Cīņā par AI atgūšanu no Big Tech kontroles

Attēlā augšējā rindā no kreisās: Raphael Gontijo Lopes, Deborah Raji, Rediet Abebe. Otrā rinda: Džojs Buolamvini. Trešā rindā no kreisās: William Agnew, Timnit Gebru. Rikardo Santoss

Timnit Gebru nekad nav domājis a zinātniskais raksts sagādātu viņai tik daudz nepatikšanas.

2020. gadā Gebru, būdams Google ētiskās AI komandas līdzvadītājs, bija sazinājies ar Emīlija Benders , Vašingtonas universitātes valodniecības profesors, un abi nolēma sadarboties pētījumos par mākslīgā intelekta satraucošo virzienu. Gebru vēlējās apzināt riskus, ko rada lieli valodu modeļi , kas ir viens no satriecošākajiem nesenajiem sasniegumiem mākslīgā intelekta izpētē. Modeļi ir algoritmi, kas apmācīti uz satriecoša teksta daudzuma. Pareizos apstākļos viņi var sacerēt tādus, kas izskatās kā pārliecinoši prozas fragmenti.

Šis stāsts bija daļa no mūsu 2021. gada jūlija numura

• Skatiet pārējo izdevuma daļu
• Abonēt

Dažus gadus tehnoloģiju uzņēmumi bija sacentušies, lai izveidotu lielākas versijas un integrētu tās patēriņa produktos. Google, kas izgudroja šo tehniku, jau izmantoja vienu, lai uzlabotu meklēšanas rezultātu atbilstību. OpenAI paziņoja par lielāko, sauktu GPT-3 , 2020. gada jūnijā un dažus mēnešus vēlāk licencēja to tikai Microsoft.

Gebru uztraucās par to, cik ātri tehnoloģija tiek ieviesta. Papīrā, ko viņa beidza rakstīt ar Benderu un vēl pieciem citiem, viņa sīki izklāstīja iespējamās briesmas. Modeļu izveide bija ārkārtīgi dārga — gan no vides viedokļa (tie prasa milzīgu skaitļošanas jaudu), gan finansiāli; viņi bieži tika apmācīti par toksisko un ļaunprātīgo interneta valodu; un viņi dominētu valodas AI pētījumos, izraisot daudzsološas alternatīvas.

Tāpat kā citas esošās AI metodes, modeļi faktiski nesaprot valodu. Taču, tā kā viņi var ar to manipulēt, lai lietotājiem izgūtu teksta informāciju vai radītu dabisku sarunu, tos var apvienot produktos un pakalpojumos, kas tehnoloģiju uzņēmumiem pelna daudz naudas.

Tajā pašā novembrī Gebru iesniedza darbu konferencei. Drīz pēc tam Google vadītāji lūdza viņai to atsaukt, un, kad viņa atteicās, viņi viņu atlaida. Pēc diviem mēnešiem viņi arī atlaida savu līdzautori Mārgaretu Mičelu , otrs ētiskā AI komandas vadītājs.

Šīs komandas likvidēšana izraisīja vienu no lielākajām pretrunām AI pasaulē pēdējā laikā. Google aizstāvji apgalvoja, ka uzņēmumam ir tiesības uzraudzīt savus pētniekus. Taču daudziem citiem tas nostiprināja bažas par tehnoloģiju gigantu kontroles pakāpi pār šo jomu. Big Tech tagad ir galvenais AI pētnieku darba devējs un finansētājs, tostarp, nedaudz ironiski, daudzi no tiem, kas novērtē tā sociālo ietekmi.

Saistīts stāsts

Mēs lasījām rakstu, kas lika Timnitam Gebru atteikties no Google. Lūk, kas tajā teikts.

Uzņēmuma zvaigznes ētikas pētnieks uzsvēra lielo valodu modeļu riskus, kas ir Google biznesa atslēga.

Viens no pasaules bagātākajiem un ietekmīgākajiem uzņēmumiem Google, Facebook, Amazon, Microsoft un Apple ir padarījuši AI par sava biznesa pamata daļu. Pēdējā desmitgadē ir gūti panākumi, jo īpaši AI tehnikā, ko sauc par dziļa mācīšanās , ir ļāvuši viņiem uzraudzīt lietotāju uzvedību; ieteikt viņiem jaunumus, informāciju un produktus; un, pats galvenais, atlasiet tos ar reklāmām. Pagājušajā gadā Google reklāmas aparāts radīja vairāk nekā 140 miljardu dolāru ieņēmumus. Facebook radīja 84 miljardus dolāru.

