Abstrakty

(Sentiment Analysis) w naukach społecznych oraz wpływ crowdsourcingu na tworzenie i analizę zbiorów danych (datasets)

Celem wystąpienia jest analiza metodologicznych wyzwań związanych z zastosowaniem analizy sentymentu (sentiment analysis) w badaniach społecznych oraz rola crowdsourcingu w procesie tworzenia i oceny zbiorów danych (datasets). Omówione zostaną zarówno zalety, jak i ograniczenia crowdsourcingu, szczególnie w kontekście różnorodności społeczno-kulturowej uczestników oraz ich wpływu na etykietowanie danych. Ponadto przeanalizowany zostanie wpływ specyfiki zbiorów danych pochodzących z różnych platform na wiarygodność analiz sentymentu. Zostanie przedstawiona krytyczna ocena algorytmów stosowanych do analizy sentymentu oraz ich zdolność do uchwycenia złożoności emocjonalnej i społecznej komunikacji w różnych kontekstach.

Sztuczna Inteligencja w sądownictwie: wyzwania i perspektywy badawcze

Wykorzystanie sztucznej inteligencji w sądownictwie to temat ciekawy badawczo. Podejmowany z perspektywy badacza-prawnika wymaga, po pierwsze, nabycia zadowalającego poziomu wiedzy technicznej o AI, a po drugie, sięgnięcia po standardowe metody badań prawnych, tj. interpretację aktów prawnych (w przypadku moich badań w szczególności przepisów konstytucyjnych i kodeksowych regulujących zasady postępowania sądowego). Te podstawowe narzędzia szybko okazują się jednak zbyt ograniczone, aby odpowiedzialnie przeanalizować kwestie dopuszczalności zastosowań AI w toku sądowego procesu stosowania prawa. Dlatego badania na styku AI i prawa często wymagają multiinterdyscyplinarnego podejścia, co w przypadku moich badań wymagało przeanalizowania także perspektywy psychologicznej (zarówno z perspektywy obywatela, który miałby uczestniczyć w procesie sądowym z udziałem AI, jak i sędziego, na którego procesy decyzyjne zaczyna znacząco wpływać AI) i socjologicznej (potencjalny transfer władzy sądowniczej w ręce systemów technologicznych to ważne zagadnienie z perspektywy tego, jak sądy mają wypełniać swoje funkcje społeczne i czy wprowadzenie AI do sądów nie rodzi ryzyka zaburzenia istniejącego konsensusu społecznego w zakresie wymiaru sprawiedliwości). Tę multidyscyplinarną mieszankę nie jest łatwo opanować już teraz, a ostatnie postępy technologiczne (szczególnie w obszarze dużych modeli językowych) wcale tego nie ułatwiają. W przyszłej pracy badawczej planuję skupić się właśnie na tym elemencie, pochylając się nad zmianami, jakie w dokonanych już przeze mnie założeniach o ramach dopuszczalności zastosowań automatyzacji i semiautomatyzacji w sądownictwie, dokonuje tzw. generatywna AI. Jej multimodalność i powszechność rodzi zupełnie nowe ryzyka, nie tylko wywracając założenie o tym, że żeby AI niejako “zaistniała” w sądach, ktoś (najczęściej Ministerstwo Sprawiedliwości) musi wdrożyć i odpowiednio przemyśleć stosowny system AI, ale także tworząc nowe zachowania procesowe (chociażby takie jak potencjalnie coraz powszechniejsze wnioskowanie o dołączanie deepfakes do materiału dowodowego sprawy).

