On the missing data layer and a potential solution

Die fehlenden Zutaten für ein lokales Gehirn

Stellen Sie sich vor, Sie versuchen, den perfekten Kuchen zu backen, aber jedes Rezept, das Sie finden, wurde für eine andere Küche geschrieben, verwendet Zutaten, die Sie noch nie gesehen haben, und Öfen, die auf anderen Temperaturen laufen. Dies ist die aktuelle Situation für Künstliche Intelligenz (KI) in Lateinamerika. Um zu verstehen, warum das wichtig ist, müssen wir uns zwei einfache Ideen ansehen. Erstens sind KI-Modelle wie superintelligente Schüler; sie lernen, indem sie riesige Mengen an Informationen (Daten) lesen, um herauszufinden, wie man Probleme löst. Zweitens sind Benchmarks wie standardisierte Tests; es sind die Prüfungen, die wir diesen Schülern geben, um zu sehen, ob sie tatsächlich ihr Fach beherrschen oder ob sie nur raten.

Im Moment werden die meisten KI-"Schüler" in Lateinamerika von Lehrern aus anderen Ländern unterrichtet, die Lehrbücher in anderen Sprachen verwenden. Während diese Schüler großartig in allgemeinen Aufgaben wie Mathematik oder Programmierung sind, stolpern sie oft, wenn sie gebeten werden, Dinge zu tun, die spezifisch für ihre lokale Nachbarschaft sind, wie etwa lokale Slang-Ausdrücke zu verstehen, lokale Pflanzen zu erkennen oder lokale Gesetze zu navigieren. Die große Frage ist nicht nur, ob man intelligenter wird; es geht darum, ob eine Region in der Lage ist, ihr eigenes Gehirn zu bauen, das ihre eigenen Menschen wirklich versteht, oder ob sie ewig auf ein Gehirn angewiesen sein muss, das woanders gebaut wurde und sich vielleicht nicht um ihre spezifischen Bedürfnisse kümmert.

---

Die zwei fehlenden Etagen des KI-Hauses

Laut einem neuen Paper des SURUS-Teams fehlen dem KI-Haus Lateinamerikas zwei entscheidende Stockwerke: eine Datensatz-Ebene (dataset layer) und eine Benchmark-Ebene (benchmarks layer). Betrachten Sie die Datensatz-Ebene als die Bibliothek der Bücher, die die KI liest, um zu lernen, und die Benchmark-Ebene als das Testzentrum, in dem wir prüfen, ob die KI tatsächlich intelligent ist. Ohne diese kann die Region ihre eigene KI nicht bauen und kann nicht einmal richtig überprüfen, ob die ausländische KI, die sie nutzt, einen guten Job macht.

Die Autoren argumentieren, dass dieses Fehlen zwei verschiedene Arten von Problemen schafft. Für Unternehmen ist das Problem vergleichbar mit dem Versuch, Schädlinge auf einem brasilianischen Bauernhof mithilfe eines Leitfadens zu identifizieren, der für europäische Felder erstellt wurde. Die Aufgabe (Schädlinge finden) ist dieselbe, aber die Schädlinge sind anders. Wenn Sie die falschen Daten verwenden, könnte Ihre KI die Schädlinge übersehen, die tatsächlich die Ernte vernichten. Für Regierungen und öffentliche Institutionen ist das Problem tiefergehend: Es geht um Identität. Wenn eine KI mit fremden Geschichten und Werten trainiert wird, beschreibt sie lokale Bürger möglicherweise auf eine Weise, die nicht zu ihnen passt, oder trifft Entscheidungen, die nicht widerspiegeln, wie diese Menschen tatsächlich leben. Es ist wie ein Bürgermeister, der eine andere Sprache spricht und die lokale Kultur nicht versteht – er mag höflich sein, aber er wird Sie nicht gut regieren.

Die große Datensuchreise

Das Paper weist darauf an, dass die lateinamerikanischen Daten nicht verschwunden sind; sie sind nur verloren gegangen. Sie sind im Internet verstreut wie Puzzleteile, die in verschiedenen Boxen versteckt sind – einige in Forschungspapieren, einige auf Plattformen wie Hugfting Face und einige in privaten Unternehmensarchiven. Es gibt keine einzige Karte, um sie zu finden. Selbst wenn man alle finden könnte, gibt es im Vergleich zu den USA oder Europa schlichtweg nicht genug davon.