Uzņēmumi ir ieguldījuši lielus ieguldījumus tehnoloģijā, kas tiem ir devusi tik milzīgu bagātību. Google mātes uzņēmums Alphabet iegādājās Londonā bāzēto AI laboratoriju DeepMind par 600 miljoniem ASV dolāru 2014. gadā un tērē simtiem miljonu gadā, lai atbalstītu savu pētījumu. Microsoft 2019. gadā parakstīja 1 miljarda dolāru darījumu ar OpenAI par tā algoritmu komercializācijas tiesībām.

Tajā pašā laikā tehnoloģiju giganti ir kļuvuši par lieliem investoriem universitātēs balstītā AI pētniecībā, būtiski ietekmējot tās zinātniskās prioritātes. Gadu gaitā arvien vairāk ambiciozu zinātnieku ir pārgājuši uz pilnu slodzi tehnoloģiju gigantu labā vai pieņēmuši dubultu piederību. No 2018. līdz 2019. gadam 58% no visvairāk citētajiem rakstiem divās populārākajās AI konferencēs vismaz viens autors bija saistīts ar tehnoloģiju gigantu, salīdzinot ar tikai 11% pirms desmit gadiem, liecina pētnieku pētījums. Radikālais AI tīkls , grupa, kas cenšas apstrīdēt AI jaudas dinamiku.

Problēma ir tā, ka korporatīvā AI darba kārtība ir vērsta uz metodēm ar komerciālu potenciālu, lielā mērā ignorējot pētījumus, kas varētu palīdzēt risināt tādas problēmas kā ekonomiskā nevienlīdzība un klimata pārmaiņas. Faktiski tas ir padarījis šīs problēmas sliktākas. Tiekšanās automatizēt uzdevumus ir maksājusi darbavietas un izraisījusi tādu nogurdinošu darbu kā datu tīrīšana un satura regulēšana. Centieni radīt arvien lielākus modeļus ir izraisījuši mākslīgā intelekta enerģijas patēriņa eksploziju. Padziļināta mācīšanās ir arī radījusi kultūru, kurā mūsu dati tiek pastāvīgi skrāpēti, bieži vien bez piekrišanas, lai apmācītu tādus produktus kā sejas atpazīšanas sistēmas. Un ieteikumu algoritmi ir saasinājuši politisko polarizāciju, savukārt lielie valodu modeļi nav spējuši iztīrīt dezinformāciju.

Tieši šo situāciju Gebru un augošā līdzīgi domājošu zinātnieku kustība vēlas mainīt. Pēdējo piecu gadu laikā viņi ir centušies novirzīt jomas prioritātes no vienkāršas tehnoloģiju uzņēmumu bagātināšanas, paplašinot to, kas var piedalīties tehnoloģiju izstrādē. Viņu mērķis ir ne tikai mazināt esošo sistēmu radīto kaitējumu, bet arī izveidot jaunu, taisnīgāku un demokrātiskāku AI.

Sveiki no Timnit

2015. gada decembrī Gebru apsēdās, lai aizrakstītu atklātu vēstuli. Pusceļā no doktora grāda iegūšanas Stenfordā viņa piedalījās Neironu informācijas apstrādes sistēmu konferencē, kas ir lielākā ikgadējā AI pētniecības sanāksme. No vairāk nekā 3700 pētniekiem Gebru saskaitīja tikai dažus melnādainos.

Kādreiz neliela sanāksme par nišas akadēmisku priekšmetu NeurIPS (kā tas tagad ir zināms) ātri kļuva par lielāko ikgadējo mākslīgā intelekta darbu. Pasaules bagātākie uzņēmumi ieradās, lai demonstrētu demonstrācijas, rīkotu ekstravagantas ballītes un rakstītu čekus retākajiem cilvēkiem Silīcija ielejā: prasmīgiem AI pētniekiem.

Tajā gadā Elons Masks ieradās, lai paziņotu par bezpeļņas uzņēmumu OpenAI . Viņš, Y Combinator toreizējais prezidents Sems Altmens un PayPal līdzdibinātājs Pīters Tīls bija ieguldījuši 1 miljardu dolāru, lai atrisinātu, viņuprāt, eksistenciālu problēmu: izredzes, ka superinteliģence kādu dienu varētu pārņemt pasauli. Viņu risinājums: izveidot vēl labāku superinteliģenci. No 14 viņa svaidītajiem padomniekiem vai tehniskās komandas locekļiem 11 bija baltie vīrieši.