Uczenie głębokie dla fizyki

Techniki głębokiego uczenia (GU) stały się kluczowym narzędziem w różnych obszarach fizyki, pomagając w przyspieszeniu i optymalizacji systemów obliczeniowych. Algorytmy GU umożliwiają odkrywanie nowych relacji i praw fenomenologicznych. W mojej prezentacji krótko omówię zastosowania GU w fizyce, nad którymi pracujemy. Po pierwsze, naszym celem jest opracowanie wspieranej przez sztuczną inteligencję wersji NuWro, generatora zdarzeń Monte Carlo używanego do symulacji oddziaływań neutrin z jądrami atomowymi w zakresie energii typowym dla eksperymentów oscylacji na liniach długich i krótkich. Po drugie, omówimy nasze prace nad rozwojem technik GU do badania przepływu płynów i właściwości dyfuzyjnych w materiałach porowatych. Na koniec skomentuję inne bieżące projekty i plany.

Zastosowania metod uczenia maszynowego w chemii – przeszłość i przyszłość

Chemia, jako nauka o przemianach i złożoności substancji, w naturalny sposób związana jest z gromadzeniem i analizą wielkiej ilości danych. Procesy chemiczne są nieraz kontrolowane przez wiele czynników, których nie zawsze musimy być świadomi lub być w stanie je opisać – zatem w chemii przydatne okazują się metody analiz statystycznych, redukcji wymiarowości danych, automatycznego wyszukiwania korelacji np. struktura-aktywność biologiczna/właściwość fizykochemiczna itp. Wszystkie te zagadnienia są wprost stworzone do tego, by zastosować do ich rozwiązywania techniki uczenia maszynowego [1]. Na Wydziale Chemii UWr takie techniki stosowane są dzięki współpracy z naukowcami z National Institute of Chemistry w Ljubljanie, Słowenia. W naszej prezentacji przedstawimy wykorzystanie metodologii sieci neuronowych w następujących zastosowaniach chemicznych:
- określenia czynników rządzących uwodornieniem ketonów do alkoholi przez sztuczne metaloenzymy [2],
- przewidywania aktywności biologicznej, w tym toksyczności dla organizmów wodnych oraz kancerogenności chemikaliów [3],
- klasyfikacji cząsteczek aromatycznych i przewidywania ich właściwości na podstawie prostych deskryptorów, w tym wielkości kwantowochemicznych [4],
- analizy ilościowej substancji czynnych w preparatach farmaceutycznych [5] oraz analiz dyskryminacyjnych jednostek chorobowych na bazie danych spektroskopowych.
Jako nasz wkład w propagowanie metod uczenia maszynowego przedstawimy inicjatywę Forum Sztucznej Inteligencji i Nauki Jutra [6] powstałą na naszym Wydziale.

Bibliografia

[1] Zupan J., Gasteiger J. „Neural Networks in Chemistry and Drug Design: An Introduction”, Wiley-VCH Verlag GmbH, 1999

[2] Mazurek S., Ward T. R., Novič M. „Counter propagation artificial neural networks modeling of an enantioselectivity of artificial metalloenzymes”, Molecular Diversity, 2007, 11, 141-152

[3] (a) Jezierska A., Vračko M., Basak S. C. „Counter-propagation artificial neural network as a tool for the independent variable selection: structure-mutagenicity study on aromatic amines”, Molecular Diversity, 2004, 8, 371-377 (b) Fjodorova N., Vračko M., Tušar M., Jezierska A., Novič M., Kühne R., Schüürmann G. „Quantitative and qualitative models for carcinogenicity prediction for non-congeneric chemicals using CP ANN method for regulatory uses”, Molecular Diversity, 2010, 14, 581-594, (c) Fjodorova N., Vračko M., Jezierska A., Novič M. „Counter propagation artificial neural network categorical models for prediction of carcinogenicity for non-congeneric chemicals”, SAR and QSAR in Environmental Research, 2010, 21, 57-75

[4] Panek J., Jezierska A., Vračko M. „Kohonen network study of aromatic compounds based on electronic and nonelectronic structure descriptors”, Journal of Chemical Information and Modeling, 2005, 45, 264-272

