On the missing data layer and a potential solution
Dit artikel identificeert het kritieke gebrek aan een verenigde datalaag in de Latijns-Amerikaanse AI-infrastructuur, gekenmerkt door problemen rond ontdekbaarheid en een onvoldoende aanbod, en stelt "DataHub" voor, een taakgerichte data-infrastructuur gebouwd op een specifieke ontologie om datasetontdekking, metadatabeheer, bijdrage, licentiëring en hergebruik mogelijk te maken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De ontbrekende ingrediënten voor een lokaal brein
Stel je voor dat je het perfecte gebak probeert te bakken, maar elk recept dat je vindt is geschreven voor een andere keuken, met ingrediënten die je nog nooit hebt gezien en ovens die op andere temperaturen draaien. Dit is de huidige situatie voor Kunstmatige Intelligentie (AI) in Latijns-Amerika. Om te begrijpen waarom dit ertoe doet, moeten we naar twee eenvoudige ideeën kijken. Ten eerste zijn AI-modellen als superintelligente studenten; ze leren door enorme hoeveelheden informatie (data) te lezen om uit te vogelen hoe ze problemen kunnen oplossen. Ten tweede zijn benchmarks als gestandaardiseerde toetsen; dit zijn de examens die we aan deze studenten geven om te zien of ze echt weten waar ze het over hebben, of dat ze alleen maar wat gokken.
Op dit moment worden de meeste AI-"studenten" in Latijns-Amerika onderwezen door leraren uit andere landen, met tekstboeken die in andere talen zijn geschreven. Hoewel deze studenten uitblinken in algemene taken zoals wiskunde of programmeren, struikelen ze vaak wanneer ze gevraagd wordt iets te doen dat specifiek is voor hun eigen buurt, zoals het begrijpen van lokale straattaal, het herkennen van lokale planten of het navigeren door lokale wetgeving. De grote vraag is niet alleen of ze slimmer worden; het gaat erom of een regio in staat is om haar eigen brein te bouwen dat haar eigen mensen echt begrijpt, of dat zij voor altijd moet vertrouwen op een brein dat elders is gebouwd en dat misschien niet om haar specifieke behoeften geeft.
De twee ontbrekende lagen van het AI-huis
Volgens een nieuw artikel van het SURUS-team mist Latijns-Amerika twee cruciale verdiepingen in haar AI-huis: een dataset-laag en een benchmark-laag. Beschouw de dataset-laag als de bibliotheek met boeken die de AI leest om te leren, en de benchmark-laag als het testcentrum waar we controleren of de AI daadwerkelijk slim is. Zonder deze lagen kan de regio haar eigen AI niet bouwen, en kan ze zelfs niet goed controleren of de buitenlandse AI die ze gebruikt wel zijn werk goed doet.
De auteurs stellen dat deze afwezigheid twee verschillende soorten problemen veroorzaakt. Voor bedrijven is het probleem vergelijkbaar met het proberen te identificeren van plagen op een Braziliaans landbouwbedrijf met behulp van een gids die gemaakt is voor Europese velden. De taak (het vinden van insecten) is hetzelfde, maar de insecten zijn anders. Als je de verkeerde data gebruikt, kan je AI de plagen missen die daadwerkelijk de oogst vernietigen. Voor overheden en publieke instellingen is het probleem dieper: het gaat over identiteit. Als een AI getraind is op buitenlandse verhalen en waarden, kan het de lokale burgers op manieren beschrijven die niet bij hen passen, of beslissingen nemen die niet weerspiegelen hoe die mensen werkelijk leven. Het is alsoal een burgemeester hebben die een andere taal spreekt en de lokale cultuur niet begrijpt—hij kan beleefd zijn, maar hij zal je niet goed besturen.