RIKARDO SANTOSS | PIEKLĀTĪBAS FOTO

Kamēr Musks tika sludināts, Gebru nodarbojās ar pazemošanu un uzmākšanos. Konferences ballītē grupa iereibušu puišu Google Research T kreklos aplenca viņu un pakļāva viņai nevēlamus apskāvienus, skūpstu uz vaiga un fotogrāfiju.

Gebru uzrakstīja asu kritiku par to, ko viņa bija novērojusi: izrādi, kultam līdzīgo mākslīgā intelekta slavenību pielūgšanu un, pats galvenais, nepārvaramo viendabīgumu. Viņa rakstīja, ka šī zēna klubu kultūra jau ir izgrūdusi talantīgas sievietes no laukuma. Tas arī noveda visu sabiedrību uz bīstami šauru mākslīgā intelekta koncepciju un tā ietekmi uz pasauli.

Viņa atzīmēja, ka Google jau bija izvietojusi datorredzes algoritmu, kas melnādainos cilvēkus klasificēja kā gorillas. Un bezpilota bezpilota lidaparātu pieaugošā sarežģītība nolika ASV militārpersonas ceļā uz nāvējošiem autonomiem ieročiem. Taču šie jautājumi nebija minēti Muska lielajā plānā, lai kādā teorētiskā nākotnes scenārijā apturētu AI no pasaules pārņemšanas. Mums nav jāredz nākotne, lai redzētu AI iespējamo nelabvēlīgo ietekmi, rakstīja Gebru. Tas jau notiek.

Gebru nekad nepublicēja savu pārdomu. Bet viņa saprata, ka kaut kas ir jāmaina. 2016. gada 28. janvārī viņa nosūtīja e-pastu ar temata rindiņu Hello no Timnit pieciem citiem Black AI pētniekiem. Viņa rakstīja, ka mani vienmēr ir skumji par krāsu trūkumu mākslīgajā intelektā. Bet tagad esmu redzējis 5 no jums :) un domāju, ka būtu forši, ja mēs AI grupā sāktu melno vai vismaz zinātu viens otru.

E-pasts izraisīja diskusiju. Kas bija tas, ka viņi bija melnādainie, kas viņus ietekmēja? Gebru viņas darbs lielā mērā bija viņas identitātes produkts; citiem tā nebija. Bet pēc tikšanās viņi vienojās: ja AI spēlēs lielāku lomu sabiedrībā, viņiem vajadzēja vairāk melnādaino pētnieku. Pretējā gadījumā šī joma radītu vājāku zinātni, un tās nelabvēlīgās sekas varētu vēl vairāk pasliktināties.

Uz peļņu orientēta darba kārtība

Kā AI melns tikai sāka apvienoties, AI sasniedza savu komerciālo progresu. Saskaņā ar McKinsey Global Institute datiem, 2016. gadā tehnoloģiju giganti tehnoloģiju izstrādei iztērēja aptuveni 20–30 miljardus USD.

Korporatīvo investīciju karsētais lauks deformējās. Tūkstošiem vairāk pētnieku sāka pētīt mākslīgo intelektu, taču viņi galvenokārt vēlējās strādāt pie dziļas mācīšanās algoritmiem, piemēram, tiem, kas ir aiz lieliem valodu modeļiem. Kā jauns doktorants, kurš vēlas iegūt darbu tehnoloģiju uzņēmumā, jūs saprotat, ka tehnoloģiju uzņēmumi ir saistīti ar dziļu mācīšanos, saka Suresh Venkatasubramanian, datorzinātņu profesors, kurš tagad strādā Baltā nama Zinātnes un tehnoloģiju politikas birojā. Tātad jūs novirzāt visus savus pētījumus uz dziļu mācīšanos. Tad nākamais doktorants, kas ierodas, paskatās apkārt un saka: “Visi mācās dziļi. Man arī tas droši vien vajadzētu darīt.'

Bet padziļināta mācīšanās nav vienīgā tehnika šajā jomā. Pirms tā uzplaukuma pastāvēja cita AI pieeja, kas pazīstama kā simboliska argumentācija. Kamēr dziļā mācīšanās izmanto milzīgus datu apjomus, lai mācītu algoritmus par jēgpilnām informācijas attiecībām, simboliskā spriešana koncentrējas uz skaidru zināšanu un loģikas kodēšanu, pamatojoties uz cilvēku zināšanām.