[5] (a) Mazurek S., Szostak R. “Quantitative determination of diclofenac sodium in solid dosage forms by FT-Raman spectroscopy”, Journal of Pharmaceutical and Biomedical Analysis, 2008, 48, 814-821, (b) Mazurek S., Szostak R. “Quantification of atorvastatin calcium in tablets by FT-Raman spectroscopy”, Journal of Pharmaceutical and Biomedical Analysis 2009, 49, 168-172, (c) Mazurek S., Szostak R. “Quantification of aspartame in commercial sweeteners by FT-Raman spectroscopy”, Food Chemistry 2011, 125, 1051-1057, (d) Mazurek S., Szostak R. “Quantification of active ingredients in pharmaceutical suspensions by FT Raman spectroscopy”, Vibrational Spectroscopy 2017, 93, 57-64

[6] https://makromol.chem.uni.wroc.pl/pl/forum-sztucznej-inteligencji-i-nauki-jutra

Sztuczna inteligencja w muzykologii: perspektywy badawcze w Pracowni Muzykologii Cyfrowej

Rozwijanie modeli językowych generatywnej sztucznej inteligencji stało się w ostatnich latach bardzo intensywną gałęzią interdyscyplinarnych badań naukowych. Obecna jest ona również w muzykologii. Jednym z tematów podjętych w Pracowni Muzykologii Cyfrowej Instytutu Muzykologii UWr jest wykorzystanie uczenia maszynowego w obszarze paleograficzno-edytorskim. Chodzi o rozwijanie i wytwarzanie narzędzi z zakresu Optical Music Recognition (OMR) z uwzględnieniem kryteriów edytorstwa muzycznego, z wykorzystaniem danych pochodzących z rękopisów tabulatur lutniowych. Jak chcemy wykorzystywać narzędzia AI? 

Rozpoczęliśmy już wstępne prace w zespole z Department of Computing Goldsmiths University of London, Uniwersyteckim Centrum Humanistyki Cyfrowej UWr, Pracownią Reprografii i Digitalizacji Biblioteki Uniwersyteckiej we Wrocławiu oraz z Poznańskim Centrum Superkomputerowo-Sieciowym. Przeprowadzone badania wstępne pozwalają nam sądzić, że wykorzystanie uczenia maszynowego w celu stworzenia narzędzia do automatycznego odczytu notacji tabulatur lutniowych typu francuskiego w źródłach rękopiśmiennych jest możliwe. Wiąże się to jednak z rozwijaniem narzędzi z zakresu analizy pismoznawczej w źródłach historycznych, w szczególności w zasobach źródeł muzycznych. Celem naszych działań na obecnym etapie jest generowanie plików w formacie Music Encoding Initiative (MEI) z użyciem mechanizmów automatyzacji. Chodzi o możliwość tworzenia edycji cyfrowych w kontekście korpusu muzyki lutniowej i klawiszowej w Polsce i na Śląsku pochodzących ze źródeł rękopiśmiennych zapisanych w notacji tabulaturowej. Interesuje nas również rozwój interfejsów użytkownika umożliwiających odczytywanie zapisu muzyki i interaktywną analizę muzyki zapisaną w notacji tabulaturowej. 

Chodzi zatem w tego rodzaju działaniach, aby uwzględnić obszary klasycznej muzykologii historycznej, uwzględnić aspekt europejskiego dziedzictwa kulturowego i zastosować metody wykorzystujące nowe technologie i zaawansowane narzędzia informatyczne, do czego niezbędna jest już współpraca z informatykami. Taka bliska współpraca niewątpliwie umożliwi pozyskiwanie nowych informacji w procesie badawczym, ale i dostosowanie materiałów w sposób kreujący dalsze działania na poziomie badawczym, dydaktycznym, popularyzatorskim. Jako przykład zostanie wykorzystana kolekcja rękopisów tabulatur lutniowych z dawnego opactwa cystersów z Krzeszowa będąca najobszerniejszą kolekcją z XVIII wieku zawierającą zapis ponad 2000 kompozycji w notacji tabulatury lutniowej typu francuskiego.

