dados de baixa qualidade em alta qualidade, Jiang enfatizou a criação de um sistema integrado de engenharia de dados e operações de P&D DevOps. Da entrega de P&D, operação e manutenção de dados até a operação de valor, forma-se uma cadeia completa de produção ou suprimento de dados, para que os dados possam ser entregues de forma ordenada e gradualmente encadeados para formar uma evidência publicada de produção, o que é diferente do processamento tradicional de dados estruturados do passado.

Ele também alertou as empresas presentes para não investirem muito tempo em treinamento de modelos antes que a melhoria da qualidade dos dados esteja completa; um treinamento pode custar dezenas de milhões de dólares sem sucesso. Surpreendentemente, sua equipe está organizando a metodologia e a estrutura dos métodos de treinamento de IA, concluindo um white paper sobre governança de dados de inteligência artificial e estabelecendo um sistema de métodos e regras nessa área. Questões de segurança e privacidade.

Jiang disse: “Há um grande número de questões de segurança e privacidade envolvidas em todo o processo de treinamento, incluindo direitos de execução, coleta indevida de informações pessoais, transmissão insegura de dados, adulteração de informações e armazenamento e transmissão inseguros de modelos. Além disso, também há problemas como ataques de prompt e violações de conteúdo gerado.

Para garantir a proteção de privacidade e segurança durante todo o ciclo de vida na produção, uso e operação de modelos, precisamos dominar uma variedade de tecnologias, estabelecer regras apropriadas e configurar as capacidades de auditores e monitores como um todo. Esta é uma área totalmente nova que exige atenção e investimento para enfrentar os desafios em evolução de segurança e privacidade de dados.” Gerenciamento de conteúdo gerado e sintético Mesmo os dados sintéticos não podem ser fraudulentos. Portanto, a medição de veracidade e precisão é particularmente crítica.

Além disso, a detecção e prevenção de danos também é uma tarefa urgente. Atualmente, muitos modelos em larga escala são relatados justamente por causa de problemas no conteúdo gerado, como assédio, violência e discriminação. Essas questões devem ser efetivamente controladas.

Separadamente, os requisitos de autenticidade e precisão podem ser restringidos por regras; os requisitos para geração de conteúdo, mecanismos de monitoramento e avaliação de autenticidade podem ser realizados por meio de detecção automática de identificação e filtragem de conteúdo combinadas com auditoria manual; e a prevenção de questões de danos pode ser gerida eficazmente através do uso de restrições em regras, predição em linha, avaliação empírica de privacidade e testes de ataque de privacidade.