Daži pētnieki tagad uzskata, ka šīs metodes ir jāapvieno. Hibrīda pieeja padarītu mākslīgo intelektu efektīvāku datu un enerģijas izmantošanā un sniegtu tai eksperta zināšanas un spriešanas spējas, kā arī spēju atjaunināt sevi ar jaunu informāciju. Taču uzņēmumiem ir maz motivācijas izpētīt alternatīvas pieejas, jo drošākais veids, kā palielināt peļņu, ir veidot arvien lielākus modeļus.

Savā dokumentā Gebru un Benders norādīja uz šīs tendences pieturēties pie dziļas mācīšanās pamata izmaksām: mums nepieciešamās progresīvākas AI sistēmas netiek izstrādātas, un līdzīgas problēmas atkārtojas. Piemēram, Facebook automātiskai satura moderēšanai lielā mērā paļaujas uz lieliem valodu modeļiem. Taču īsti neizprotot teksta nozīmi, šie modeļi bieži neizdodas. Viņi regulāri noņem nekaitīgas ziņas, vienlaikus izlaižot garām naida runu un dezinformāciju.

Sejas atpazīšanas sistēmas, kuru pamatā ir mākslīgais intelekts, cieš no tās pašas problēmas. Viņi ir apmācīti izmantot milzīgu datu apjomu, bet redz tikai pikseļu modeļus — viņiem nav izpratnes par tādiem vizuāliem jēdzieniem kā acis, mute un deguns. Tas var izjaukt šīs sistēmas, ja tās izmanto personām ar atšķirīgu ādas toni nekā cilvēkiem, kas viņiem tika parādīti apmācības laikā. Neskatoties uz to, Amazon un citi uzņēmumi ir pārdevuši šīs sistēmas tiesībaizsardzības iestādēm. ASV viņi ir izraisījuši trīs zināmus gadījumus, kad policija pēdējā gada laikā ir ieslodzījusi nepareizo personu — visus melnādainos vīriešus.

Gadiem ilgi daudzi AI kopienā lielā mērā piekrita Big Tech lomai šo tehnoloģiju attīstības un ietekmes veidošanā. Lai gan daži pauda diskomfortu par korporatīvo pārņemšanu, daudzi atzinīgi novērtēja nozares lielo finansējumu.

Taču, tā kā mūsdienu mākslīgā intelekta trūkumi ir kļuvuši skaidrāki — gan nespēja atrisināt sociālās problēmas, gan pieaugošie piemēri, ka tas var tās saasināt —, ticība Big Tech ir vājinājusies. Tas, ka Google izstādīja Gebru un Mičelu, vēl vairāk izraisīja diskusiju, atklājot, cik lielā mērā uzņēmumi dos priekšroku peļņai, nevis paškontrolei.

Tūlīt pēc tam vairāk nekā 2600 Google darbinieku un 4300 citu parakstīja petīciju, nosodot Gebru atlaišanu kā bezprecedenta pētniecības cenzūru. Pusgadu vēlāk pētniecības grupas joprojām noraida uzņēmuma finansējumu, pētnieki atsakās piedalīties tā konferenču semināros, un darbinieki aiziet, protestējot.

Atšķirībā no pirms pieciem gadiem, kad Gebru sāka izvirzīt šos jautājumus, tagad ir labi izveidota kustība, kas apšauba, kam vajadzētu būt AI un kam tai vajadzētu kalpot. Tā nav nejaušība. Tas lielā mērā ir Gebru iniciatīvas produkts, kas sākās ar vienkāršu darbību, uzaicinot vairāk melnādaino pētnieku šajā jomā.

Tam nepieciešama konference

2017. gada decembrī jaunā Black in AI grupa rīkoja savu pirmo semināru NeurIPS. Organizējot semināru, Gebru vērsās pie Džoja Buolamvini, MIT Media Lab pētnieka, kurš pētīja komerciālās sejas atpazīšanas sistēmas, lai noskaidrotu iespējamo neobjektivitāti. Buolamvini bija sākusi testēt šīs sistēmas pēc tam, kad nevienai neizdevās noteikt viņas seju, ja vien viņa neuzvilka baltu masku. Viņa semināram iesniedza savus provizoriskos rezultātus.

Debora Raji, toreiz bakalaura pētniece, bija vēl viena agrīna dalībniece. Radži bija satriekta par kultūru, ko viņa bija novērojusi NeurIPS. Seminārs kļuva par viņas atelpu. Viņa saka, ka no četrām vai piecām dienām pāriet uz pilnu dienu, kad cilvēki, kas izskatās kā es, runā par panākumiem šajā jomā.