Odkrywanie ukrytych struktur danych

Nowoczesne algorytmy uczenia maszynowego podczas swojego działania często tworzą pewne pomocnicze reprezentacje danych - zanurzenia oryginalnych próbek danych w pomocniczej przestrzeni wektorowej - które mogą być traktowane jako reprezentacje danych w pewnej ukrytej przestrzeni danych. Jednym z prostych przykładów są słowa języka naturalnego i ich reprezentacja w formie wektorów liczbowych (na przykład otrzymywane podejściem word2vec). Bardziej złożonym, fragmenty kodu źródłowego języku programowania, produkty lub użytkownicy w systemach rekomendujących, fragmenty obrazów satelitarnych czy fragmenty ścieżek GPS, wszystkie ostatecznie reprezentowane przez wektory liczbowe w sposób określany przez algorytm podczas uczenia modelu. Algorytmy uczenia maszynowego tworzą takie wektorowe reprezentacje próbek danych w nieprzypadkowy sposób, tak aby zachować najważniejsze zależności między próbkami danymi, pozwalające na rozwiązywanie rozważanego problemu. Badanie takich ukrytych struktur danych przynosi wiele dodatkowej wiedzy, nie tylko o działaniu algorytmu uczenia maszynowego, ale przede wszystkim o charakterystyce samych danych, trudnej do odkrycia bezpośrednio z oryginalnych danych.

Obrazowanie oraz analiza obiektów i procesów biologicznych na Wydziale Biotechnologii

Podczas wystąpienia opowiem o pytaniach, które stawiamy w Wydziałowej Pracowni Mikroskopowej, oraz poszukiwaniu na nie odpowiedzi. Wyjaśnię, dlaczego w pracowni mamy kilka mikroskopów i czym one się różnią. Będzie też o postrzeganiu i liczeniu kropek, kresek i plam, o tym, jak je opisać, i co z tego wynika.

Sztuczna inteligencja a efektywne prawo do obrony w postępowaniu karnym

Włączenie sztucznej inteligencji (AI) do rzeczywistości prawnej poszczególnych państw zdążyło już wzbudzić wiele wątpliwości z punktu widzenia istniejących podstawowych gwarancji praw człowieka, w tym prawa do obrony. Celem wystąpienia jest przedstawienie, w jaki sposób zastosowania AI w procesie karnym mogą wpłynąć na prawo do efektywnej obrony w postępowaniu karnym, ze szczególnym uwzględnieniem prawa do informacji i czynnego udziału w postępowaniu. Z jednej strony w trakcie wystąpienia zostaną zaprezentowane korzyści, uzasadniające użycie AI w postępowaniu karnym, z drugiej wskazane zostanie, jak narzędzia AI, takie jak m. in. systemy predykcyjne, środki identyfikacji, czy zautomatyzowanej oceny dowodów mogą wpłynąć na prawo do obrony. Wskazane zostaną podstawowe problemy związane z wykorzystaniem systemów AI, mające znaczenie dla efektywnego wykonywania uprawnień przez oskarżonego, takie jak ograniczona transparentność, wyjaśnialność, tendencje dyskryminacyjne, a także jakie parametry narzędzi AI mają zasadniczy wpływ na skuteczność prawa do obrony.

