A magát nemzetközi adományokból és a Google DeepMind, az Apple, a Meta és az OpenAI támogatásából fenntartó Deep Learning Indaba afrikai mesterséges intelligencia- és gépitanulás-közösség 2017 óta évente szervez a kontinens szakembereinek találkozót. Céljuk Afrika MI-fejlesztéseinek fellendítése, hogy ne csak megfigyelő és követő legyen, hanem fontos, aktív szerepet játsszon a technológia további alakulásában.
Az Indaba találkozást, gyűlést jelent zulu nyelven, és nem véletlenül került a rendezvénysorozat és az ötvenöt afrikai országból negyvenhétben képviselt szervezet nevébe. Ezek az összejövetelek hagyományosan hírek, újdonságok megosztására, közös érdekek és ügyek megvitatására és tanácsadásra szolgálnak. A Deep Learning Indaba számára is kulcsfontosságú az ismeretek megosztása és a tanulás. Éves rendezvényeiket ebben a szellemben tartják meg.
A legutóbbira szeptemberben került sor a szenegáli főváros Dakarban, több mint hétszázan vettek részt rajta. Az Afrika-központú MI-t, mezőgazdasági, oktatási, egészségügyi és gazdaságilag más kritikus szektorokban történő alkalmazását vitatták meg.
„Szimulált” laboratóriumok
A dél-afrikai Nyugat Fokföld Egyetem egyik hallgatója a laboratóriumi felszerelések teljes hiányára panaszkodott. Az oktatók táblákon és 2D nyomtatott anyagokkal tartják a bemutatókat, azokkal „szimulálják” a drágább eszközöket, berendezéseket. Gyakorlatokon időnként a felszerelés lerajzolására kérik a diákokat, de szerencsére az olcsóbb okostelefonok használata elég elterjedt laborok MI- és VR-appokkal történő megjelenítéséhez.
Afrikai egyetemisták
A kontinens a mesterségesintelligencia-technológiák elterjedésének a kezdeti szakaszában jár. A Deep Learning Indaba ezt hivatott felgyorsítani, vezetői szerint a földrész nagyon nyitott. Több okból az: lakossága viszonylag fiatal, egyre többen végeznek felsőfokú tanulmányokat, kialakulóban van az MI startupok ökoszisztémája, folyamatosan nő a potenciális felhasználók száma.
Kulcsjelentőségű, hogy az MI-megoldásokat a helyi környezetre, ottani igényeknek megfelelően alkalmazzák. Afrika más kontinenseknél nagyobb mértékben oldhat meg speciális problémákat MI-vel – állítja a Deep Learning Indababa egyik társalapítója (és a Google DeepMind kutatója), Shakir Mohamed.
A célok gyors megvalósítása azonban komoly akadályokba ütközik. A legnagyobb a nem megfelelő anyagi támogatás és a szegényes infrastruktúra. De nemcsak az MI-rendszerek kiépítése költséges, hanem az afrikai nyelveken rendelkezésre álló gyakorlóadatok mennyisége sem elegendő. Emellett a kontinens felsőoktatási intézményeiben kevés összeget fordítanak nyelvészeti kutatásokra, és a hallgatók jelentős része már nem beszél és nem ír helyi nyelveken.
A csúcskategóriás afrikai MI-fejlesztéseket tovább hátráltatja a korlátolt internet-hozzáférés és a lokális adatközpontok hiánya.
Ellentétek
Országokra bontva, csak hétben fogalmaztak meg valamilyen szintű MI-szabályozást: Algériában, Beninben, Egyiptomban, Mauritiuson, Nigériában, Ruandában és Szenegálban. Máshol lényegében semmiféle szabályozás nem létezik, így pedig (elvileg) nehezebb kiaknázni a technológia előnyeit, elkerülni a veszélyeit. Többen megfogalmaztak már javaslatokat, a terület kutatói viszont ellenzik az egész kontinensre kiterjedő, egységes stratégiát, sőt a működő stratégia mibenlétében sem értenek egyet. Klasszikus történet: két rivális szervezet két különböző javaslattal állt elő, és nyilván sok időnek el kell telnie a mindenki számára előnyös megoldáshoz. A Deep Learning Indaba vezetőségének elege van a sehova nem vezető viszályból.
Mi-kutatók egymás között
Milyen lépéseket kell megtenni ahhoz, hogy a helyi MI-fejlesztéséből Afrika és ne a gazdag nyugati kormányok, vállalatok profitáljanak? – teszik fel többen a logikus kérdést.
A külföldi támogatáshoz való viszonyulás szintén megosztja a közösséget. Egyesek szerint, ha főként nemzetközi cégektől jön a pénz, az afrikai MI csak másolni fog, pedig elvileg pont az ellen küzdenek. Jellegzetesen afrikai mesterséges intelligencia kellene, különben soha nem fogják elérni, megszólítani például az alulreprezentált közösségeket – vélik.
Ha mindezeket összeadjuk, érthető, miért látják a problémákat a fejlődés hátráltatóinak, miért tartják vissza az afrikai MI-szektort attól, hogy saját útját járja a globális mesterségesintelligencia-versenyben.
Reménysugarak
Bizakodásra ad okot, hogy a generatív MI-t több területen hasznosították már: segít az AIDS kezelésében (Dél-Afrikában appot fejlesztettek hozzá), kenyai mezőgazdák MI-alkalmazással mérik fel a termést fenyegető növényi betegségeket, az Awarri nigériai startup a kormány támogatásával építi az ország első nagy nyelvmodelljét (LLM).
Maga a Deep Learning Indaba is a fejlődés jele. A dakari rendezvényen 150 posztert és hatvankét tanulmányt mutattak be, amelyekből közel harmincat a legjobb nevű szakmai folyóiratok fognak publikálni. 2013 és 2022 között szignifikáns mértékben nőtt a megjelenések száma.
A Deep Learning Indaba konferenciája
A 2018-ban alakult Mosakhane, egy hasonló szervezet négyszáznál több nyílt forrású modellt és húsz valamilyen afrikai nyelvű adatkészletet tett közzé. A találkozó egyik nigériai résztvevője megkérdezte, hogy a jelenlévők közül hányan tudnának anyanyelvükön egyetemi szakdolgozatot írni. Senki nem emelte fel a kezét. Azaz, hiába akarják, hogy az MI használja a nyelvüket, ha ők maguk sem képesek rá. A kontinensen a világ nyelveinek harmadát beszélik, soknak nincs írásbelisége, és a nyugati cégek MI-megoldásai általában angolul vannak, de ha próbálkoznak is helyi nyelvekkel, általában nem értik a kontextust.
Az EqualyzAI vállalatot pontosan a gépileg nehezen olvasható adatok kezeléséért, az eltűnőben lévő nyelvek megőrzéséért alapították idén. Eddig 517 nyelven építettek MI hangmodelleket. Az úttörő kezdeményezés jövője bizonytalan. Nagy helyett kis nyelvmodellekben gondolkoznak, fizetett anyanyelvi beszélőkkel.
Képek: Wikimedia Commons, MIT