Buolamwini, Raji un Gebru turpinās strādāt kopā pie pāris revolucionāriem pētījumiem par diskriminējošām datorredzes sistēmām. Buolamwini un Gebru līdzautori Dzimuma nokrāsas , kas parādīja, ka Microsoft, IBM un Ķīnas tehnoloģiju giganta Megvii pārdotajām sejas atpazīšanas sistēmām melnādainajām sievietēm ir ārkārtīgi augsts atteices līmenis, neskatoties uz to, ka baltādaino vīriešu veiktspēja bija gandrīz perfekta. Pēc tam Radži un Buolamvini sadarbojās, veicot papildu pasākumus Darbīga revīzija , kas atklāja, ka tas pats attiecas uz Amazon Rekognition. 2020. gadā Amazon piekristu a uz vienu gadu moratoriju policijas pārdošanai daļēji šī darba dēļ.

Saistīts stāsts

Es sāku raudāt: Timnit Gebru pēdējās dienas darbā Google — un kas notiks tālāk .

Tomēr pašā pirmajā Black in AI darbnīcā šie panākumi bija tālas iespējas. Nebija citas darba kārtības, kā vien veidot kopienu un veikt pētījumus, pamatojoties uz viņu ļoti trūkstošajām perspektīvām. Daudzi skatītāji nesaprata, kāpēc šādai grupai vajadzēja pastāvēt. Gebru atceras dažu AI kopienas noraidošos komentārus. Bet citiem Black in AI norādīja uz jaunu ceļu uz priekšu.

Tas attiecās uz Viljamu Agnevu un Rafaelu Gontijo Lopesu, abiem dīvainajiem vīriešiem, kuri veica pētījumus datorzinātnēs, kuri saprata, ka varētu izveidot AI grupu Queer. (Citas grupas, kas izveidojās, ir latīņu valoda AI, {Dis}Ability in AI un musulmaņi ML.) Jo īpaši Agnew uzskata, ka šādas kopienas izveide ir steidzama nepieciešamība. Bija grūti pat iedomāties sevi laimīgu dzīvi, viņš saka, pārdomājot dīvainu paraugu trūkumu šajā jomā. Tur ir Tjūrings, bet viņš izdarīja pašnāvību. Tātad tas ir nomācoši. Un viņa dīvainā daļa tiek vienkārši ignorēta.

Ne visi radniecības grupas dalībnieki saskata saikni starp savu identitāti un pētījumu. Tomēr katrai grupai ir īpašas zināšanas. Black in AI ir kļuvis par intelektuālo centru algoritmiskās diskriminācijas atklāšanai, uzraudzības kritizēšanai un datu efektīvu AI metožu izstrādei. Queer in AI ir kļuvis par centru, kurā tiek apstrīdēti veidi, kā algoritmi pārkāpj cilvēku privātumu, un pēc noklusējuma klasificē tos ierobežotās kategorijās.

Venkatasubramanian un Gebru arī palīdzēja izveidot godīguma, pārskatatbildības un pārredzamības (FAccT) konferenci, lai izveidotu forumu pētījumiem par AI sociālajām un politiskajām sekām. Idejas un dokumentu projekti, kas apspriesti NeurIPS radniecības grupu semināros, bieži kļūst par pamatu FAccT publicētajiem dokumentiem, kas pēc tam demonstrē šo pētījumu plašākai auditorijai.

Piemēram, pēc Buolamwini prezentācijas pirmajā Black in AI seminārā FAccT publicēja grāmatu Gender Shades. Kopā ar Actionable Auditing tas veicināja vairākas lielas izglītojošas un atbalsta kampaņas, lai ierobežotu valdības izmantoto sejas atpazīšanu. Kad Amazon mēģināja iedragāt Buolamwini un Raji pētījumu leģitimitāti, desmitiem mākslīgā intelekta pētnieku un pilsoniskās sabiedrības organizāciju apvienojās, lai tos aizstāvētu, paredzot, ko viņi vēlāk darīs Gebru labā. Šie centieni galu galā veicināja Amazon moratoriju, ko uzņēmums maijā paziņoja, ka tas tiks pagarināts uz nenoteiktu laiku.

Pētījums arī aizsāka regulēšanas kaskādi. Vairāk nekā ducis pilsētu ir aizliegušas policijai izmantot sejas atpazīšanu, un tagad Masačūsetsā policijai ir jāsaņem tiesneša atļauja tās izmantošanai. Gan ASV, gan Eiropas Komisija ir ierosinājušas papildu regulējumu.