Zastosowanie sztucznej inteligencji do detekcji ludzi na zdjęciach lotniczych na potrzeby poszukiwania osób zaginionych

Celem referatu jest przedstawienie możliwości automatycznego wykrywania osób zarejestrowanych na zobrazowaniach lotniczych wykonanych z niskiego pułapu kamerami zainstalowanymi na bezzałogowych statkach powietrznych, powszechnie nazywanych dronami. Zadanie to jest realizowane przez algorytmy zaimplementowane w autorskim oprogramowaniu SARUAV (ang. search and rescue unmanned aerial vehicle). Detekcja ludzi jest wykonywana na zbiorze nadirowych (obiektyw kamery skierowany pionowo w dół w stosunku do geoidy) zdjęć JPG, wykonanych z pokryciem podłużnym wynoszącym około 80% i pokryciem poprzecznym na poziomie 60%, z wysokości platformy bezzałogowej zapewniającej terenowe wielkości piksela (ang. ground sampling distance – GSD) z przedziału 1,0–2,0 cm/px. Tak przygotowany materiał zdjęciowy jest przetwarzany szeregowo (zdjęcie po zdjęciu) z wykorzystaniem konwolucyjnej sieci neuronowej (ang. convolutional neural network – CNN), dając w wyniku odpowiednio zgrupowane geograficzne koordynaty miejsc przebywania osoby wraz z ich prezentacją w systemie informacji geograficznej. System informatyczny SARUAV jest wdrożony w wielu krajach europejskich oraz jednym azjatyckim (stan na 9 września 2024) i do tej pory dwukrotnie przyczynił się do odnalezienia osób zaginionych w terenach otwartych. 

Pierwsze odnalezienie miało miejsce w czerwcu 2021 roku w Beskidzie Niskim w południowo-wschodniej Polsce. System SARUAV został wykorzystany przez Grupę Bieszczadzką GOPR, po niecałej dobie od zaginięcia mężczyzny i po wcześniejszym wykorzystaniu innych powszechnie stosowanych metod poszukiwawczych. Oprogramowanie wskazało miejsce przebywania człowieka, co pozwoliło na szybkie dotarcie ratowników do osoby poszkodowanej, udzielenie pomocy i transport do miejsca postoju zespołu ratownictwa medycznego. Mężczyzna został uratowany.

Drugie odnalezienie z wykorzystaniem systemu SARUAV miało miejsce w sierpniu 2024 roku na pograniczu włosko-austriackim w trudnym terenie górskim. Ratownicy organizacji Bergrettungsdienst Südtirol, stacjonujący w Sand in Taufers, podjęli decyzję o zastosowaniu dronów i analizie zdjęć lotniczych w oprogramowaniu SARUAV dopiero po wcześniejszej realizacji misji poszukiwawczych dwoma helikopterami. Detekcja z użyciem SARUAV była skuteczna, co pozwoliło na dotarcie do osoby poszkodowanej, która niestety nie przeżyła.

Rzeczywiste akcje poszukiwawczo-ratownicze prowadzone z użyciem systemu SARUAV pokazują, że sztuczna inteligencja wkracza w obszar działania ochotniczych i zawodowych służb ratowniczych. Dotyczy to ratownictwa górskiego, ratownictwa wodnego, policji i straży pożarnej z wielu krajów Europy.

System GenAI upraszczający tekst potrzebny od zaraz

Od 15 lat polskie firmy i urzędy wprowadzają standard prostej polszczyzny. To opracowana przez Pracownię Prostej Polszczyzny UWr regułowa metoda upraszczania tekstów formalnych, zgodna z normą ISO w zakresie plain language. W istniejących już w Polsce projektach liczby tekstów wymagających uproszczenia są ogromne. Na przykład ZUS przygotował do stosowania metody UWr 37 tys. piszących pracowników. Urząd miejski w Tychach w rok uprościł około 2000 pism. Niestety, pracownicy urzędów nie mają kompetencji lingwistycznych. Często brakuje im też czasu na tłumaczenie starych tekstów. Doświadczenie i narzędzia PPPUWr pozwalają optymistycznie myśleć o asystencie urzędnika, który będzie w stanie profesjonalnie upraszczać teksty i odpowiadać na pytania urzędników.