De grote data-zoektocht
Het artikel wijst erop dat de Latijns-Amerikaanse data niet weg is; ze is alleen verloren gegaan. Het ligt verspreid over het internet als puzzelstukjes die verborgen liggen in verschillende dozen—sommige in wetenschappelijke artikelen, sommige op platforms zoals Hugging Face, en sommige vastgelopen in de privéarchieven van bedrijven. Er is geen enkele kaart om ze te vinden. Zelfs als je ze allemaal zou kunnen vinden, is er simpelweg niet genoeg van in vergelijking met wat de VS of Europa heeft.
Dit creëert een vicieuze cirkel: omdat er geen gemakkelijke plek is om data te delen waarbij je erkenning krijgt, delen mensen niet. Omdat mensen niet delen, is er geen grote collectie om anderen te motiveren om mee te doen. De auteurs stellen een oplossing voor genaamd de DataHub, een centrale bibliotheek die ontworpen is om deze cirkel te doorbreken. Het is niet alleen een lijst; het is een systeem dat mensen beloont voor het delen. Als je een dataset bijdraagt, krijg je zichtbaarheid en erkenning, waardoor het de moeite waard is om je data open te stellen.
Een nieuwe manier om de bibliotheek te organiseren
Een van de meest creatieve delen van het artikel is hoe ze voorstellen deze nieuwe bibliotheek te organiseren. In plaats van data te sorteren op "hoe het eruit ziet" (zoals afbeeldingen of tekst) of "waar het model voor bedoeld is", stellen ze voor om te sorteren op wat de AI moet doen.
Stel je een bibliotheek voor waar boeken niet worden gesorteerd op kleur of grootte, maar op de taak die ze je helpen uitvoeren. De auteurs stellen een driestapsladder voor:
- Taak: Wat is de klus? (bijv. "Audio transcriberen").
- Domein: Wat is het specifieke vakgebied? (bijv. "Medisch" versus "Juridisch").
- Taal & Regio: Wie spreekt er? (bijv. "Rioplatense Spaans" versus "Colombiaans Spaans").
Dit is belangrijk omdat een arts in Buenos Aires een ander soort medische transcriptie-AI nodig heeft dan een advocaat in Bogotá. Een algemene AI krijgt de woorden misschien wel goed, maar kan de specifieke medische termen of het lokale accent missen. Door de data op deze manier te organiseren, zorgt de DataHub ervoor dat de AI die je bouwt precies is afgestemd op jouw specifieke behoeften, waardoor deze beter presteert en meer "lokaal" aanvoelt.
Open deuren en prikkels
Het artikel neemt een sterk standpunt in over hoe dit gebouwd moet worden: Open door ontwerp. De auteurs geloven dat voor een regio die een inhaalslag maakt, samenwerking de enige manier is om te winnen. Het achter gesloten deuren houden van data zal niet helpen; het openlijk delen ervan stelt iedereen in staat om sneller te leren. Ze weten echter ook dat mensen niet zomaar zullen delen uit pure goedheid van hart. Het systeem moet "prikkel-gestuurd" zijn, wat betekent dat bijdragers een voordeel moeten zien, zoals erkenning voor hun werk of de naam van hun instelling gekoppeld aan de data.
De weg vooruit
De auteurs zijn duidelijk dat dit pas het begin is—een "kickstart" in plaats van een eindproduct. Ze geven toe dat er nog steeds grote hindernissen zijn. Verschillende landen in Latijns-Amerika hebben verschillende wetten over privacy en data, en er zijn nog geen afgesproken regels voor hoe deze data gelabeld of gelicentieerd moet worden. Ze beweren niet dat ze deze problemen hebben opgelost; in plaats daarvan nodigen ze iedereen uit—bedrijven, universiteiten en overheden—om te helpen deze zaken uit te zoeken.
Het artikel eindigt met een oproep tot actie: de dataset-laag voor Latijns-Amerikaanse AI moet worden gebouwd door de regio, voor de regio, anders zal het niet gebouwd worden. De DataHub is de eerste stap, een levende uitnodiging aan iedereen met data om binnen te komen, te delen en te helpen bij het bouwen van een toekomst waarin Latijns-Amerika haar eigen stem heeft in de wereld van Kunstmatige Intelligentie.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.