Vispirms mums bija vienkārši tur jābūt, saka Gebru. Un kādā brīdī tas, ko saka Black in AI, sāk kļūt svarīgs. Un tas, ko visas šīs grupas kopā saka, kļūst svarīgs. Jums tagad ir jāuzklausa mūs.

Sekojiet naudai

Pēc Gebru un Mičela atlaišanas lauks no jauna cīnās ar mūžsenu jautājumu: vai ir iespējams mainīt status quo, strādājot no iekšpuses? Gebru joprojām uzskata, ka darbs ar tehnoloģiju gigantiem ir labākais veids, kā identificēt problēmas. Taču viņa arī uzskata, ka korporatīvajiem pētniekiem nepieciešama stingrāka tiesiskā aizsardzība. Ja viņi redz riskantu praksi, viņiem vajadzētu būt iespējai publiski dalīties savos novērojumos, neapdraudot savu karjeru.

Tad ir jautājums par finansējumu. Daudzi pētnieki vēlas vairāk investīciju no ASV valdības, lai atbalstītu darbu, kas ir kritisks attiecībā uz komerciālo AI attīstību un veicina sabiedrības labklājību. Pagājušajā gadā tā atvēlēja niecīgu USD 1 miljardu ar aizsardzību nesaistītiem mākslīgā intelekta pētījumiem. Baidena administrācija tagad lūdz Kongresu ieguldīt papildu 180 miljardus ASV dolāru jaunajās tehnoloģijās, un AI ir galvenā prioritāte.

Šāds finansējums varētu palīdzēt cilvēkiem, piemēram Abebe atgriezīsies , datorzinātņu docente Kalifornijas universitātē Bērklijā. Abebe, kurš arī bija Black in AI līdzdibinātājs, ienāca AI ar idejām to izmantot sociālās vienlīdzības veicināšanai. Bet, kad viņa uzsāka doktora grādu Kornelā, neviens nebija koncentrējies uz šādu pētījumu veikšanu.

2016. gada rudenī kā doktorantūras studente viņa izveidoja nelielu Kornela lasīšanas grupu ar studiju biedru, lai pētītu tādas tēmas kā mājokļu nestabilitāte, veselības aprūpes pieejamība un nevienlīdzība. Pēc tam viņa uzsāka jaunu projektu, lai noskaidrotu, vai viņas skaitļošanas prasmes varētu atbalstīt centienus mazināt nabadzību.

Galu galā viņa atrada Poverty Tracker pētījumu — detalizētu datu kopu par finanšu satricinājumiem — tādiem negaidītiem izdevumiem kā medicīniskie rēķini vai autostāvvietas biļetes —, ko piedzīvoja vairāk nekā 2000 Ņujorkas ģimeņu. Daudzās sarunās ar pētījuma autoriem, sociālajiem darbiniekiem un bezpeļņas organizācijām, kas apkalpo marginalizētas kopienas, viņa uzzināja par viņu vajadzībām un pastāstīja, kā viņa varētu palīdzēt. Pēc tam Abebe izstrādāja modeli, kas parādīja, kā satricinājumu biežums un veids ietekmēja ģimenes ekonomisko stāvokli.

Pēc pieciem gadiem projekts joprojām turpinās. Tagad viņa sadarbojas ar bezpeļņas organizācijām, lai uzlabotu savu modeli, un sadarbojas ar politikas veidotājiem, izmantojot Kalifornijas politikas laboratoriju, lai to izmantotu kā līdzekli bezpajumtniecības novēršanai. Arī viņas lasītāju grupa kopš tā laika ir izaugusi par 2000 cilvēku lielu kopienu un šogad rīko savu atklāšanas konferenci.

Abebe to uzskata par veidu, kā mudināt vairāk pētnieku mainīt AI normas. Lai gan tradicionālās datorzinātņu konferences uzsver skaitļošanas metožu pilnveidošanu, lai to izdarītu, jaunajā konferencē tiks publicēts darbs, kura mērķis vispirms ir dziļi izprast sociālo problēmu. Darbs ir ne mazāk tehnisks, taču tas veido pamatu sociāli nozīmīgākai AI attīstībai.

Viņa saka, ka šīs izmaiņas, par kurām mēs cīnāmies, nav tikai marginalizētām grupām. Tas patiesībā ir visiem.

paslēpties