O zastosowaniach i modyfikacjach modeli językowych

Modele językowe ostatnio robią karierę, w prasie popularnej będąc traktowane jako wręcz synonim 'sztucznej inteligencji'. Podczas wystąpienia chciałbym pokazać nieco mniej typowe zastosowania modeli językowych, które używają tych samych sieci Transformer, co na przykład ChatGPT, ale mają dużo mniejszą skalę i są trenowane od podstaw. Zajmiemy się między innymi modelowaniem muzyki, graniem w gry planszowe, czy pisaniem poezji. Pokażemy, że w tej skali można trenować skuteczne systemy oraz że jest możliwe wzbogacanie danych o tzw. notatki (self notes), które, choć są łatwe do przewidzenia dla modelu, w znaczący sposób pomagają mu w zrozumieniu struktury problemu.

Uczenie maszynowe w naukach o atmosferze

Zastosowania uczenia maszynowego (machine learning,ML) w naukach o atmosferze zyskują na znaczeniu, a Zakład Klimatologii i Ochrony Atmosfery na Uniwersytecie Wrocławskim aktywnie uczestniczy w tym dynamicznie rozwijającym się obszarze. W ciągu ostatnich dwóch lat rozpoczęliśmy szereg projektów, które przybliżają nas do pełniejszego zrozumienia procesów atmosferycznych i ich lepszego prognozowania dzięki metodom uczenia maszynowego. Pierwszą skuteczną próbą zastosowania ML w naszych badaniach była implementacja algorytmu Random Forest do udoskonalenia modelowania stężeń w powietrzu atmosferycznym pyłu zawieszonego PM 2.5 na obszarze Polski, wykorzystując do uczenia m.in. dane z modelu pogody Weather Research and Forecasting (WRF) oraz informacje o ludności, emisjach zanieczyszczeń i użytkowaniu terenu. Kolejnym krokiem wdrożenia metod ML w naszym zakładzie było użycie zespołu algorytmów opartych o drzewa decyzyjne (m.in. Random Forest i Gradient Boosting) do prognozowania stężeń pyłku roślin alergennych, z wyprzedzeniem od 1 do 3 dni, wykorzystując numeryczne prognozy pogody i pomiary stężenia pyłku z poprzednich dób.

Kolejne kroki obejmują m.in. zastosowanie metod interpretowalnego uczenia maszynowego (XAI) z użyciem analizy wartości Shapleya, aby zbadać wpływ różnych czynników środowiskowych na stężenia zanieczyszczeń atmosferycznych w Europie. Zadania te mają być realizowane w ramach projektu NCN Preludium. Projekt ma na celu odkrycie dotąd nieznanych czasowych i przestrzennych zależności między jakością powietrza, a czynnikami klimatycznymi, gospodarczymi i demograficznymi.

Uzupełnieniem naszych działań w kierunku rozwijania AI w naukach o atmosferze jest wdrożenie systemu automatycznego rozpoznawania alergennego pyłku roślin Swisens Poleno w czasie rzeczywistym, który stanowi krok naprzód w monitorowaniu jakości powietrza. Informacja o aktualnym stężeniu alergenów w powietrzu jest niezwykle istotna dla osób uczulonych, których liczba systematycznie rośnie, m.in. ze względu na zachodzące zmiany klimatu AI jest tu wykorzystywane do automatycznego rozpoznawania, przy wykorzystaniu m.in zdjęć holograficznych i fluorescencji, różnych alergizujących taksonów roślin.

Między lękiem a fascynacją – sztuczna inteligencja w edukacji historycznej

W referacie spojrzymy na sztuczną inteligencję z perspektywy osób zaangażowanych w edukację historyczną: począwszy od uczniów jako motoru przemian, przez nauczycieli eksperymentujących lub zmuszonych, by zareagować na sytuację, gdzie zadania domowe odrabia Chat GPT, po osoby zaangażowane w kształcenie i doskonalenie zawodowe nauczycieli. Postawimy pytania o szanse i wyzwania - merytoryczne, praktyczne i etyczne.