Dies schafft einen Teufelskreis: Da es keinen einfachen Ort zur gemeinsamen Nutzung von Daten gibt, an dem man Anerkennung erhält, teilen die Leute nichts. Weil die Leute nichts teilen, entsteht keine große Sammlung, die andere dazu motivieren würde, mitzumachen. Die Autoren schlagen eine Lösung namens DataHub vor, eine zentrale Bibliothek, die diese Schleife durchbrechen soll. Es ist nicht nur eine Liste; es ist ein System, das Menschen belohnt, wenn sie teilen. Wenn Sie einen Datensatz beisteuern, erhalten Sie Sichtbarkeit und Anerkennung, was es lohnenswert macht, Ihre Daten offenzulegen.

Eine neue Art, die Bibliothek zu organisieren

Einer der kreativsten Teile des Papers ist der Vorschlag, wie diese neue Bibliothek organisiert werden sollte. Anstatt Daten nach dem zu sortieren, "wie sie aussehen" (wie Bilder oder Text), schlagen sie vor, sie danach zu sortieren, "was die KI tun soll".

Stellen Sie sich eine Bibliothek vor, in der Bücher nicht nach Farbe oder Größe sortiert sind, sondern nach der Aufgabe, bei der sie helfen. Die Autoren schlagen eine dreistufige Leiter vor:

1. Aufgabe (Task): Was ist der Job? (z. B. "Audio transkribieren").
2. Domäne (Domain): Welches spezifische Feld ist es? (z. B. "Medizinisch" vs. "Rechtlich").
3. Sprache & Region: Wer spricht? (z. B. "Rioplatense Spanisch" vs. "Kolumbianisches Spanisch").

Dies ist wichtig, weil ein Arzt in Buenos Aires eine andere Art von medizinischer Transkriptions-KI benötigt als ein Anwalt in Bogotá. Eine allgemeine KI bekommt vielleicht die Wörter richtig, aber sie könnte die spezifischen medizinischen Begriffe oder den lokalen Akzent übersehen. Durch die Organisation der Daten auf diese Weise stellt der DataHub sicher, dass die KI, die Sie bauen, exakt auf Ihre spezifischen Bedürfnisse abgestimmt ist, wodurch sie besser performt und sich "lokaler" anfühlt.

Offene Türen und Anreize

Das Paper vertritt einen klaren Standpunkt dazu, wie dies aufgebaut werden sollte: Open by design (von Grund auf offen). Die Autoren glauben, dass für eine Region, die versucht, aufzuholen, Zusammenarbeit der einzige Weg zum Sieg ist. Daten hinter verschlossenen Türen zu verstecken, wird nicht helfen; das offene Teilen ermöglicht es allen, schneller zu lernen. Sie wissen jedoch auch, dass Menschen nicht nur aus reiner Güte teilen werden. Das System muss "anreizgesteuert" sein, was bedeutet, dass Beitragsleister einen Nutzen sehen müssen, wie etwa die Anerkennung ihrer Arbeit oder die Verknüpfung ihres Institutionsnamens mit den Daten.

Der Weg nach vorn

Die Autoren sind sich klar darüber, dass dies erst der Anfang ist – ein "Kickstart" statt eines fertigen Produkts. Sie geben zu, dass es noch große Hürden gibt. Verschiedene Länder in Lateinamerika haben unterschiedliche Gesetze zum Datenschutz und zur Privatsphäre, und es gibt noch keine vereinbarten Regeln dafür, wie diese Daten etikettiert oder lizenziert werden sollen. Sie behaupten nicht, diese Probleme gelöst zu haben; stattdessen laden sie alle ein – Unternehmen, Universitäten und Regierungen –, dabei zu helfen, diese Fragen zu klären.

Das Paper endet mit einem Aufruf zum Handeln: Die Datensatz-Ebene für die lateinamerikanische KI muss von der Region für die Region gebaut werden, sonst wird sie gar nicht erst gebaut. Der DataHub ist der erste Schritt, eine lebendige Einladung an jeden, der Daten hat, dazuzukommen, zu teilen und dabei zu helfen, eine Zukunft zu bauen, in der Lateinamerika seine eigene Stimme in der Welt der Künstlichen Intelligenz hat.